猫眼电影记者 吐尔逊江 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亚游集团8位人气女星荷官之一

  12月27日,泰柬防长就停火问题签署协议,[文/观察者网 王世纯]“北约是个欧洲组织，只会保卫成员国领土。”,电子足球即时比分。

  12月27日,世界羽联总决赛：中国台北组合小组赛落败,报道说，针对国际赛事播放国歌时出错事件，李家超表示，国歌代表民族尊严、国家尊严，将竭尽一切所能，确保国歌在不同场合正确播出。他说，特区政府已制定不同指引要求不同组织、代表团遵守，如果他们不遵守，特区政府会有惩处行动。,百人牛牛炸金花,永乐国际乐在其中官方网址,看牌抢庄怎么玩。

  时事2：伟德体育在哪里玩

  12月27日,二里头夏都遗址博物馆冬日吸引游客,报道说，朔尔茨明确拒绝了“最近所有要求乌克兰让步的人”。他强调说：“热爱和平并不意味着屈服于更大的邻国。如果乌克兰停止自卫，那将不是和平。”,欧冠滚球app,888备用网址,w88优德体育下载。

  12月27日,越冬灰鹤“做客”山西万荣黄河湿地,随着上市公司运用CVC模式的能力越来越成熟，对于一级市场的影响无疑将进一步深入。,银河娱乐集团有限公司,可以下分的捕鱼平台,火狐体育网站多少。

  时事3：402com

  12月27日,“数”里行间感知信心！投资与消费需求释放 为全年经济良好收官奠定基础,未来对租赁物残值的评估，仅靠线下方式已经不够。我们现在采用AI残值评估计算模型，这对租后管理、资产管理和风控部门非常有价值。最后，AI赋能的数据展示也很关键，从获客、审查到运营，实现全方位赋能。,世界杯投注情况,威尼斯人手机登陆网页版,优德体育登录。

  12月27日,第八届中国金融教育发展论坛在广州召开,西安咸阳机场T5，与北京大兴机场、成都天府机场航站楼面积相当。三座机场中规模最小的兰州中川机场T3，面积也相当于上海虹桥机场两座航站楼之和。,大富豪开元棋棋牌,网赌电子游戏如何爆分,什么玩球平台好。

  时事4：优博足球

  12月27日,广州白云国际机场年旅客吞吐量首次突破8000万人次,久期财经讯，12月22日，万科企业股份有限公司(简称“万科企业”，02202.HK)发布关于万科企业股份有限公司 2022 年度第四期中期票据延长宽限期及宽限期内本息偿付安排的公告。,安博电竞怎么下载,所有老虎机网站网址,斗牛怎么玩。

  12月27日,从8大热点事件，看2025年中华文化如何联通世界,近日，多家磷酸铁锂头部企业相继公布停产检修计划。安达科技公告，为保障生产线稳定，公司自2026年1月1日起对部分产线进行为期一个月的检修，预计减少磷酸铁锂产量3000-5000吨，预计对生产经营不会产生重大影响。德方纳米公告称，计划进行年度设备检修与维护工作，检修时间从2026年1月1日起，预计一个月。湖南裕能计划对部分生产线进行检修，检修时间从2026年1月1日起，预计一个月。,押二八杠技巧,球探体育,皇家现场视讯。