猫眼电影记者 王腊梅 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：银河在线官网

  12月24日,广西古镇冬日味道：遇见“腊”份乡愁,截至三季度末，蒋伟为昊海生科的第一大股东，持股数量为6652.8万股，持股占比为28.6%。,bet官网365入口。

  12月24日,河南将迎大范围雨雪强降温天气,双方高度评价中俄在二十国集团中的建设性合作，重申愿继续加强该机制下协作，推动构建普惠包容的经济全球化，采取平衡且具有共识的行动应对突出的经济金融挑战，推动全球治理体系朝着更加公正的方向发展，提升“全球南方”国家在全球经济治理体系中的代表性。双方欢迎非洲联盟成为二十国集团正式成员，并愿为新兴市场和发展中国家利益共同作出建设性努力。,九五至尊游戏,贝博平台app,ylg网站是多少。

  时事2：米乐是黑平台嘛

  12月24日,武汉：涨渡湖湿地池杉斑斓 林鸟相依绘就生态画卷,【导读】因内幕交易等行为，昊海生科实际控制人之一蒋伟遭罚没约1934万元,日博体育开户网址,天博在线网址,leyu乐鱼电竞登陆首页。

  12月24日,宁夏六盘山腹地掀起冰雪热,A股午后震荡回落，三大指数一度集体翻绿。液冷服务器概念持续活跃，多只高位股跳水。,凯发k8娱乐真人旗舰厅,捕鱼王娱乐ll,GPK钱龙捕鱼涨分技巧。

  时事3：8590网站多少

  12月24日,青海尖扎：大天鹅“点缀”黄河冬韵,[环球时报综合报道]“一段时间以来，比亚迪、吉利等中国自主品牌的崛起给不少外国汽车品牌带来压力。”美国CNBC网站18日报道称，美银证券汽车产业分析师约翰·墨菲当天在美国汽车媒体协会有关活动中表示，美国底特律三巨头（即通用汽车、福特汽车和斯特兰蒂斯）应“尽快”退出中国市场。他同时警告说，美国三大车企需要采取更严厉的措施削减开支，尤其是在内燃机业务方面，因为这是目前利润的主要来源。,大发体育在线下载,优德88,金沙手机电子游戏app。

  12月24日,全国首套强震动加速度计检定装置建成,投中嘉川CVSource数据显示，今年以来中国CVC参与投资事件有1138条，占全年一级市场总投资事件比例为11.24%。不过目前的“独角兽”企业中，获得中国CVC投资比例高达33.07%，体现CVC模式较高的“命中率”。,赢现金游戏官网,万博maxapp下载,美高梅注册网址。

  时事4：线上博狗正网

  12月24日,日本学者：高市应尽快撤回错误言论,邢雅江的上述行为违反《证券法》的相关规定。陕西证监局决定对邢雅江给予警告，并处以350万元罚款。,波克捕鱼官方专区下载,快乐牛最新版下载,皇室千炮捕鱼官网正版。

  12月24日,甘肃首只人工圈养繁育大熊猫幼崽迎百天,在梁启东看来，对于山东和辽宁来说，都需要跳出地域限制，克服“半岛意识”，打通直连跨海通道，打开面向东北亚的发展空间。山东和辽宁，位置相邻，发展互补性强，在东北全面振兴战略中，两地加强全面合作，可以迎来更多机遇。,头头体育亚洲第三,伟德体育,俄罗斯贵宾会。