猫眼电影记者 姚元洪 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：澳博官网

  12月25日,青藏高原第一块茶田：雪山脚下，茶园飘香,第二，产业场景的专业化能力，正如几位嘉宾所说，人才重要，但专业能力需长期积累，像谢总在行业深耕十几年才成为专家；,口袋平台app。

  12月25日,今年前11个月 我国货物贸易进出口总值同比增3.6%,不同车企的转型路径各有不同，尤其那些已在电动汽车领域重仓的企业，转型策略更是差异显著。,体育平台app,365bet手机版官网,Ag现场厅。

  时事2：最新彩票快三平台

  12月25日,“中国冷极”：万树“梨花”一夜绽,1月税收往往量级较高，预计税收缴款在25000亿元附近。季初第一个月缴税量相较于季内其他月份更高（1、4、7、10月），核心因为多数企业一般季度确定收入和支出，同时申报的税种也显著增加，进而导致税负在季初第一个月集中体现，其中1月份更是全年缴税最高点，核心是年初企业对前一年所得税进行首次确认和申报；,美高梅体育平台,和记娱乐投注登录,优博手机版登录。

  12月25日,福建省首批港外锚地公布 厦门港口能级进一步提升,总的来说，纽约、伦敦和瑞士（以国际清算银行为代表）这三大黄金托管中心的格局，是历史选择、市场实践和地缘政治共同作用的结果。,亚娱体育外围,超级赛马,果博手机版。

  时事3：赚钱就这么简单

  12月25日,琼港携手共同打造南海救援“海空生命线”,据中科曙光2023年报披露，李国杰作为董事长，2023年税前报酬总额为24万元，以此推算，80万元接近李国杰三年多的报酬。,百老汇电子游戏网址,大发体育在线登陆,球探比分苹果手机版。

  12月25日,中外学者在上海共话世界多极化与中国式现代化,标普全球移动出行市场情报副总监斯蒂芬妮・布林利表示：‘特斯拉从未真正培育出一个“纯电动汽车”的市场，它只是打造出了一个“特斯拉品牌”的专属市场。’,靠谱的世界杯投注平台,新濠天地手机下载,银河网站登录。

  时事4：世界杯投注券

  12月25日,特奥田径冠军陈睿涵：金牌也想分享给教练,在梁启东看来，对于山东和辽宁来说，都需要跳出地域限制，克服“半岛意识”，打通直连跨海通道，打开面向东北亚的发展空间。山东和辽宁，位置相邻，发展互补性强，在东北全面振兴战略中，两地加强全面合作，可以迎来更多机遇。,leyu乐鱼网址是多少,银河官方,什么游戏赚钱。

  12月25日,十四届全国人大常委会第十九次会议在京闭幕,巴西当地时间 12 月 22 日晚 10 点 13 分（格林尼治标准时间 23 日凌晨 1 点 13 分），韩国卫星发射企业 Innospace 在巴西阿尔坎塔拉航天中心发射其首枚商业火箭 HANBIT - Nano，这是该公司与巴西航天事业的重要里程碑式尝试，最终却以火箭坠毁告终。此次发射也是巴西阿尔坎塔拉航天中心的首次商业火箭发射。,足球直播比分,手机体球比分网,bet36体育平台台。