猫眼电影记者 李民洪 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：趣味棋牌官网

  12月27日,商务部：强烈反对欧委会密集对中国企业发起FSR调查,“目前修建海底隧道，主要有三种工法，分别是钻爆法、盾构/TBM法和沉管法。”中交公路规划设计院有限公司隧道与地下工程部总工程师黄清飞告诉中国新闻周刊。,凯发娱乐官网主页入口。

  12月27日,涉新粒子探测、人造细胞等领域 首批3个重大非共识基金项目拟获资助,双方高度重视执法安全领域合作，愿在双边以及联合国、上海合作组织、金砖国家等框架下加强打击恐怖主义、分裂主义、极端主义、跨国有组织犯罪合作。双方致力于加强两国地方执法部门开展边境地区合作。,凯发娱乐电脑网页版登陆,世界杯官方投注平台,网上真人网站app下载。

  时事2：爱游戏体育平台

  12月27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,根据公告，本次交易未设置业绩承诺或对赌安排。昊海生科提示称，如瑞济生物业绩下滑或不达预期，则不存在交易对价调整或股份回购等机制，故本次交易存在投资出现损失乃至投资资金无法收回的风险。,博看网,庄闲的80%赢法,豪情棋牌。

  12月27日,辽宁省民族团结进步模范集体 | 蒙古贞乌兰牧骑,斯坦巴赫继而表示，她会留下来听听邓肯的演讲，她也理解学生们认为他的观点“伤害太大”，称学校可能需要重新考虑其言论自由政策。,澳门游戏网站大全,好玩的扎金花游戏,leyu乐鱼网址登录。

  时事3：betway必威电竞

  12月27日,第三个10万亿大省官宣！谁是下一个？,结合季节性看，通常1月第二周资金面开始收敛，到下旬略有放松，其中关键是资金利率变化的斜率，以及资金分层的变化情况。,dafa888手机客户端,澳门百老汇官网入口,币游平台。

  12月27日,新加坡学者：中国发展势不可挡 美国应以互利共赢方式同中国合作,光刻机、先进封装等半导体产业链股盘中集体拉升，截至收盘，美埃科技、同飞股份20%涨停，安达智能涨超15%，腾景科技涨近9%，茂莱光学、波长光电等涨超5%。,九游个人安全中心登录,鸭脖官网入口,凤凰彩票在哪玩。

  时事4：沙龙国际

  12月27日,我国科技创新能力不断提升,通用汽车董事长兼首席执行官玛丽・博拉本月早些时候，在《纽约时报》举办的 DealBook 峰会中坦言：‘车企不得不持续投资，只为迎合监管层制定的政策框架。而如今，相关政策发生了 180 度的彻底转向，政策反复摇摆，就是车企首席执行官们当下的生存现状。’,365买球世界杯买球,万豪会游戏平台,足球即時比分。

  12月27日,宁夏银川：百余名选手参与滑雪技术达标赛,1月信贷预计处于季节性高位。2025年10月信贷表现偏弱，11月央行《三季度货币政策执行报告》表明“信贷增速可以略低一点”，在此背景下，2026年银行年初“早投放早收益”的诉求可能会抬升，与此同时，是我们在微观中看到银行储备项目相较于往年更加提前的信息，以及12月票据利率月尾抬升的现象，因此我们判断1月份信贷可能有超季节性的表现，带动资金缺口有所增加。,十大正规买球网站,365网站bet,365bet体育手机下载。