猫眼电影记者 欧阳广 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1：万博网页登录页面设置

  12月23日,受贿11.08亿余元 中国华融原总经理白天辉被执行死刑,尽管莫迪政府利用各种外交手段极大提升了印度的“国际能见度”，但高“能见度”并不等同于实际成效。楼春豪指出，莫迪预计会延续其内政和外交政策，但国内政治变动将对外交走向产生一定影响。他还提到，印度外交的未来走向也可能受到美国大选结果及后续外交政策调整的影响。,皇冠最新平台。

  12月23日,森林覆盖率达45% 公园总数1100余个 北京交出和谐宜居新答卷,高教资源对于区域发展的重要性不言而喻。被高教短板深深刺痛的广东，很早就开始发力填补“洼地”。,世界杯投注哪个app,米乐买球平台,信用网娱乐平台。

  时事2：乐动体育官网入口

  12月23日,（乡村行·看振兴）三亚博后村：盐碱地开出“民宿花”,参与运营北京奥林匹克森林公园西畔的国家网球中心两片红土网球场地的维宁体育创始人、CEO纪宁8日告诉《环球时报》记者：“本就稀缺的网球场馆在郑钦文夺冠后变得更加炙手可热，现在根本都约不上。”,世爵娱乐总代,九州天下现金网入口,mg游戏官网注册送。

  12月23日,市场监管总局：开展规范光伏行业价格竞争秩序合规指导,随着物联网、移动互联网、5g通信技术、云存储技术的广泛应用，工业数据呈爆炸式上升趋势，在数据库国产化替代的持续深化背景下，工业企业对系统的性能、稳定与安全提出了前所未有的高标准要求。,天博综合体育官网登录入口,大发真人,正规365体育投注。

  时事3：金沙新官网

  12月23日,日本：数据造假 防卫省停止川崎重工参与招标,被业内称为“金融界铁娘子”的史美伦在任6年，曾先后遴选3位行政总裁李小加、欧冠升、陈翊庭作为搭档，推动了境内外资本市场互联互通、完善中概股同股不同权、生物医药等IPO上市制度、拓展了欧美以外的中东等东南亚市场……,庄闲网站,hth华体会网站是多少,亚星登录。

  12月23日,云南石林人参果综合产值45亿元创新高,与其他税种不同，关税针对不同国家不同货物适用不同税率，因此进口货物来源于哪个国家即原产地，是关税征收的一大重要因素。,ku体育app,黄大仙救世B,世界杯买球app首页。

  时事4：bat365在线平台

  12月23日,“超级月亮”即将登场，等你来赏！,GDL金条是伦敦金银市场协会合格交割清单上的金条，是国际主流黄金市场（尤其是伦敦场外交易市场）进行大宗交易的基准。符合GDL的金条有严格的质量和纯度要求，常见的规格是400盎司，纯度在99.5%以上。,信誉赌钱网,抢庄牛牛规则说明,澳门博彩公司。

  12月23日,西藏主投主控影片《遥远的普若岗日》全国首映礼在北京举行,耿勇也感受到农商行的合作热情。两家农商行个金部愿开通“绿色通道”，让银行高层尽快审核理财产品代销合作协议，推动彼此迅速落实系统对接与产品销售培训。,分分彩官方平台,银河在线登陆,体育彩票投注世界杯。