猫眼电影记者 翟勤盈 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：注册即送28棋牌

  12月23日,救起掉落冰层男童 宁夏13岁初中女生拟获评“见义勇为”,习近平在瀛台桥前迎接普京。两国元首边走边谈，看亭台楼榭，赏万物并秀。,乐动体育入口。

  12月23日,驴肉火烧为什么要掺和马肉？,作为一家股份制银行理财子公司的渠道合作部负责人，他近期的工作目标是在2026年3月底前，新增2—3家农商行作为产品代销机构。,百看娱乐网,AG真人积分兑换,金鲨银鲨飞禽走兽app。

  时事2：免费斗地主

  12月23日,（机遇香港）“香港专业服务出海平台”启动 助力内地企业出海,分产业看，今年一季度，佛山一产增加值47.56亿元，增长3.9%；二产增加值1500.65亿元，下降0.3%；三产增加值1324.44亿元，增长2.7%。其中，二产出现负增长，反映工业动能偏弱，成为拖累经济增长的关键所在。,赌足球上哪个app,现金斗牛软件哪个好,kok投注平台官网。

  12月23日,市场监管总局、国家卫健委发布新一批非食用物质名录,综合财联社、证券时报报道，史美伦，这位74岁的女性身上有诸多美誉，包括“铁娘子”和“超级打工女皇”，随着任期结束，她在港交所主席的职位上正式画上了句号。,威尼斯游戏在线网站,江南APP体育合法吗,太阳城在哪开户。

  时事3：在哪里买球注世界杯

  12月23日,沙特王储兼首相穆罕默德会见王毅,对西北城市来说，机场的作用尤为重要。西北不沿海，也没有内河航运。依托铁路和机场打造枢纽，形成开放门户，无论对区域还是全国而言，都具有经济与战略的双重意义。,玩老虎机网站,炸金花游戏软件,微球比分网页版。

  12月23日,黑龙江省“百万青少年上冰雪”活动在哈尔滨启幕,而且1月的资金面状态，最能体现央行态度变化。例如2021年初防空转、2023年初疫情形势好转、2025年初经济好转叠加央行关注债市收益率变化，资金面收敛最为显著。,经典老虎机手游,二十一点游戏,金佰利菲律宾国际真人在线。

  时事4：沙巴体育到344k.com

  12月23日,交通运输部：今年1至11月接报公路水路行业安全生产事故135起，同比下降25.8%,而且在国泰之前，南航和乌鲁木齐航空已经开通了香港航线。相当于香港也不是乌鲁木齐的新航点。,世界杯投注统计分析,米乐体育投注m6,世界杯体育 竞猜网站。

  12月23日,走进民企看发展丨爱伲咖啡董事长刘明辉：让云南咖啡走向世界,梅赛德斯-奔驰集团对贝壳财经记者表示，“我们关注到欧盟发布的相关临时措施。梅赛德斯-奔驰始终支持基于世贸组织规则的自由贸易，包括所有市场参与者应享有同等待遇的原则。自由贸易和公平竞争将给各方带来繁荣、增长和创新。如果任由保护主义趋势抬头，将对各利益相关方造成消极的后果。”,88娱2官网电脑版fun,凯时怎么注册,真人版国际象棋游戏规则。