猫眼电影记者 翁淑珍 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：AG棋牌网页版

  12月29日,中国、瑞典医学专家团队携手发布全球首个《婴儿前庭功能筛查国际专家共识》,3.0定价为每月29.9至1599元人民币。同时亦为企业提供按项目收费的定制化解决方案。,银河误乐城的网址。

  12月29日,2025年北京大兴国际机场口岸出入境人员超580万人次,3、经济表现超预期：经济如果超预期回升，可能意味着资金放松的必要性降低，可能导致流动性进一步收紧。,bet体育足球,金陵唐人游,正规mg官方网。

  时事2：jxf体育手机登录

  12月29日,（乡村行·看振兴）广西农民廖其智转型记：从掌勺大厨到“掌数据”新农人,“这个事情，从县委县政府到镇党委和政府，都非常重视。当时是什么人、什么原因、什么目的（做的这个事），给群众造成了什么影响，肯定要查个水落石出，给老百姓一个交代。”,博亚体育,澳门皇冠有没有app,微乐辽宁棋牌大全。

  12月29日,“铜鼓杯”第一届广西气排球超级联赛（南部赛区）开赛,普京在接受新华社采访时提到，“正是两国战略伙伴关系前所未有的高水平，让我决定选择中国作为我正式就任俄罗斯联邦总统后第一个出访的国家。”,吉祥体育手机官网,万博体育平台怎么了,BCKbet平台跑路了。

  时事3：ballbet贝博登陆

  12月29日,沪宁合高速铁路南京枢纽项目建设迎新进展,在日本社会中，对文身的宽容程度一直很低，虽然《公众浴场法》中没有规定，但日本绝大多数温泉、大型公共浴场，都谢绝接待有文身的顾客，尽管由于这种习惯“劝退”了很多西方国家游客，一定程度上影响了旅游收入并引起了外方不满，但却仍然作为行业普遍做法延续至今。,bobAPP官网,千赢在线网站下载,云顶娱乐平台网页版登录。

  12月29日,我国电力系统稳定运行再添“关键钥匙”,此外，国际贸易业务疲软也加剧了公司的业绩压力。今年上半年，中国医药的国际贸易业务实现营业收入22.64亿元，同比减少近20%。公司表示，这与国产替代政策影响有关。,世界杯投注竞彩在哪里,ag亚洲游戏集团直达,365体育网安卓版。

  时事4：新宝在线下载安装

  12月29日,突发强震后 日本首次发布“北海道·三陆沿海续发地震注意情报”,虽然繁琐辛苦，但在政府补贴和“多囤点地”的激励下，村民们的造林积极性很高。到2000年，柴达木嘎查2万多亩的造林工程分批次顺利完成，树木存活率普遍在85%以上。整个通辽也在这时候完成了生态的逆转。2003年，中科院沙漠化土地空间分布遥感监测显示，“三北防护林”工程实施以来，科尔沁沙地在通辽市范围内的沙漠化面积已减少了1200万亩，在全国四大沙地中，科尔沁沙地唯一出现了治理大于沙化的总体良性逆转。,新六合精选C,乐动体育网页端,bet体育在线官网登录。

  12月29日,聚焦AI时代网络安全新挑战 周鸿祎：用AI对抗AI,对于即将在西安召开的“中国-中亚”峰会，中亚国家表态积极，而俄罗斯表示认可。,赌片系列,9822金沙欢迎你,趣博论坛网站。