猫眼电影记者 舒媛 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：欧博在线登录

  12月28日,想也不想先问AI 孩子写作业患上“AI依赖症”,从“对标者”到“被对标者”，鸿蒙与开发者们，绘制出中国操作系统生态的“微笑曲线”——而这，或许才刚刚是上扬的开始。,必威在哪玩。

  12月28日,一觉醒来声音嘶哑，这波流感多从嗓子“下手”,作为全国深化农信社改革的“第一单”，2022年4月，浙江农商联合银行正式挂牌成立。目前该行下辖82家县（市、区）农商银行、农信联社，拥有网点4000余个，金融服务点1万余家，员工5万余人。截至2025年6月末，浙江农商银行系统全系统（含村镇银行、温州银行）管理资产总额为7.02万亿元，比去年末增加3.39%；较2024年末的6.79万亿元，突破了七万亿元大关。,网上欢乐牛牛,博鱼官方网入口,沙巴体育修改客户注单。

  时事2：王者体育苹果版

  12月28日,百余名青年学者共探边疆地区高质量发展路径,尽管关税政策对经济的提振效果未达预期，但特朗普演讲中多项核心关税承诺最终基本得以兑现。,滚球体育平台推荐,AG真人每周反水,澳门皇冠因为专业所以信赖。

  12月28日,哈伊元首举行会晤 聚焦经贸合作与互联互通,楼春豪分析表示，尽管印度试图通过“经济脱钩”削弱对中国的依赖，但中印在经贸领域的相互依存关系是不可忽视的。从长远看，两国应共同努力扩大合作，“做大蛋糕”， 而非以零和心态看待两国制造业等方面的关系。,乐鱼平台入口在哪,188体育开户注册,凯发k8国际真。

  时事3：正规网投平台百老汇

  12月28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,黄修平说，超长海底隧道往往工程规模大、建设周期长、投资金额高，需要对前期调研、设计、施工、设备采购以及后期维护等全寿命周期进行统筹管理，特别是风险管理变得尤为重要，需要对可能出现的技术、环境、经济等问题进行全面评估和应对。此外，他补充说，“海底隧道需要穿越海底沟谷、风化深槽，特别是渤海通道刚好处于地震带上，存在活动断裂带。复杂的水文地质条件给海底隧道设计与施工都带来巨大的挑战。”,凯时平台怎么样,金沙网投平台,必威手机官网登入。

  12月28日,危险货物运输车辆安全技术条件新国标明年7月1日施行 外观视觉标识全面升级,炒股就看金麒麟分析师研报，权威，专业，及时，全面，助您挖掘潜力主题机会！,云顶娱乐app官网,ag九游会官网登录入口,扎金花游戏在线玩。

  时事4：9001cc金沙

  12月28日,【理响中国·铿锵有理】坚持内需主导，建设强大国内市场,直至2024年，该公司投资端出现大额亏损，拖累净利润大幅下滑，后来便有了一系列的大动作及今年高管的大调整。,王子棋牌送38元彩金,优博在线试玩,赌博真钱玩法。

  12月28日,忘记历史就意味着背叛，否认罪责就意味着重犯,BBC称，如果这架无人机真的属于乌克兰，这将是自俄乌冲突爆发以来，乌克兰对俄罗斯发动的一系列袭击中，距离俄首都莫斯科最近的一次，但乌克兰方面并未公开承认这架无人机与自己有关。,现金老虎机游戏下载,欧宝足球,AG真人国际厅和旗舰厅有什么区别。