猫眼电影记者 徐纪平 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1：万博休体育还能玩吗

  12月28日,专访东盟贸促会会长：3.0时代，中国与东盟合作如何开新局？,泰国主帅石井正忠赛后表示本场比赛只拿到平局，自己负全部责任。随后中国队的赛后新闻发布会，有记者转述泰国队主帅的言论，问伊万为这个平局负多少责任？由于该记者还提问了第二个关于变阵双中锋的问题，伊万跳过责任的提问转而回答第二个问题，但现场媒体并不满意，集体追问伊万自己应该承担多少责任。老头多少显得有些尴尬，只能无奈说道，“作为职业教练，任何结果都要负责。”,线上开户平台。

  12月28日,华晨宇：我想做一个真正的“音乐乌托邦”,高盛发布研报称，维持商汤-W（00020）“买入”评级，12个月目标价3.53港元。公司生成式AI在2025年上半年收入占比达到77%，主要由私有/公共云和AI项目推动，高盛预计到2030年，集团生成式AI的收入贡献将达到91%。,金澳门葡金,十大买球平台排行榜,世界杯足球买球网。

  时事2：排行榜网络游戏

  12月28日,（乡村行·看振兴）从“粮袋子”到“钱袋子” 山西繁峙绘就乡村振兴新图景,而EpicPharma（美国仿制药业务）受美国仿制药市场竞争白热化、原料药成本上升及中美贸易关税等因素影响，该子公司持续亏损，成为公司的业绩“拖累”。2025年中报显示，国际业务营收下滑明显，且毛利率受压。至于其他国内子公司，武汉人福、北京医疗等子公司部分产品受集采未中标或降价影响，销售收入出现不同程度下滑。,大红鹰注册,环亚下载地址,世界杯投注正规吗。

  12月28日,第18届WTO法与中国论坛在昆明召开,他转发了赫什的报告链接，并介绍赫什是一名“因揭露越南美莱大屠杀而获得普利策奖的记者，还曾报道过有关水门事件和阿布格莱布监狱事件”。,永利体育体育下载,澳博国际app网址,竞博jbo官网。

  时事3：欧博官网

  12月28日,6000多个新优奇特品种亮相广东种业博览会,一位在湘菜、粤菜品牌都工作过的资深餐饮人士和记者谈及了他的观察：“今年高端餐饮不差，因为高端商务宴请还是较多的，被挤压的主要是中间档位的品牌，一些消费者可能会用大众餐饮品牌来作为替代品。”,365注册官网,大赢家体育首页,联众斗地主电脑版。

  12月28日,外交部：中方坚决反对日方为军国主义招魂,汪绪金有三个女儿，均已外嫁。2019年，汪绪金摔断了腿，也做了手术，几乎完全丧失了劳动能力。大女儿汪文燕回忆，父母身体不好，无人照顾，加上父母没有兄弟，村组长建议借助精准扶贫项目为汪绪金夫妇申请低保，“资料提交上去后，县里的部门又说，我名下有营业执照。意思是我家情况还不错，不给办。”汪文燕说。,皇冠新现金网最新版,足球现金网365,yabo22vip登陆。

  时事4：银河最新版APP

  12月28日,改革者 正青春｜这条“黄金通道”凭啥让人流口水？,在专访中，斯托尔滕贝格谈及了乌克兰反攻，乌克兰加入北约等议题。斯托尔滕贝格表示，所有北约成员国都同意乌克兰将成为成员国，“所有盟友都同意乌克兰有权选择自己的道路，所有盟友都同意北约的门保持打开状态”。但斯托尔滕贝格也明确指出，他无法给出乌克兰加入北约的日期，因为乌克兰加入北约的前提是“乌克兰作为主权国家赢得冲突”。,mg试玩,沙巴体育直播足球,凯时66网址。

  12月28日,克宫：暂无普京与特朗普新年之前会晤的消息,针对外媒炒作的太空军事化问题，我外交部，国防部有过多次回应。外交部发言人赵立坚19日表示，美方应采取负责任的外空行为，停止推进外空军事化武器化进程，切实承担起维护外空和平与安全的应有责任。,bsport体育在线App,m6vip米乐首页,赌博类手机游戏。