猫眼电影记者 马依尔江 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：手机万博登录官网

  12月23日,2025年全国青年女子手球锦标赛开赛,然而，随着固收类资产利率持续下行，李卓也担心一旦纯固收类理财产品年化收益率跌破2%，新一轮个人存款流失压力又将接踵而至。,ope体育APP官网。

  12月23日,残特奥会田径比赛 三名运动员超世界纪录,近期，全国南涝北旱特征明显，防汛抗旱形势严峻。多省份党政“一把手”以暗访、调研、开会等方式，部署防汛抗旱工作。,优德电子网投,乐鱼体育电影官网,必威首页登录平台。

  时事2：网上十大赌博

  12月23日,中外嘉宾齐聚湖北赤壁 共推“赤黄红”文旅主轴线路,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？,AG8大厅登录,2022澳门新葡萄官方网站是多少,大发国际。

  12月23日,河南元旦春节将迎出入境客流高峰 发布旅客“通关秘籍”,2021年，彭昌国接手了亲戚的七个手机档口，直到2023年初回国。他离开的主要原因是资金紧张，他的货源地以深圳为主，海运时间长达三四个月，这意味着资金周转期较长，这是在非洲做生意要面临的主要难题之一。,捕鱼王官网,天博游戏体育怎么玩,爱博在线登陆。

  时事3：电子老虎机官网下载

  12月23日,古尔班通古特沙漠新能源外送能力升级,反观需求端，受到三季度消费旺季来临、四季度储能需求旺盛等利好的拉动，电池企业排产数据持续好转。,莲花国际,扎金花游戏厅,日博娱乐官方。

  12月23日,甘肃陇南：礼行之风沁千年蜀道 文明之治呈一城畅安,许仲翔称，美国的科技限制措施 “如今倒逼中国加大对硬核科技的资金投入，并走上自主创新之路”。“对于投资者而言，审慎且明智的策略是把握人工智能领域的投资机遇，并通过多元化配置来管理不确定性风险。”,188体育登陆首页,色子游戏,OD体育官网app。

  时事4：电竞竞猜app平台

  12月23日,香港消防处向大埔火灾中殉职消防员何伟豪追授荣誉职衔,从产业发展趋势看。绿色低碳是大势所趋，随着全球绿色转型，对新能源产品的需求将持续扩大。据国际能源署研究，为实现碳中和目标，2030年全球新能源汽车销量需要达到约4500万辆，是2023年全球销量的3倍多，远超目前全球供给能力。同时，新能源领域技术产品更新迭代加快，还将不断创造新需求。,世界杯球盘怎么买,365bet网球直播地址,天博·综合体育。

  12月23日,今年前11个月从广东口岸出入境人次已超4.7亿,除了市场风险，运营中断带来的技术性违约风险也不容忽视。Parametrix保险公司首席商务官Sharon Haran指出，许多租赁协议包含保护科技租户的条款。例如，如果每月断电时间超过一定限度，业主可能面临相当于数月租金的罚款；而长期的电力、冷却或连接问题甚至可能赋予租户取消整个租约的权利。这种技术性指标可能导致重大的财务损失，也是许多保守投资者至今未涉足该行业的原因。,2026世界杯冠亚军投注,e世博最新版APP,金宝搏bet188手机网址。