猫眼电影记者 维尔格内斯 报道首次登录送91元红包

我们经常在一些对比 AI 性能的测试中，看到宣称基础模型在自然语言理解、推理或编程任务等性能超人类的相关报道。

但你有没有想过，这些结果真的可信吗？

在近期的一项研究中，美国哈佛大学研究员魏来（Kevin Wei）与合作者指出，目前人类基准测试（Human Baselines）的严谨性和透明度存在一系列严重问题，这直接关系着相关测试中关于 AI 性能的结论是否“立得住”的问题。

为此，研究人员对基础模型评估中人类基线方法提出了相关的改进建议。与此同时，为全面梳理当前评估方法的短板，他们还系统回顾了 115 项人类基线研究。

相关论文以《立场：模型评估中的人类基线需要严谨性和透明性》（Position: Human Baselines in Model Evaluations Need Rigor and Transparency）为题发表在 ICML 2025（The Forty-Second International Conference on Machine Learning）[1]。

图丨相关论文（来源：ICML）

长期以来，人类基准测试作为 AI 领域评估模型性能的重要工具，直接影响着对 AI 基础模型表现的判断，尤其是为 AI 达到超人类的水平相关结论是否可靠提供关键参考。

魏来目前的主要研究方向是 AI 评估测试，致力于将安全测试的系统做得更安全，以及将相关机制做得更好。他对 DeepTech 表示：“我们在研究过程中发现，当下很多声称模型达到超人类性能的研究，其人类基线评估方法不仅严谨性不够，透明度也不足。这会导致人类和 AI 性能的比较缺乏可信性。”

图丨魏来（来源：魏来）

人类基准测试结果是否可信关系着对系统层级的理解，以及对人类的层级准确比较。相关结论不仅影响着机器学习社区、相关用户和政策制定者，还与 AI 是否能代替、如何替代人类工作等社会和经济问题密切相关。

表丨基线设计与实施项目（含数据填补）的汇总统计（来源：ICML）

研究人员发现，在以往研究中最大的问题是所选取作为基线缺乏代表性，或在进行基线测试时，为基线测试人员和网络系统提供的信息存在差异：要么对二者所提出的问题不同，要么在某些方面存在差异，使得二者之间难以进行有效比较。

让人意外的是，只有 59% 的基线使用与 AI 相同的测试集。举例来说，某个数据中有 1,000 个样本，然后研究人员可能仅从中选 50 个样本作为基线，再将这 50 个人类的层级与 1,000 个 AI 系统的场景做对比。

除此之外，人类基线的样本量普遍不足也是极为重要的问题，这会导致无法据此判断这一结果是否能够代表更广泛人群。其中，以单个测试题目计算，人类基线的回应者人数中位数仅有 8 人，远低于科学研究的可靠性要求。

另一方面，伦理审查报告方面，只有 14% 的论文报告了伦理审查，其中大部分研究并没有公开测试方法、参与者信息和数据分析代码。在统计检验使用方面的问题同样严重，进行统计检验的基线只有 8%。

“我们发现，这种在人类基准测试过程中普遍存在信息不透明的做法，在影响结果可重复性的同时，也很有可能存在潜在的偏差。”魏来表示。

（来源：ICML）

基于对测量理论和 AI 评估文献的分析，该团队提出了一个新的框架来改进相关问题，其涵盖五个阶段并在每个阶段给出了相关建议。

具体而言：

·设计与实施（Design&Implementation）：选择一致且具有代表性的测试集，迭代基线工具，收集足够大小的样本和满足伦理要求；

·招募（Recruitment）：指定感兴趣的人群，选择适当的抽样策略，在招募过程中采用质量控制；

·执行（Execution）：在执行过程中采用质量控制，控制方法效应，控制人类和 AI 的努力程度，收集定性基线数据（例如解释）；

·分析（Analysis）：量化人类和 AI 表现之间的不确定性，确保评估指标、评分标准和评分方法的一致性；

·文档化（Documentation）：报告方法和基线样本的详细信息，采用开放科学和可重复性标准。

根据相关建议，在设计人类基线时，可采用更科学的方法来确保公平性和准确性。例如，研究人员借鉴了包括心理学、经济学、政治学等在内的多学科知识，为 AI 和人类性能的比较提供了新的视角。研究还强调了透明度的重要性，指出基于详细的记录和报告，可促进研究结果更可信。

