猫眼电影记者 豪尔赫·卡皮塔尼奇 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：mg游戏网址是多少

  12月25日,解码广州超大城市应急指挥体系的“十八般武艺”,在票据利率持续攀升代表信贷可能不错的背景下，国有行资金的相对充裕可能来自于如下几点：一是12月政府债发行较少，但支出较多，财政支出的补充，二是近期货基申购较多，结合货基在二级市场上的买入量下降，可能部分以活期趴账的形式重新回流银行体系，理财或有同样的行为。,其乐电子游戏。

  12月25日,四川康定回应川西违规徒步事故：加强巡查，增设警示,双方认为，应进一步加强联合国教科文组织作为政府间人文交流普遍性平台的作用，推动该平台上相互尊重的专业对话，促进成员国高效沟通，达成共识，增进团结。,金沙9570登录入口,6t体育官网入口,天博tb综合体育官方app下载。

  时事2：蓝球即时比分

  12月25日,日本旅游业遇冷拖累增长,今年以来，摩尔线程、沐曦股份等一批含科量高、稀缺性强的“独角兽”上市，给一级市场投资人带来了财富效应，一些“独具慧眼”的上市公司也现身其中。这些上市公司通过产业基金间接参股，成为资本市场上重要的产业投资力量。,im电竞app下载,乐鱼游戏app在线登录,九州体育官方网站。

  12月25日,2025特步泉州晋江马拉松赛开跑 海内外选手畅跑世遗路,如今，佛山已再次校准坐标，明确要用7年时间再上一个万亿台阶。在今年2月举行的广东省高质量发展大会上，佛山市委书记郑轲透露，佛山制造业当家的下一个目标，是到2030年规上工业总产值跃升到4万亿元。,宝博游戏官网,乐鱼体育app官网,jxf吉祥网手机。

  时事3：猎人国际真人cs 昌平

  12月25日,转人工要“闯关”？AI客服不该成服务“围墙”,刘树林：男，1964年11月出生，曾任中国信达济南办事处高级经理、执行高级经理。2011年6月任信达财险山东分公司总经理、党委书记，2014年5月起任总公司副总裁、党委委员。2015年4月起任执行董事，2016年4月连选连任执行董事，2016年4月起任总裁。,bob球网,宝马会下载地址,网赌安全平台下载。

  12月25日,中央生态环境保护督察公开通报北京市、天津市典型案例,根据2022年公布的第二批“双一流”建设高校名单，全国共新增7所高校，其中3所均来自广东，可谓“最大赢家”。广东全省入围“双一流”建设名单的高校数量也从5所增加到8所，排名从全国并列第7位跃升至并列第4位。,188bet金宝搏在哪里玩,手机能赌博的游戏,体育资讯。

  时事4：最新AG平台下载网址

  12月25日,国防部：菲方某些人睁眼说瞎话，还对中方反咬一口,宝马、奔驰等欧洲车企同样呼吁支持基于世贸组织规则的自由贸易和公平竞争。,黄宝国际真人赌场,bbin在线游戏,彩票平台注册网站。

  12月25日,四川省“侨助千企万品出海”联盟启动 签约金额10.7亿元,1983年，为使国际社会更好地了解中国的改革开放和社会主义现代化建设进程及成就，了解中国人大在推进社会主义民主政治建设方面的情况，第六届全国人大一次会议在召开前举行了全国人代会历史上的首次新闻发布会。,mg官方下载,体育官网登录入口,威尼斯线上。