猫眼电影记者 李学仕 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：看四张牌抢庄的牛牛怎么玩

  12月28日,日本“继承和发展村山谈话会”举行记者会 有识之士强烈要求高市早苗撤回错误言论,西部地区在维护国家生态安全、水安全、能源资源安全、国防边境安全方面具有重要战略地位。,冠亚体育官网下载。

  12月28日,500平方米城市冰场亮相上海陆家嘴 为市民打造沉浸式冬日体验,与此同时，为着力破解“产业不连片、工业不成带”，大项目找不到落脚点难题，佛山不断拓展产业空间、重塑产业格局，把工业用地规模由350平方公里调整为450平方公里，并举全市之力建设佛北战新产业园和“双十园区”。,云开体育app官方下载,188篮球比分平台,线上现金平台。

  时事2：世界杯投注软件暂投

  12月28日,克重缩水，量贩零食店“算盘”打向何方？,中方敦促日方从双边经贸关系大局出发，及时纠正错误做法，共同维护全球产业链供应链稳定，中方将采取必要措施，坚决维护企业正当权益。,在线玩的斗牛,贪玩娱乐斗地主,传奇电子游戏跳高高。

  12月28日,蓝毗尼佛教大学环喜马拉雅文化研究院揭牌成立,据日本东北放送电视台3月1日报道，2月28日晚间日本自卫队在位于日本宫城县内的废弃物处理场内处理废弃子弹时，发生了废弹破裂事故。目前警方正在调查因此造成的损失情况。,天博手机网站官网,亚搏体育客户端,y6体育。

  时事3：beat365亚洲手机平台

  12月28日,广西南宁吴圩国际机场第二跑道正式投运,“这个事情，从县委县政府到镇党委和政府，都非常重视。当时是什么人、什么原因、什么目的（做的这个事），给群众造成了什么影响，肯定要查个水落石出，给老百姓一个交代。”,百老汇登录,m6米乐官方登录入口,网上买彩票正规。

  12月28日,公交车变寻亲信息栏 重庆一公交线路张贴失踪儿童信息助寻亲,从国际对比角度看，中国并没有创造过多的金融资产。中国与发达国家的区别在于金融资产中的权益类资产少，债权类资产多。中国的家庭部门并没有持有过多的金融资产。,老葡京登录网站,tt336,澳门金沙城官方网站黄。

  时事4：申博网页版

  12月28日,国际滑联花样滑冰大奖赛总决赛：中国队包揽青年组双人滑冠亚军,此后，靳东多次利用职务便利，在项目承揽、项目实施、国有资源经营权承包等事项中为商人老板谋取利益并收受好处。2012年下半年，时任若尔盖县委副书记、县政府县长的靳东收下了项目承建商李某某用黑色旅行包送上的“水果”——100万元现金，这是他单笔受贿金额最大的一次。他把这个旅行包放在卧室的床下，陆续用于炒股、购车和个人日常开支。,365bet手机网站,奥博真人国际注册,尊龙人生就是博旗舰厅。

  12月28日,非洲留学生在蓉体验传统技艺 “沉浸式”感受文化脉动,中国煤矿文工团成立于1947年东北解放区，是国家级艺术院团中历史最悠久的单位之一。2005年，加挂了“中国安全生产艺术团”的牌子。2018年9月，转隶到文化和旅游部。,专业棋牌测评网,cq9电子游戏平台,宝马会备用网址。