猫眼电影记者 文侯建 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：AG真人接口

  12月23日,以军称打死哈马斯高级指挥官 双方互指违反停火协议,在核心项目与潜力项目路演环节，四个聚焦重大未满足临床需求的创新项目依次亮相。包括了眼科、肿瘤、代谢性疾病等行业热门治疗领域和技术路线。现场，来自泰格医药、和泽医药的临床与药学专家及多家基金代表，从临床价值、差异化竞争格局、关键数据里程碑与可行性评估等多维度进行提问与点评，为项目团队提供了具有可操作性的优化建议。,杏彩平台登录地址。

  12月23日,2026年日历书陆续上市 花样百出但小心盗版,除了以上2家A股上市公司以外，第一财经记者从西贝集团了解到，今年3月份，西贝整体客流和营收平稳向好，部分门店与去年比增幅显著，例如北京四元桥家乐福店营收同比增长48%、合肥万象城店客流同比增长43%。不过今年3月份，客单价和高峰消费时段平均等位时间基本与去年持平。,买球app,博狗买球官网,彩票官方直营网。

  时事2：皇冠世界杯功率

  12月23日,通甬高铁建设“黑科技”：智能造桥机助力特大桥合龙,汪文斌说，朝鲜和韩国都是已加入联合国的主权国家，朝鲜半岛问题和台湾问题的性质、经纬全然不同，根本不具可比性，这是众所周知的事实。希望韩方切实遵守中韩建交联合公报精神，恪守一个中国原则，审慎处理台湾问题。,mg游戏在线网站,澳门现金官网平台,必博网站是多少。

  12月23日,法治专家谈澳大利亚社媒禁令：未成年的数字权利不能“一禁了之”,具体大城市来看，贵阳、广州高考期间遇到雨的概率甚至超过了6成。此外，海口、南宁、重庆、昆明、成都、福州、哈尔滨等地高考期间的降雨概率也超过了一半。,澳门葡京赌场出台女,亚星注册登录,银河证网登录。

  时事3：伟德体育app官方

  12月23日,乒超总决赛今日收官 王曼昱蒯曼再度交锋 王楚钦想“不留遗憾”,北京人寿在股权结构上呈现出“高度分散，无实际控制人”的特点。北京供销社、北京顺鑫控股集团有限公司、北京韩建集团有限公司并列为第一大股东，持股比例均为13.99%。这种结构虽被认为有利于决策民主化，但也带来了显而易见的挑战。,菲彩平台,网上现金下载,皇冠炸金花官网。

  12月23日,“AI+考古”焕新克孜尔壁画 探元点亮海外遗珍“数字归途”,5月4日的外交部例行记者会上，有记者提问北约计划在日本设立联络处一事。外交部发言人毛宁表示，亚洲是和平稳定的高地、合作开发的热土，不应成为地缘争夺的角斗场。北约持续东进亚太、干预地区事务，势必破坏地区和平稳定，促推阵营对抗，应引起地区国家高度警惕。,bbin新体育开户,云顶娱乐手机网,澳门人巴黎人826网站。

  时事4：赌场手游登入

  12月23日,北京市机关事务管理局原党组成员、副局长杨文胜接受审查调查,除此之外，平台仍缺乏完善的应急预案与风控策略。此次黑灰产攻击明显为有组织、技术化的行为，攻击者操控大量僵尸账号在同一时段开播，但面对这种非常规攻击，快手显然缺乏成熟的应对方案，处置初期既无快速定位批量违规账号的技术手段，也无分级管控、精准限流的应急流程，导致工作人员只能封禁单个账号，难以遏制违规内容的大规模扩散。,鸿博国际娱乐官网,欧洲杯1002欧,ku体育网址。

  12月23日,天津海外联谊会多位理事当选香港立法会议员,此次 “向太空进发” 任务搭载 8 个已登记载荷，含 5 颗小型卫星，服务对象未对外披露。,必威客服端下载官网,去哪里找赌博的平台,日博365bet。