猫眼电影记者 吴淑旭 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：凯时kb88最新

  12月29日,百余件/套海昏侯墓文物亮相北京,从现阶段来看，多名受访业界人士认为，全面取消公摊的条件尚未成熟。当前多数新房项目仍按照建筑面积计价，基于此，应增加公摊面积的透明度，避免公摊面积过大；与此同时，可以有更多城市试点探索“按套内面积计价”。,老虎机官方网。

  12月29日,中央政府驻港联络办发言人：坚决支持香港特区依法对黎智英勾结外部势力危害国家安全犯罪予以惩治,据央视介绍，这次陪同普京访华的有俄罗斯新任国防部长别洛乌索夫、俄外长拉夫罗夫、俄安全会议秘书绍伊古等。,世界杯买球艳曳ga68 me,美高梅在线游戏,银河登录正网。

  时事2：彩6官方

  12月29日,“设计大家谈”系列讲座在中国艺研院开启 打造学术交流平台,“一方面我们需对全体LP的投资收益承担责任；另一方面，汇川产投由母公司100%持股，其管理的基金为并表型基金，基金财务表现直接影响上市公司利润水平。”汇川产投负责人表示。,澳门皇冠贵宾会网址app,齐发国际官网下载,皇冠手机登录地址是多少。

  12月29日,第九届吉林省中华职业教育创新创业大赛决赛在长春举行,要求：思想健康；内容充实、合理，有细节描写；语言流畅，书写清晰。,凯时平台官网下载,游戏中心棋牌,万博man官网手机版。

  时事3：永利app官方下载

  12月29日,安徽广德“三件套”引游客跨省打卡：是有点东西在的,国家体育总局体育文化与体育宣传发展战略研究中心高端智库骨干专家、广州体育学院教授曾文莉告诉《环球时报》记者，体育具有较强的杠杆效应，以体育赛事表演为杠杆，能撬动城市基建、旅游、文化等，激活体育消费热情，推动体育产业能级提升，而这个杠杆的原动力主要是运动员尤其是明星运动员。,体育买球入口,真人版天天诈金花,雷神游戏。

  12月29日,雾天行车灯光、辅助驾驶咋用？记住这几点,目前，国任保险股权基本处于正常状态，仅2家民营股东出现股权质押、涉诉抵债，股权占比分别为2.496%、1.248%。,看世界杯买球怎么买,韦德体育网站是多少,凯发网址1111。

  时事4：优发国际官网qy88

  12月29日,澳大利亚邦迪海滩发生枪击 警方称已有2人被捕,长期以来，我国商品房销售中普遍附加公摊面积。有统计显示，我国目前商品住房公摊面积普遍在20%~30%左右。对于一二线城市购房者而言，二三成的公摊面积意味着动辄百万元的支出。与此同时，由于计算方式不透明、少数开发商“暗箱操作”、产权和收益权不统一，也让公摊面积成为房地产交易过程中多年饱受诟病的话题。,十大手机版赌场,千亿国际唯一官方网站,银河网下载app。

  12月29日,（乡村行·看振兴）江西玉山“小辣椒”点燃乡村振兴“红火”图景,“目前，中国对欧洲的汽车出口量占中国汽车总出口量的约40%，中国对欧盟地区的汽车出口量在中国汽车总出口量的占比不到30%。”在洪杨看来，目前欧盟加征关税对中国汽车企业出口有一定的压力。如果加征关税实施，后续可能会导致车企去欧洲、东南亚建厂，绕过中国本土出口的限制；从供应链或者当地渠道商角度来看，可能会存在一些博弈，通过降本等方式调整在欧洲终端市场的售价，从而降低影响。,bobty体育入口最新版,ManBetX万博娱乐官网,突破百家乐。