研究人员将这些建议整合成一份清单，并在此基础上系统性地回顾了 115 项基础模型评估中的人类基线研究。这项研究不仅梳理出当下人类基准测试方法中存在的不足，同时也为未来研究特别是数学领域 AI 技术的评估指出了改进方向。

参考资料：

1.https://openreview.net/forum?id=gwhPvu97Gm

运营/排版：何晨龙

  时事1：旗开棋牌

  12月28日,这次我帮你，下次你帮别人。,当资源与精力纷纷向新兴业务倾斜、全力冲刺增长目标时，基本盘中潜藏的隐患却在被忽视的角落发酵。短视频平台的核心竞争力，既在于前沿技术带来的增长活力，更在于内容安全构建起的信任基础。这次风波，正是基本盘防守薄弱的集中爆发，风控技术跟不上黑灰产的迭代节奏，应急响应机制在饱和式攻击面前滞后，这些问题并非一日之寒。,可以微信充值的捕鱼游戏。

  12月28日,2025年版《社会工作者职业资格考试大纲》今日发布,被业内称为“金融界铁娘子”的史美伦在任6年，曾先后遴选3位行政总裁李小加、欧冠升、陈翊庭作为搭档，推动了境内外资本市场互联互通、完善中概股同股不同权、生物医药等IPO上市制度、拓展了欧美以外的中东等东南亚市场……,线上赌钱大厅,迪士尼彩船,世界杯下单网站有哪些。

  时事2：银河玖乐手机版下载

  12月28日,中柬经贸合作面临广阔发展前景,广州市统计局在分析一季度经济运行情况时指出，广州“面临燃油车、房地产两大市场需求不足影响，以及自身产业周期性、结构性因素的挑战”。,世界杯投注量的软件,万博maxbetx最新官网,美高梅国际线站官网。

  12月28日,“渝沪快线”跨航司签转服务上线运行,AI热潮正重塑美国商业地产，数据中心建设支出明年有望超越写字楼，吸引了Blackstone、Brookfield及科技巨头超万亿美元的资金涌入。在单一租户依赖、严苛运营条款及电力供应挑战下，投资者的风险敞口达历史峰值。一旦AI需求回调或交付延误，这场豪赌将面临严峻考验。,波音线上平台官方,九游会个人登录中心,球探比分足球即时比分。

  时事3：雷速体育首页官网

  12月28日,文明不是孤岛：中外专家共话文化交流与可持续发展,随着中国成功调解伊朗和沙特矛盾，中国在中东地区会越来越受欢迎，与地区国家深化合作、推进“一带一路”高质量建设也将更加顺畅。这也是美国受刺激的一个原因。,十大外围体育平台推荐,亿博体育官网是多少,澳门人巴黎人app。

  12月28日,【央视快评】传递真善美传播正能量，为强国建设民族复兴伟业贡献志愿服务力量,面对行业转型，北京人寿提出了颇具前瞻性的“保险+康养”双轮驱动战略，并推出了“首善人家”服务品牌，试图构建“医、康、养、保”生态体系。公司通过轻资产合作模式，快速挂牌了多家康养机构，并推出旅居卡等产品，取得了一定的保费带动效果。这一战略瞄准了老龄化社会的巨大需求，方向正确。,真钱信誉网赌,beat365登录,澳门银银河官方网真人发牌。

  时事4：博亚体育APP官网入口

  12月28日,中央生态环境保护督察公开通报北京市、天津市典型案例,徐兴建在加入信达财险之前，已经积累了丰富的跨界工作经验。他的职业生涯起步于政府部门，曾担任山东省郓城县工商局双桥工商所所长，之后在济南市第一市政工程公司、阳高登塑料有限公司等企业担任管理职务。1999年进入金融行业，在兴业银行分行有工作经验，后担任华建国际集团投资总监。,香港大富大贵,ROR体育,打鱼注册送3元。

  12月28日,国务院办公厅 中央军委办公厅关于印发《兵役登记工作规定》的通知,习近平在新时代推动西部大开发座谈会上指出，要坚持以大开放促进大开发，提高西部地区对内对外开放水平。,亚美贵宾厅,投注世界杯 主客,球探比分苹果手机版。