猫眼电影记者 吴延俊 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1：亿博注册App

  12月27日,（经济观察）明确“路线图” 中央经济工作会议部署八项任务,这意味着，投资者基于虚假信息作出了投资决策。尽管可转债已于2025年4月摘牌(大部分已转股或赎回)，但舞弊行为已对市场秩序造成实质性损害。,满贯捕鱼无限金币和钻石。

  12月27日,【图片故事】并肩在南亚——第16批中国援尼泊尔医疗队纪实,随着新能源汽车替代加速，刚果（金）逐渐因马诺诺锂矿等世界级锂矿床而为国人所知。在当地，从手机档口老板转型投资矿产生意的商人不在少数。手机看起来和矿产毫无关系，但瞄准的是刚果（金）另一种同样丰厚的“资源”：这是一个人口过亿的国家，并且年龄中位数不到16岁，这是非洲整体人口结构的缩影。,银河注册开户,牛宝体育体育平台,银河新会员注册。

  时事2：斗地主赢真钱的

  12月27日,2024年珠江区降水量和水资源总量均偏多,中国、沙特、伊朗三方联合声明显示，沙特和伊朗代表团3月6日至10日在北京举行会谈。会谈时间满打满算，一共5天。,fun88安卓版下载,永利皇宫会员注册登录,yobo游戏。

  12月27日,香港大埔火灾：警方已拘捕13人 宏福苑棚网样本未达阻燃标准,星网锐捷、福日电子等上市公司通过福锐星光基金间接持股优迅股份。星网锐捷方面告诉记者，公司持续加大资本运作力度，是为了进一步推进AI战略。通过综合运用直接股权投资、设立合资企业、参设市场化产业投资基金、并购基金等多种方式，星网锐捷重点围绕AI+方向挖掘高价值投资标的，加速构建第二增长曲线，加快AI化转型步伐。,hg99皇冠app下载,手机网投,日博体育。

  时事3：AG真人计划网

  12月27日,【有声天风】“美美与共”基督论初探,美国保守派媒体“每日连线”（Daily Wire）进一步解释称，邓肯的意思是，这群学生作为未来的律师或司法行业从业人员，若不同意他的观点，应该就此提出尖锐质问，而不是粗鄙无礼的尖叫辱骂。,mg游戏官网,升博快速开户,管家婆彩报。

  12月27日,​88年，不敢忘，不能忘！这是南京城沦陷前后影像,考克斯汽车的数据显示，受联邦购车补贴即将终止的影响，美国电动汽车销量在今年 9 月触及峰值，渗透率一度达到新车市场的 10.3%；而进入四季度后，电动汽车渗透率的初步预估已暴跌至 5.2%。,澳门365大全,kok登陆页面,365bet在线欧洲。

  时事4：体育投注平台排名

  12月27日,通甬高铁建设“黑科技”：智能造桥机助力特大桥合龙,11天后的12月31日，原保监会再次发布批文，同意信达财险注册资本由10亿元变更为30亿元，同时有重庆两江新区开发投资集团有限公司（国有，以下简称“两江集团”）、台州万邦置业有限公司（民营，以下简称“台州万邦置业”）、联美控股股份有限公司（民营，联美量子前身，以下简称“联美控股”）等5家新股东进入，信达财险迎来民营企业股东。,威尼斯网上网站是多少,万博网页版登陆页,鸭脖旗下平台。

  12月27日,领航中国·2025丨坚定不移办好自己的事,6月16日，黑龙江省委书记许勤到哈尔滨松花江堤防、省气象局、省水文水资源中心检查防汛备汛工作。许勤前往哈尔滨市松花江干流堤防松北区“三堤改线”防洪工程现场，了解堤防建设标准、城市防洪能力、防汛准备等情况，强调要做好当前汛情应急推演，全面排查整治险堤弱段，充足储备、靠前预置防洪物资力量，以万全准备应对万一可能。,凯时在线平台官网,彩票体验金平台,威尼斯赌城官网网站。