猫眼电影记者 贾西姆 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：牛大亨斗牛抢庄技巧

  12月22日,海内外专家：澳门跨文化实践为世界提供借鉴,全国性扩张带来管理复杂度提升和固定成本增加，对经营效率形成考验。,365体育游戏网址唯一官网。

  12月22日,韩国前情报司令官因非法获取人员信息案获刑2年,兰州和乌鲁木齐之前都只有一条跑道，因起降架次多，乌鲁木齐一直是国内最繁忙的单跑道机场之一。扩建后可以极大缓解这几座机场的现有压力。,千赢手机版苹果版下载,万豪电玩充分,jdb电子博取。

  时事2：亚盈体育app官网

  12月22日,未到天安门却抚到“天安门的红” 新疆九旬老兵摸到天安门升旗的国旗后热泪盈眶,此次二审稿充实完善了原产地制度规则的规定：完全在一个国家或者地区获得的货物，以该国家或者地区为原产地；两个以上国家或者地区参与生产的货物，以最后完成实质性改变的国家或者地区为原产地。国务院根据中华人民共和国缔结或者共同参加的国际条约、协定对原产地的确定另有规定的，依照其规定。,凯时ag手机app,二十一点赌场娱乐,分分彩平台网站。

  12月22日,走进民企看发展丨腾达泰源许立宪：赋能算力落地应用，仍是一片蓝海,然而，一种能够非常接近轨道上其他物体并与它们进行物理互动的太空飞行器，本质上就有能力充当武器。长期以来，人们一直担心所谓的“卫星杀手”可能会对太空中的其他物体发动各种不同类型的攻击。,大发888体育平台,edf138下载,188bet金宝搏app下载。

  时事3：云鼎国际

  12月22日,青藏联动报道｜“绿进沙退”雅江展新颜,2025年12月12日，公司收到了中国证监会湖北监管局的《行政处罚事先告知书》。本次处罚内容直接指向了公司的财务报告和资金管理问题。湖北证监局拟对人福医药给予警告，并处以850万元的罚款。针对原控股股东当代集团，监管部门的处罚更为严厉。当代集团被处以900万元罚款，时任董事长艾路明被处以390万元罚款，并被采取七年市场禁入措施。,365体育的网址多少,云顶集团游戏平台,世界杯体彩购买。

  12月22日,同心同行向共富 杭州市统一战线绘就何样图景？,航天员 李广苏：携带了两个毛绒玩具，这两个毛绒玩具是我女儿小时候的安抚玩偶，伴随着孩子出生以后到上幼儿园整个的成长经历。为了把这两个毛绒玩具带上天，我还专门下了一番功夫，专门从商场里面买了两个差不多的新玩具，然后从她手里边哄过来了。,365网开户,亚博世界杯在哪买球,免费牛牛。

  时事4：欧冠买球平台

  12月22日,亚太经合组织“中国年”值得期待（和音）,坚持问题导向，勇于担当作为，通过健全组织、管理等各项工作机制，推动艺术创作生产；,黄金城,开体育app下载,开云体育官网入口网页版登陆。

  12月22日,广西发改委主任白松涛谈2026年经济工作：广西做优一产做强二产做大三产,谭克非：我们坚决反对美方向中国台湾地区出售武器。美方行径粗暴干涉中国内政，严重违反一个中国原则和中美三个联合公报特别是“八一七公报”规定，严重损害中国主权和安全利益，严重威胁台海和平稳定。中方对此强烈不满，已向美方提出严正交涉。,手机银河app下载,欧洲体育网,888真人官网。