猫眼电影记者 王莎 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1：九游会

  12月24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,经研究，聘任李建红、吴献东、吕波、李树雷为中国船舶集团有限公司外部董事，燕桦不再担任中国船舶集团有限公司外部董事职务。,足彩网上投注官网。

  12月24日,应对甲流，不止囤药：每天13元，让医生持续守护家人,20日，外交部发言人汪文斌主持例行记者会。有记者提问称，华盛顿智库战略与国际问题研究中心发布的一份报告显示，中国重新使用一个自2018年以来停用的科研站，此举引起澳大利亚和其他西方国家对中国可能用于监视的担忧。中方对此有何回应？,亚新体育官网登录,火狐体育官网在线登录,188篮球比分注册。

  时事2：波胆比分预测app

  12月24日,中国驻墨西哥使馆对美方抹黑中国出口商品言论表示强烈不满,在无人机业务中，我们做了很多赋能。比如电池电量监控、飞行路线规划、空域管制政策等，都需要输入大模型。再以小例子说明，为轮船接入全息网后，可监测航线是否有海盗出没——这些都是重大风险点，靠人力难以解决，必须通过系统内外部数据对接来实现。这是我们系统设计的亮点。,江南game网站,排球比分即时比分,365bet网球比分。

  12月24日,（乡村行·看振兴）统战助力 江西玉山“橙”就富民路,当地时间8月29日，巴黎残奥会首个比赛日。在伊夫林省圣康坦自行车馆，中国队选手李樟煜上演了一场“速度与激情”。男子C1级3000米个人追逐赛资格赛，他以3：31.338的成绩刷新该项目世界纪录。决赛中，李樟煜状态火热，夺得金牌，这也是中国体育代表团在本届残奥会上获得的首枚金牌。另一位中国队选手梁伟聪摘得银牌，恭喜中国队包揽该项目金银牌！,下载开元app下载不了,葡京快速充值最佳平台,永利皇宫会员注册登录。

  时事3：乐鱼入口登录

  12月24日,香港大埔火灾：100个失联个案被界定为 “无法追查”,适度超前也有面向未来的考量。李瀚明表示，最近几年，国内长途旅行取代了一部分出国游的需求。西北是国内长途旅行的主要目的地之一，新疆、青甘大环线等热度居高不下。西北遥远，高铁也不发达，更依赖民航运输。此外，西安和乌鲁木齐还有建设国际航空枢纽的需要。,AOA在哪注册,优德体育登录页面,银河信誉平台。

  12月24日,粤港澳大湾区（广东）—东盟体育联盟2025年会议在广州举办,8月14日，威海君乐轮胎“年产220万条高性能全钢胎扩建项目”，完成备案。,世界杯投注玩法,银河棋牌游戏平台,世界杯购买足彩7比1。

  时事4：马经六合皇

  12月24日,从翻台账到秒查询 呼和浩特网格员绘方寸地图藏民生答卷,靳东在“围猎”中丧失了应有的原则和底线，党的十八大后仍然“顶风作案”，情节严重、性质恶劣。,凯发娱乐首页,国际音标发音口型真人,世界杯怎么买球_百度经验。

  12月24日,中国房地产业信用指数连续3个月呈环比上升态势,近日获批的深圳理工大学、佛山大学、肇庆医学院、金华职业技术大学等等，正是国家层面支持与当地努力的成果体现。,鸿博app是真的吗,亚美体育登陆入口,注册彩票送12元。