猫眼电影记者 肖全夫 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：澳门捕鱼手机版

  12月26日,广西柳州布局具身智能产业 助“制造”向“智造”跨越,未来对租赁物残值的评估，仅靠线下方式已经不够。我们现在采用AI残值评估计算模型，这对租后管理、资产管理和风控部门非常有价值。最后，AI赋能的数据展示也很关键，从获客、审查到运营，实现全方位赋能。,欧博快速注册。

  12月26日,海南自由贸易港封关在即 海警开展全天候执法演练,数量视角，存单活跃度整体略有下降，存单收益率中枢下降，从结构上来看，非银买盘偏弱。,必威体育官方,幸运国际,手机彩票官网app。

  时事2：凯时平台就是黑平台

  12月26日,习言道｜网络乱象要坚决打击,今年一季度，佛山进出口总额1273.29亿元，同比下降33.1%，增速在外贸20强城市中垫底，外贸规模也由去年同期全国第10位下降至第17位。,天博体育官方版,凯发真人网娱乐,正版通天报(会员版)。

  12月26日,意大利前官员：美国制裁无助于解决问题，更无法撼动中国发展模式丨世界观,适度超前也有面向未来的考量。李瀚明表示，最近几年，国内长途旅行取代了一部分出国游的需求。西北是国内长途旅行的主要目的地之一，新疆、青甘大环线等热度居高不下。西北遥远，高铁也不发达，更依赖民航运输。此外，西安和乌鲁木齐还有建设国际航空枢纽的需要。,现金网app下载,世界杯买球在哪里买号,澳博体育。

  时事3：澳门皇冠最新视频版本

  12月26日,我国修改对外贸易法 明确国家维护公平公正的国际经济贸易秩序,毫无疑问，下半年锂价反弹具备坚实的基本面改善作为支撑，这也使得其反弹行情具备较好的持续性。,威尼斯人游戏俱乐部,怎么做世界杯投注生意,真钱扑克。

  12月26日,全国第八！前11个月四川货物贸易进出口9343.8亿元,网传视频中，曾有事发地附近景区工作人员对此事发声。但多方人士告诉红星新闻记者，事发地位于景区外，距离景区约有1~2公里的距离。上述镇政府工作人员表示，景区边界有围栏等明显标识。当事游客没有从景区入口进入海滩，也没有购买景区门票，事发位置离景区确实有相当一段距离。,AG捕鱼游戏怎么稳赢,AG真人什么意思,云顶娱乐更新。

  时事4：银河免费游戏

  12月26日,飞机上真的有“最安全座位”吗？,普京感谢习近平主席热情款待，表示每次同习近平主席会面晤谈，我都很愉快。我们的交流很深入，也很有意义。我愿同习近平主席继续保持密切沟通，落实好我们达成的重要共识，确保俄中全面战略协作伙伴关系深入发展。,斗牛大亨官方网站,国际电子开户,大洋娱乐抢庄牛牛。

  12月26日,深圳海洋新城生态保护修复创新成果向全国推广,5月4日的外交部例行记者会上，有记者提问北约计划在日本设立联络处一事。外交部发言人毛宁表示，亚洲是和平稳定的高地、合作开发的热土，不应成为地缘争夺的角斗场。北约持续东进亚太、干预地区事务，势必破坏地区和平稳定，促推阵营对抗，应引起地区国家高度警惕。,贝博在哪开户,韦德国际,抢庄牛牛介紹。