猫眼电影记者 陈泳 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1：12博网站

  12月29日,中方介绍法国总统马克龙访华安排,——扩大旅游领域合作，为提升中俄游客互访量创造良好条件，推动跨境旅游发展，共同落实2000年2月29日签署的《中华人民共和国政府和俄罗斯联邦政府关于互免团体旅游签证的协定》，加快协定修订谈判。,银河游戏平台。

  12月29日,建设三大中心，天津“十五五”打出“别样”金融牌,今日，市场交投活跃，4只A500ETF成交额均超过100亿元。,澳门新银河手机娱乐,国际娱乐真人秀,尊龙官方平台。

  时事2：金沙游戏大全

  12月29日,头发开叉其实是种病！3步就能改善,在梁启东看来，对于山东和辽宁来说，都需要跳出地域限制，克服“半岛意识”，打通直连跨海通道，打开面向东北亚的发展空间。山东和辽宁，位置相邻，发展互补性强，在东北全面振兴战略中，两地加强全面合作，可以迎来更多机遇。,365体育网址大全,最新休乐炸金花安卓版下载地址,ManBetX万博体育下载。

  12月29日,寒冬踏雪送健康 西藏军区总医院赴那曲开展巡诊服务,姚广长期在外交部工作，担任过外交部副部长，曾是中国驻加拿大大使、驻法国大使。,ope足球,金沙下注官,澳门金沙网址下载。

  时事3：PG电子游戏快速注册

  12月29日,中国秋粮收购超2亿吨 为近年同期最高水平,“当地城市的年轻人基本人手一台智能手机。”2017年6月，初到刚果（金），彭昌国就在表姐位于刚果（金）第二大城市卢本巴希的手机档口帮忙。当时，在刚果（金）的大城市中，智能手机已经比较常见。,365bet平台客户端,365bet体育手机app,彩天下。

  12月29日,广西南宁吴圩国际机场第二跑道正式投运,三是投资者心态波动风险，若产品波动控制不佳，可能引发投资者“用脚投票”，需通过陪伴式服务、信息披露、模型工具等方式应对，高度警惕市场风险演变为收益风险与流动性风险的极端情形，监管也已对利率反转风险高度关注。,正版星力电玩,千赢网站多少,PG电子游戏赌场网站。

  时事4：世界杯怎么买球彩票

  12月29日,整治网络乱象 应急管理部发布涉灾谣言陷阱识别方法,双方对日本向海洋排放福岛核污染水表示严重关切，要求日本以负责任方式安全处置福岛核污染水，接受严格国际监测，尊重有关国家开展独立监测的要求。,网上ag电玩城游戏大厅,开丰娱乐,bodog博狗。

  12月29日,中共中央组织部下发通知要求在元旦春节期间开展走访慰问生活困难党员、老党员、老干部活动,该行表示，公司2026财年第三财季销售额下降符合管理层预期，和第二季相当，该行相信线下门店客流量依然受压，12月需求疲弱持续。其主要品牌耐克表示，中国的重置需要时间，滔搏和耐克紧密合作构建长期增长基础。该行相信这将转变为对滔搏的持续支持，形式包括：批发折扣及库存回购。,立博体育官网的网址,bwin手机APP,hth华体会全站APP。