猫眼电影记者 米夏埃尔·索 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1：9亚洲国际

  12月24日,《大运河随想》古琴专场音乐会在京上演,“国泰开航是一个开始，让更多人看到新疆的开放与活力。未来，新疆还可以更开放。”李瀚明说。,火狐全站体育。

  12月24日,外国人看《黑猫警长》学中文,今年春晚舞台上，一群穿着小红袄的机器人，挥动着手中的红手绢，扭着东北秧歌，吸睛无数。这个春节，在多个景区，机器狗、机器人纷纷上线：拜年、导游、舞狮，给游客带来不一样的年味。,365bet体育官网手机版下载,PG麻将胡了3,bwin电子网投。

  时事2：十大赌博app平台

  12月24日,粤港澳大湾区规则衔接、机制对接迈出新步伐——从“制度之异”到“制度之利”,果然，在日本南端国界线上的冲之鸟礁被日本“双标”了，据《读卖新闻》透露：“尽管‘冲之鸟’周长不足100米，这次也被计算在内了。”,大富豪下载网址,365是什么平台,百老汇苹果版。

  12月24日,香港艺术馆推出“吴冠中——邂逅风景”等三项新展览,“中国始终恪守国际法基本原则和国际关系基本准则，坚持维护世界和平，促进共同发展，致力于推动构建人类命运共同体，在和平共处五项原则基础上同各国发展友好合作。”他说。,新利体育官方网站,云顶娱乐手机官网首页,能赢钱提现的游戏。

  时事3：银河网下载

  12月24日,冬季风暴侵袭美东北部 航班大面积延误 部分区域断电,目前，国任保险股权基本处于正常状态，仅2家民营股东出现股权质押、涉诉抵债，股权占比分别为2.496%、1.248%。,AG旗舰厅登录,188体育注册网首页,世界杯赌球网站正规。

  12月24日,泳池派对全网直播，低俗狂欢何时休？,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。,线上巴黎人网址,365bet体育客户,外围平台体育。

  时事4：彩神官方网站

  12月24日,手机突然黑屏失控 背后竟是“官方客服”的圈套→,中国市场的黄金托管系统以上海黄金交易所为核心，周围环绕着其他托管提供者，如交通银行和私营承运商等，展示了中国市场上多种模式并存的生态系统。,沙巴官网平台,永利体育手机版登陆,银河国际棋牌官方网站。

  12月24日,新型能源体系加快建设,其他七大类价格环比五涨一平一降。其中，其他用品及服务、交通通信价格分别上涨2.0%和1.0%，教育文化娱乐、生活用品及服务、医疗保健价格分别上涨0.5%、0.4%和0.2%；居住价格持平；衣着价格下降0.1%。,支付宝购买世界杯彩票,玩二八杠有什么技巧,完美竞技平台app。