猫眼电影记者 肖建华 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：必威登录界面在哪

  12月26日,聚焦AI时代网络安全新挑战 周鸿祎：用AI对抗AI,例如，当地“举全市之力推进学校更名大学工作”的湖州师范学院，早在2022年就官宣“已经具备了更名大学的条件”。今年初，湖州市政府进一步发文明确“力争早日完成更名工作”。,日博和365。

  12月26日,“校园总师”成长记（校园观察@大学生）,另一方面，相比于政治和安全关系，莫迪推动产业链供应链从中国向印度转移的计划大概率会继续推进。,kok足球官方app,必赢亚洲官网网页版首页,亿博体育官方网站。

  时事2：hth华体会网址是多少

  12月26日,香港消防处：感谢内地驰援 下一步工作重点转向火警调查,今年是“一带一路”倡议提出十周年。在中国与中亚五国领导人的共同擘画下，“一带一路”在中亚的高质量发展可期可待。未来，中国与中亚“一带一路”合作可以拓展至数字经济、人工智能、绿色能源、减贫等多个新领域。,博鱼入口登录,纬来体育在哪,打鱼注册送分34元。

  12月26日,云南西双版纳跨境流通货品超2900种 辐射南亚东南亚多国,数据显示，美国11月CPI同比上涨2.7%，低于经济学家此前预测的3.1%。数据公布后，联邦基金利率期货显示，美联储2026年1月会议降息概率小幅上升。美联储理事沃勒上周亦表示，美联储仍有更大的降息空间，其言论进一步强化了市场的宽松预期。,在哪赌篮球比赛,万博ManBetX手机网页登录,银河国际直营。

  时事3：名豪下载

  12月26日,500余名选手角逐大湾区青少年跳绳王者 赛事三超世界纪录,三是有2949.4亿元存单到期，扰动下降，主要集中在周二到期，其中未来一周主要到期期限集中在12个月期（1527.8亿元） >6个月期（465亿元）>3个月期（303.5亿元）；,下注世界杯用什么软件好,真钱网赌推荐,必发网址是多少。

  12月26日,中国第42次南极考察队完成中山站区域卸货任务,双方主张维护中东地区和平稳定，反对干涉地区国家内政。双方支持在以“两国方案”为关键要素的公认国际法基础上全面、公正、持久解决巴勒斯坦问题，期待看到建立以1967年边界为基础，东耶路撒冷为首都，与以色列和平安全共存的独立的巴勒斯坦国。,茶湾港料《另版》,篮球竞彩网站,澳门新百老汇。

  时事4：沙巴电子网投

  12月26日,智慧养老，亟需变“概念热”为“实效优”,这与河南打造世界文化旅游圣地的目标相辅相成。而其中致胜的关键一招，就是加快推进郑汴洛国际文化旅游目的地建设，这直接决定着文化旅游强省“强不强”，也决定着河南能否在万亿级文旅阵营中争先跃进。,体球网官网首页,welcome彩神购彩大厅,赢博官网登录。

  12月26日,世界银行拨款5亿美元支持菲律宾台风“海鸥”灾后重建,习近平强调，要进一步优化合作结构，巩固好经贸等传统领域合作良好势头，支持搭建基础科学研究平台网络，持续释放前沿领域合作潜能，加强口岸和交通物流合作，维护全球产业链供应链稳定。,tvt体育手机app下载,天博国际网站多少,电竞官方。