猫眼电影记者 黄欣 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：韦德体育开户

  12月24日,12月9日“农产品批发价格200指数”比昨天下降0.05个点,“战区”栏目称，虽然目前还不清楚J号物体是什么，以及中国可重复使用的太空飞行器用它做了什么，但如果LeoLabs的数据是准确的，它将指出后者具有重要的机动能力，可以主动接近轨道上的其他物体并与之“互动”。,球探体育客户端。

  12月24日,香港特区政府介绍火灾搜救安置等最新进展,有效利用披露的购金数据，需要注意两个关键点，一是IMF申报数据的滞后性，二是非LBMA渠道购买的数据“黑箱”。,PG麻将胡了2,007球探网足球即时比分手机,万博导航。

  时事2：非凡娱乐

  12月24日,东北铁路首次推出15日旅游计次票 一次购票玩转黑吉辽冰雪胜地,据央视新闻消息，2024年5月16日，江苏省无锡市中级人民法院一审公开开庭审理了山东省青岛市政协原党组书记、主席汲斌昌受贿一案。,鸭脖体育娱乐地址,AG作假,世界杯可以在那投注。

  12月24日,交通运输部详解“三个转向”：勾勒“十五五”高质量发展新路径,数据显示，一季度，温州、徐州、大连、唐山GDP分别为2152.2亿元、2118.35亿元、2103.5亿元、2006.5亿元，同比分别增长6.1%、6.9%、5.8%、6.6%。相比去年一季度，四座城市GDP增量分别达到123.1亿元、102.1亿元、70.6亿元、76.1亿元。,英皇体育网页版,bet体育手机app,威尼斯娱乐。

  时事3：新宝6唯一官方网站登录

  12月24日,美国芝加哥发生枪击 3人受伤,近两年，中国医药内部持续开展反腐工作，上市公司及下属公司被查的高管、原高管数量多达10多位，但本次被查的高渝文的职级最高，在位时间约3年。,斗牛赢钱公式原理,菲律宾亚星国际注册,环球网投。

  12月24日,河南：中医治疗“智能化” 艾灸机器人、按摩机器人“上岗”,常年打球的张先生告诉《环球时报》记者：“在郑钦文夺冠前的这几年，网球运动在大众层面一直是向上走的态势，加入网球运动行列中的人不断增多。”张先生分析，这也许跟网球是隔网运动有关，因此在疫情期间受到欢迎。,扑克牌二八杠怎么能赢,bet足球,ag真人游戏官网。

  时事4：巴黎澳门人线上平台

  12月24日,西安民俗艺人巧手捏出新春元素,而且，此前公司为了拓展医药商业板块进行的多笔并购，留下了商誉风险——2024年，中国医药针对通用技术辽宁医药有限公司计提商誉减值损失约1.28亿元；截至今年前三季度，中国医药的商誉余额为9.96亿元，作为对比，公司去年归母净利润为5.35亿元。,开元棋游戏88,安博视讯官网下载,斗牛必赢战术。

  12月24日,杂技与国乐同台对话 《国风雅韵·奇技华章》在京上演,去年上半年实现扭亏为盈的全聚德在财报中称，2024年餐饮业持续回暖向好，消费活力有望进一步释放。公司餐饮门店春节期间收入同比增长 32.6%，接待消费者28.7 万人次，同比增长 27%。线上线下业务融合发展，共同满足消费者多场景、多元化、高品质消费需求。,澳门百老汇注册开户,新濠天地注册网址,188体育在线注册。