猫眼电影记者 胡锦涛 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：天博注册账号

  12月27日,2025中国田径协会10公里精英赛重庆站鸣枪起跑,以摩根大通和瑞银为例，在日终清算时，双方往往对彼此存在黄金的应收与应付，若瑞银应付摩根大通500吨黄金，而摩根大通同时也应付瑞银400吨，双方会先进行净额抵消，仅需实际转移100吨黄金用于交割。这样的净额清算机制大幅减少了实物黄金的调拨需求，提升了清算效率。,2026世界杯买球柯fc3。tv。

  12月27日,【理响中国·经视图】提升产业链供应链韧性和安全水平,普京感谢习近平主席热情款待，表示每次同习近平主席会面晤谈，我都很愉快。我们的交流很深入，也很有意义。我愿同习近平主席继续保持密切沟通，落实好我们达成的重要共识，确保俄中全面战略协作伙伴关系深入发展。,十大真钱直营,澳门尼斯电子游戏下载,金沙最新登录首页。

  时事2：永利电玩城手机版

  12月27日,华人雕塑家周小平——以雕塑艺术镌刻时代印记,首先介绍一下我们公司。我们是金证股份下属的二十多个分子公司之一，总部在深圳，在上海、北京都有自己的办事处。如果有需要交流的可以联系我们。我们服务了大概三千多家金融机构，其中租赁公司服务了近百家。所以我们在案例上有充分的积累，也可以在方案上引导大家一起共同做一些事情。,银河注册,bbin体育注册玩家首选,澳门网上真人游戏下载大全。

  12月27日,满树金黄落地成“宝” 浙江鹿城“一片叶子”撬动初冬流量,过去十年，我国债务总规模和宏观杠杆率持续攀升，债务问题持续受到各界高度关注。如何认识债务增长和经济发展之间的关系，如何评估我国当前的债务风险？债务增长是否必然带来债务风险增加？如何平衡债务增长和债务风险的关系？,3d预测分析,牛宝体育快速注册,365bet体育直播开户。

  时事3：188体育外围

  12月27日,汉魏晋壁画墓出土文物亮相辽博 再现古人生活,12月23日，人民币汇率持续走强，离岸、在岸人民币对美元即期汇率盘中分别升破7.02、7.03关口。人民币对美元中间价调升49个基点，报7.0523，创2024年10月以来最高。今年以来，人民币对美元中间价累计升值1.89%。,爱博体育APP下载,玩转二十一点,真钱赌场。

  12月27日,CBA常规赛：北控队主场4分险胜辽宁队止连败,特朗普 4 月演讲中两项专项关税承诺至今仍未兑现，分别针对制药企业与芯片制造商。,伟德网页版下载官网,凯发app怎么下载,最正规的棋牌游戏排行。

  时事4：世界杯投注正确方式

  12月27日,第七届联合国环境大会开幕,除了国际航线网络的短板，乌鲁木齐也缺乏国际顶级航司入驻。国泰航空凭借座舱、餐食、服务等方面的表现，建立起国际品牌形象，常年与新加坡航空、阿联酋航空、卡塔尔航空这样的顶级航司保持同一水准。通过国泰开航，乌鲁木齐有望在国际市场引起更多关注。,新天地游戏平台,怎么买外围足球,足球直播下载。

  12月27日,全球最大！我国首个百万千瓦级海上光伏项目全容量并网,后天，江南大部、四川南部、云南东北部、贵州大部、华南中北部等地部分地区有中到大雨，其中，湖南东部、江西中北部、浙江中南部、福建北部、广西东北部等地部分地区有暴雨或大暴雨。,美高梅体育在线,斗地主赢钱的游戏有哪些,水果拉霸游戏。