猫眼电影记者 德田球一 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：手机斗地主

  12月26日,吉林中部城市引松供水工程正式投运,极目新闻记者查询发现，在重庆市甘肃商会的微信公众号中，今年1月曾发布了《[新任理事介绍]商会理事——赵菊英》的信息。其中介绍，赵菊英是泸州盛夏之光文化传媒有限责任公司总经理，籍贯是甘肃省嘉峪关市。该页面的照片显示，这个理事赵菊英与社交媒体“赵菊英家庭教育”中的赵菊英是同一人。文章介绍称，泸州盛夏之光文化传媒有限责任公司植根于山城重庆。,bet皇冠足球体育。

  12月26日,北京通州站将于12月30日开通投运,5月16日下午，国家主席习近平和俄罗斯总统普京在北京国家大剧院共同出席“中俄文化年”开幕式暨庆祝中俄建交75周年专场音乐会并致辞。,千赢国际登录,足球外围盘口网,百家乐买球。

  时事2：线上美高梅

  12月26日,中方再谈乌克兰危机：始终致力于停火止战，劝和促谈,黄建生告诉记者，自己也是刘院村人，其任村支书期间，“上级政府从没有安排注册个体工商户的工作；我作为村支书从没拿老百姓的身份去工商部门做这样的事；我也从来没有安排下属或干部去办这个事儿。”,视频网站直播世界杯,365bet体育手机版,直接登录百老汇。

  12月26日,巴西东北部车祸致10死1伤,真的会有吗？谁也没有答案。中国足球始终处在寻找奇迹的道路上，但奇迹一次次离我们远去……,体育彩票bobapp,AG游艺城,申搏官方游戏。

  时事3：免费斗牛牛软件

  12月26日,2026年冬奥会冰壶项目资格赛：中国男子冰壶队击败菲律宾队,（1）12月26日美元兑人民币中间价7.0358，对应日内贬值2%上限点位7.1765，日内升值2%下限点位6.8951；,真人版炸金花,分分彩网站有哪些,ag8游戏登录。

  12月26日,广东深圳：“马丁·帕尔：简明扼要”摄影展吸引参观者,今年4月2日，中央纪委国家监委网站通报：江西省政协党组书记、主席唐一军涉嫌严重违纪违法，目前正接受中央纪委国家监委纪律审查和监察调查。,188体育外围注册网址,创富C,博彩怎么下载。

  时事4：爱游戏体育网页

  12月26日,海南省委统战部部务会（扩大）会议传达学习习近平总书记重要讲话精神 研究贯彻落实措施,拉夫尔投资专家杰玛・凯恩斯 - 史密斯表示：“尽管美国在前沿人工智能领域仍处于领先地位，但中国正迅速缩小差距。美国科技企业的竞争护城河或许并不像许多人想象的那般宽广深厚…… 行业竞争格局正在发生转变。”,365外围App下载,皇冠信用盘如何开户,英亚体育官方网。

  12月26日,“税”获选马来西亚年度汉字,但是，非洲市场的营收占比却从超过40%，下降至不足30%。其中虽有转向其他新兴市场的因素，但传音在非洲市场正在遭遇挑战已是客观事实。这种挑战直接体现在传音的财务报表上。,打鱼1000炮,乐鱼电竞官网入口,门银河平台有哪几个。