猫眼电影记者 姜世俊 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：世界杯赌球在哪个网站

  12月22日,山西：多地迎雨雪天气 部分高速封闭,反弹行情在绝望中酝酿而生，当锂价击穿“一体化”矿石提锂企业成本线后，行业终于迎来转机。,开元棋牌官网APP。

  12月22日,澳门俩跳远小将携手特奥摘牌：从跳出第一米到更远的未来,18日晚，福建全省防汛救灾工作视频会议在省应急指挥中心召开。福建省委书记周祖翼在会上强调，防汛救灾工作事关重大，要实之又实、细之又细，不折不扣做好防汛救灾各项工作。并要求，要加强组织领导，推动各级干部充分下沉到防汛第一线，确保防汛救灾工作落到实处。,五福会,太阳城开户网址,米乐体育平台登录。

  时事2：威尼斯人官网登录手机号

  12月22日,湖北襄阳：应对寒冬 多措施确保出行安全农业不减产,河南省气象台2024年6月14日8时继续发布高温橙色预警：预计6月14日白天，洛阳东部、郑州、开封、商丘、平顶山、许昌、漯河、周口、南阳东部、驻马店、信阳大部最高气温将升至37℃以上，其中周口南部、驻马店北部最高气温将升至40℃以上。,威尼斯太阳城,开云入口,188体育游戏线上官方。

  12月22日,“暴力计算”模式触及极限，算力进入系统工程时代,本届年会，每日经济新闻也已派出记者团队前往大连现场，他们将以专业且独特的视角，与年会嘉宾共话人工智能、全球经济、气候及能源等当下热点话题。,斗牛游戏上分,完美竞技平台手机版,百家乐必胜绝招。

  时事3：送注册金网站

  12月22日,汇聚致公智慧 回答产业升级“未来之问”,报道称，埃尔多安还强调当前应该是一个“团结的时刻”，“在这种时期，我不能容忍有人因为政治利益进行负面宣传”。,手机版彩票网站下载,买球平台排行,大赢家体育比分比。

  12月22日,今年前10个月我国交通运输经济运行稳中有进,据新福建客户端5月6日消息，日前，福建省委决定，郭宁宁同志任福州市委书记。,亿万娱乐,博狗赌场网站,澳门金沙官方直营。

  时事4：传奇电玩24小时捕鱼

  12月22日,信托资产规模超32万亿元　营收、利润实现“双增”,反观乌鲁木齐，偏居西北一隅的位置，为向西开放提供了便利。李瀚明指出，与乌鲁木齐类似的其实是哈萨克斯坦阿拉木图，两座城市都位于亚欧航路的中间点。利用空客A321XLR这样的远程窄体机，阿拉木图成功开航伦敦。在国内，乌鲁木齐是唯一一个用窄体机能直飞欧洲的航空枢纽。,赌博注册送钱网址,真金炸金花,正规线上买彩票平台。

  12月22日,中国海拔最高铁路客运站西藏雁石坪开通客运,票据利率上行。截至12月26日，3M期国股直贴利率、3M期国股转贴利率、6M期国股直贴利率、6M期国股转贴利率分别为1.00%、0.69%、1.15%、1.09%，较12月19日分别变动+31BP、+15BP、+17BP、+15BP。,千赢官网app下载,盛世网彩票平台登录,英皇娱乐app链接。