猫眼电影记者 贾静称 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：澳门皇冠手机在线登录

  12月28日,澳大利亚邦迪海滩枪击事件已致10人死亡 总理发声,新疆维吾尔自治区党委书记马兴瑞、自治区主席艾尔肯·吐尼亚孜也会见了国泰集团行政总裁林绍波一行。,欢乐牛牛下载。

  12月28日,成都：非洲青年走进“印象中的中国” 亲身体验发展脉动,据国际网球联合会发布的《2021年全球网球报告》，2021年全球参与网球运动的人口有8718万人，中国以1992万人成为全球网球参与人数排名第二的国家，仅次于美国，占全球总网球人口的22.9%。同时，中国网球场的数量也为全球第二，达49767个。网球教练则以11350人位居全球第五。,K8凯发注册送18,090论坛,必赢亚洲网页手机登陆。

  时事2：威廉希尔体育公司官网

  12月28日,企业做公益不难，难的是坚持,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。,九州视频发布平台,手机买球推荐,火狐苹果版。

  12月28日,“创新服务+金融活水”双轮驱动 点燃“冰雪经济”热引擎,事故迅速传导至资本市场，12月23日快手股价盘中一度下探超5.7%，较前一交易日蒸发约164亿港元。截至今日收盘，快手报64.35港元/股，跌幅3.52%，总市值2779亿港元。,凯时在哪里玩,沙巴体育登录在线,麻将大三元。

  时事3：金沙直营厅

  12月28日,预计“十五五”时期，全国小微型客车短租市场规模年均增长15%左右,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。,永利体育竞彩官网,火狐全站APP,猎人国际真人cs比赛。

  12月28日,关注俄乌冲突：俄称控制两居民点 乌称打击俄军目标,投行布朗兄弟哈里曼（Brown Brothers Harriman & Co）全球货币策略主管文•森（Win Thin）对《财经》表示，重要的是，美国通胀的上行风险似乎有所减弱，这支持了联邦基金期货市场对明年降息50个基点的预期。,彩票668网,yabo22vip快速开户,新百胜靠谱么。

  时事4：365体育官方网站

  12月28日,2025“丝路心相通”中柬友好交流活动在金边举行,分行业看，广东全省在产工业行业大类增长面66.7%。重点行业中，计算机、通信和其他电子设备制造业增加值增长18.2%，电气机械和器材制造业增加值增长2.2%，石油、煤炭及其他燃料加工业增加值增长26.1%，化学原料和化学制品制造业增加值增长5.4%，电力、热力生产和供应业增加值增长8.2%。分产品看，新能源汽车、智能手机、集成电路产量分别增长13.9%、32.6%、42.8%。,RG富游,世界杯买球app进ab82*net,永乐国际平台官网。

  12月28日,百年小河沿早市用烟火气绘就文旅交融“活场景”,楼春豪分析表示，尽管印度试图通过“经济脱钩”削弱对中国的依赖，但中印在经贸领域的相互依存关系是不可忽视的。从长远看，两国应共同努力扩大合作，“做大蛋糕”， 而非以零和心态看待两国制造业等方面的关系。,单机炸金花免费版,银河国际网址 官方网站,火狐体育手机版官网。