猫眼电影记者 金神 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：金博宝app

  12月21日,“见人”与“见物”相统一 河南探索壮大民营经济新路径,刘院村多山丘，人多地少，农业种植难以满足生存需求。刘一鸣说，2005年土地确权时，他们兄弟三家15口人一共仅有几分地，个体经营更是无从谈起。,188bet网页版。

  12月21日,一城山水一城韵 宁夏银川文旅活力满格,两名欧洲议会消息人士分别对法新社透露，泽连斯基很有可能在2月9日出席议会特别会议并发表演讲。乌克兰政府官员披露，泽连斯基将在布鲁塞尔要求加大军援力度。,世界杯竞彩投注比例,贝博ball登录入口,银河在线app下载。

  时事2：奇亿娱乐app下载

  12月21日,香港特区政府29日下午召开记者会宣布，此前被列入大埔宏福苑火灾失踪名单的人士中，已确认144人安全无恙。,此外，高管团队中还有两位“80”后，今年职务未出现变动，分别为审计责任人、首席风险官卞树涛；总精算师王帆。,电子竞技哪里能押注,澳门十三第娱乐场网站,炸金花单机版。

  12月21日,拓市场优服务筑防线 浙江贸促赋能高水平对外开放,底特律讯 —— 美国汽车行业的纯电动汽车赛道，正式迈入‘理性时代’。,全盛棋牌开心抢庄拼牛,巴黎人app登录,国际免费真人直播软件。

  时事3：bet36体育在线备用

  12月21日,中国侵入式脑机接口技术连续造福患者的背后：抱以希望、审慎看待,这种向数据中心的倾斜不仅仅是资金流向的变化，更是商业地产投资性质的根本性转变。传统上，写字楼、公寓和购物中心被视为多元化且稳定的资产，能够对冲科技行业的波动。在2000年至2002年的科技股抛售潮中，尽管纳斯达克指数暴跌近80%，但商业地产价值基本持平或仅小幅下跌。如今，这种脱钩关系已不复存在。,天博游戏体育,全民疯狂斗地主官网,百家乐刷流水。

  12月21日,西藏拉萨妇女盛装迎接“仙女节”,中亚五国是中国的西部近邻，其中三个国家与中国接壤——哈萨克斯坦、吉尔吉斯斯坦、塔吉克斯坦，这三国与中国的边境线长达3000多公里。中亚地区的稳定，对于维护中国国内特别是西北地区的稳定至关重要。,澳门世界杯下注平台,现金在线注册,9州娱乐。

  时事4：网上购彩票网站官网

  12月21日,莫高窟特窟“空降”北京时代美术馆 新媒体作品带观众思考人生,张先生说，因为网球人群的增多，网球运动关联经济也更加活跃。球衣、球袜、球包以及打球的各种装备和周边产品，包括网球训练课都在走俏。比赛数量的增加，更是提升了各地运动场馆的利用率。,ku游app安卓下载,星速app下载安装免费版,世界杯投注365逾3khcc。

  12月21日,日本学者：高市错误言论偏离和平路线 危害国际秩序,在加入国任保险之前，邓可的职业生涯长期在阳光保险集团度过，积累了从地方到总部、从前线销售到后台运营的全面经验。,德国世界杯买球,可以炸金花赚钱的软件,MG真人登录。