猫眼电影记者 朱少伟 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：在线体育投注平台

  12月24日,青海尖扎：大天鹅“点缀”黄河冬韵,其二，金融主权意识增强的背景下央行黄金储备也出现了动态平衡。近年来的一个显著趋势是“黄金回家”。例如，德国从2013年起耗时四年从纽约和巴黎运回674吨黄金。印度、匈牙利、土耳其等国家近几年也开始将存在海外的黄金运回国内。这背后主要的驱动因素除了地缘政治的不确定性上升，也有各国金融主权意识的增强。,世界杯买球appga68殿me。

  12月24日,安徽省人大常委会教育科学文化卫生工委主任叶露中被查,此次 “向太空进发” 任务搭载 8 个已登记载荷，含 5 颗小型卫星，服务对象未对外披露。,网上现金手机版下载,火狐体育官方平台下载,在哪买球世界杯。

  时事2：万博maxbextx手机

  12月24日,微视频丨以文化赋能经济社会发展,同日，外交部发言人林剑在例行记者会上强调，这起调查是典型的保护主义行为，无视客观事实，罔顾世贸规则，违背历史潮流，只会损人害己。,fun88官网客服,宝马会开户,博狗博狗在线。

  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”,这次放宽年龄并不是延迟退休，而是退休返聘。不仅可以领取退休金，享受国家提供的养老保障，同时还有机会继续工作并获得工资收入。,快乐赚官网,泛雅平台网址入口,抢庄牛牛下载排行。

  时事3：od娱乐

  12月24日,金观平：积极有为的宏观政策有力有效,而且1月的资金面状态，最能体现央行态度变化。例如2021年初防空转、2023年初疫情形势好转、2025年初经济好转叠加央行关注债市收益率变化，资金面收敛最为显著。,必威官网多少,乐天堂官网,今天世界杯投注数据。

  12月24日,“技能照亮前程”中国职协青海行活动启动,孔杰：男，1975年12月出生。2018年4月加入国任保险，先后任国任保险湖南分公司党委书记、总经理，国任保险贵州分公司党委书记等职务。2025年5月27日起任总裁助理。曾任阳光财险湖南省分公司总经理助理、西藏分公司副总经理（主持工作）、湖南省分公司副总经理。,ASIA GAMEING,宝金博188网址是多少,新百老汇。

  时事4：历届世界杯用球在哪买

  12月24日,全国残特奥会广西代表团授旗出征,天齐锂业董事长蒋安琪则在中国国际锂业大会上指出，“受益于可再生能源并网需求、商用重卡等电动化设备增速迅猛，储能领域和动力电池对基础锂材料的需求持续上涨，2026年全球锂需求量预计将达到200万吨碳酸锂当量，基本达到供需平衡，为产业发展筑牢了根基。”,和记娱乐体育APP,澳门线上真人app大全,大红鹰注册。

  12月24日,各地多措并举促进新消费,昨天，华北、黄淮等地的高温过程仍处于鼎盛阶段，据实况监测显示，陕西中北部、山西中南部、河北中南部、天津中部、山东中西部、河南大部、苏皖北部、湖北中部、湖南西北部等地部分地区出现35~39℃高温天气，陕西关中、山西南部、河北南部、山东西部、河南北部局地40~43.4℃，山西、山东、河南、河北有14个国家气象观测站日最高气温突破建站以来历史极值。,E世博app最新版,AG亚洲登陆,美高梅手机版下载。