猫眼电影记者 莫耶斯 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：体育彩票app

  12月27日,航拍陕西秦岭雪后美景,“当地城市的年轻人基本人手一台智能手机。”2017年6月，初到刚果（金），彭昌国就在表姐位于刚果（金）第二大城市卢本巴希的手机档口帮忙。当时，在刚果（金）的大城市中，智能手机已经比较常见。,世界杯投注渠道。

  12月27日,京东宣布追加超过3000万元物资，保障香港大埔火灾后民生所需,决定书显示，邢雅江因涉嫌犯罪于2024年4月至7月被公安机关取保候审，邢雅江作为金花企业(集团)股份有限公司董事长，未及时将前述事项报告金花股份（维权），并及时履行信息披露义务。直至2024年8月24日，金花股份才对外披露相关事项。,爱游戏体育官方平台,万赢娱乐官网,亚星手机登录版。

  时事2：百家乐在哪注册

  12月27日,习言道｜不断巩固拓展经济稳中向好势头,宝马集团董事长齐普策表示，欧委会对中国电动汽车加征关税是错误的决策，加征关税将会阻碍欧洲车企的发展，同时也会损害欧洲自身利益。“贸易保护主义势必引发连锁反应：以关税回应关税，以孤立取代合作。对宝马集团来说，类似增加进口关税这样的保护主义措施，无法帮助企业提升全球竞争力。”,金鼎国际广场,焦点娱乐,开元棋牌赌场网站。

  12月27日,“儿童康复万里行”项目跨越六省惠及近2000名特殊儿童,从季节性观察，1月第二周流动性开始收敛，关键是资金利率上行斜率和非银分层情况。从近期央行表述看，货币政策精准盯市、熨平波动、配合财政、稳定债市的诉求较强，明年1月央行引导资金收敛的诉求显著弱于2021、2023和2025，因此我们认为1月央行可能加大国债买卖力度以及降准，降息的可能性也不低。,大发888在线试玩,k1体育下载导航最新版,开元牛牛棋牌网站。

  时事3：MG电子官方网站

  12月27日,雪落山西 世界文化遗产披上“冬装”,《日经亚洲》上周首先报道了北约计划在东京开设联络处的消息，报道称，该联络处将能为北约与日本、韩国、澳大利亚、新西兰等地区主要伙伴进行定期磋商提供条件。参与协调的北约国家驻日大使声称，此举将不仅是象征性的。《日经亚洲》提到，其背景在于，除了传统关注的俄罗斯以外，中国也成为了北约的“新挑战”。,世界杯投注怎么买,365bet体育注册开户,万博maxbetx最新官网。

  12月27日,香港各处悼念火灾罹难者 民众：这几晚都湿着眼睛入睡,证券日报网讯 12月23日，华斯股份在互动平台回答投资者提问时表示，截至12月20日的股东人数为24710户。,万豪游戏平台,游戏网站,银河信誉平台。

  时事4：果博买球

  12月27日,中国人民抗日战争纪念馆举行南京大屠杀死难者国家公祭日同步悼念活动,双方坚决推动以世界贸易组织规则为基础的开放、透明、包容、非歧视的多边贸易体制。双方愿加强在世贸组织框架下的合作，推进包括恢复争端解决机制正常运转在内的世贸组织改革，推动世贸组织第13届部长级会议成果落实。双方反对将包括贸易、金融、能源和交通运输领域多边组织工作在内的国际经济关系政治化，这将导致全球贸易碎片化、保护主义及恶性竞争。,金沙电玩城娱乐,博狗体育下载,金沙平台大厅。

  12月27日,中国滑雪登山高水平选手吉林集结展实力,不过眼下，郑州正借势郑州比亚迪工厂、郑州上汽乘用车二期等项目，逐步将新能源汽车培育成下一个引擎。不论对工业经济增长，还是外贸发展而言，新能源汽车产业都将成为郑州“转身”的一个关键变量。,必赢亚洲全网站下载,伟德网投,体育彩票投注站申请。