猫眼电影记者 符腾堡 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：皇冠新宝2手机登录网址

  12月21日,张家口文旅推介活动走进清河站,在多边层面，长期以来，中国与中亚五国的合作平台主要是上合组织。除土库曼斯坦为中立国之外，其他四个中亚国家均为上合组织创始成员国。在上合组织框架内，中国与中亚国家开展的安全合作卓有成效，在打击”三股势力”、推动阿富汗和平进程等方面取得的成就有目共睹。,威廉希尔官网地址。

  12月21日,2025中国公路自行车职业联赛玉溪站收官,据公开资料，吕王镇刘院村379户，共有1356人。该村以刘、汪两大姓为主，其中刘姓长字辈、汪姓绪字辈的以五六十岁的中老年人居多。有村民在企查查APP上输入“刘长”二字，发现大量村民的工商注册信息。,ag在线真人,仲博手机客户端安卓,bb新体育官网。

  时事2：九游会网址多少九游会网址

  12月21日,从谢家坝到华家口 解码大运河河北段的水工智慧,李公正强调，科技赋能正在深刻变革融资租赁业务模式。未来企业竞争力将取决于系统智能化融合能力、产业场景专业化能力和跨生态协同能力三大要素，行业应该积极拥抱数字化转型浪潮。,365bet在线注册技巧,365bet体育电脑版,梅花报。

  12月21日,下足“绣花”功夫托起民生“温度” 行之有效实招促民增收为城市消费注入活力,9位发言人中，有7位都曾担任过驻外大使，还有两位曾在媒体任职。,环球国际开户,币游下载网址,mg摆脱70万大奖视频。

  时事3：星际扑克下载

  12月21日,海南自贸港“全岛封关”如何运作？一文了解,2025年1月，黄金还在2614美元盎司左右。今年黄金年内涨幅接近70%，势将创下1979年以来的最大年度涨幅。然而，在摩根大通分析师看来，金价未来一年仍有逾10%的上涨空间。,尊龙在哪注册,开云体育,葡京游戏平台登录。

  12月21日,河北秦皇岛智慧消防产业集群年销售近40亿元,“经历了2023-2025连续三年价格下跌，企业财务恶化，盈利预期下滑，导致国内外锂矿公司大幅降低资本开支。”天风证券（维权）指出，未来再新增资本开支，需要有足够高的价格或盈利才行，而上一轮存活下来的玩家扩张会更为谨慎。,亿博在线开户,天博平台网址是多少,世界杯彩票怎么购买。

  时事4：果博开户网址

  12月21日,中新健康丨甲型H3N2高发！儿童这些症状要注意,要增强中欧班列大通道功能，促进沿线产业发展，特别是推动重点园区建设，营造良好产业生态；,金沙网站是什么,足球体育比分皇冠,im体育平台开户。

  12月21日,元旦假期武汉120余项活动掀文旅热潮,23时30分，违规内容的传播达到高峰，不少用户称，部分违规直播间的观看人数突破万人，越来越多用户选择向警方报案。至23日0时30分左右，北京市公安局海淀分局已接到多个相关群众报案，正针对事件情况展开了解。,顶尖博彩,胜负彩比分网,银河娱乐地址。