猫眼电影记者 唐筠茂 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1：三亿体育官方

  12月29日,浙南“中国紫菜之乡”头水紫菜上市 产销两旺造就富民产业,这些对于产品细节的调整，一向被认为是传音在非洲等新兴市场的“护城河”，其他手机厂商对于非洲市场还没有这样的“定制化”产品。,亿博体育怎么开户。

  12月29日,加拿大人马俊：努力在海南迈向生活的高峰·《我在海南闯未来》 | 开放向未来,国家统计局近日公布3月份社会消费品零售总额，其中餐饮收入同比增长显著。3月份的餐饮收入3964亿元，增长6.9%，1—3月份的餐饮收入13445亿元，增长10.8%。,凯时开户,龙8登录网站,银河国际现金网。

  时事2：欧亿体育app官网下载

  12月29日,2025首届博鳌金融强国大会开幕 共商金融赋能实体经济新路径,双方支持在确保各国网络体系安全稳定的前提下打造多边、民主、透明的全球互联网治理体系。,捕鱼达人无限金币版,斗牛怎么玩,365bet官网唯一品牌。

  12月29日,多个公示名单被爆照搬网络文库 “偷懒式造假”何以轻松通过层层审核？,刘一鸣还反映，因为山区交通不便，村民赵克胜曾买了一辆三蹦子（三轮车），方便到镇上赶集，赵克胜从2010年以后就没有开三轮车了，这次他仍然发现，自己在2011年、2013年被注册了两个“三轮车运输”个体工商户营业执照。,杏彩官方平台,炸金花电脑版,电子注册送平台网址。

  时事3：皇冠四虎

  12月29日,澳门青年人才上海学习实践结业 以所学助力两地发展,——提升工业和创新领域合作水平，共同发展先进产业，加强技术和生产合作，包括民用航空制造业、造船业、汽车制造业、设备制造业、电子工业、冶金业、铁矿开采业、化工业和森林工业。为双方实施优先领域前景项目创造良好条件，扩大工业产品贸易往来并提高其在双边贸易中占比，助推两国工业现代化进程。,尊龙官方平台,银河电子扑克,棋牌评测网。

  12月29日,浙江嘉兴寻亲志愿者：十二年，丈量思念“摆渡”团圆,关键证据在于资金流向：浙江华贝支付给诺泰生物的3000万元“技术转让款”，其资金源头正是诺泰生物后续注入的增资款。换句话说，这笔钱本质上是诺泰生物“左手倒右手”——先以增资形式把钱打给浙江华贝，再由浙江华贝以“技术转让费”名义打回给自己。,必威网页登录,九游会游戏,游艇会yth206官网。

  时事4：澳门永利注册送38元

  12月29日,金正恩就俄罗斯驻朝大使逝世向普京致唁电,当地时间2024年5月10日下午，外交部副部长孙卫东在印尼雅加达东盟秘书处出席第30次中国一东盟高官磋商后，现场接受记者采访。,AG平台老板,世界杯买球犯法吗,澳门金沙游戏网站平台。

  12月29日,国际机构密集上调增长预期 中国经济基本面被看好,[环球时报报道 记者 倪浩]8月3日，郑钦文夺得2024巴黎奥运会网球女单冠军，实现中国选手在该项目上的历史性突破，也点燃了民众参与网球运动的热情，网球热度随之大涨。接受《环球时报》记者采访的专家认为，体育明星与体育经济会形成正向反馈：体育明星的示范效应会提振相关体育产业、吸引更多人参与到运动中来，大众的广泛参与则会成为“未来明星运动员”诞生的基石。,365bet平台客户端,so米体育网页版,利发真人国际娱乐。