猫眼电影记者 李勐 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1：九州登录

  12月28日,郭艾伦复出 四川男篮赛季首轮不敌广州,他警告道，去年也有好几所和斯坦福大学一样著名的高等学府发生过类似的抗议闹事，比如耶鲁大学、加州大学等，让不少业内人士心有余悸，甚至考虑不再录用相关学校的学生。,世界杯投注软件暂投。

  12月28日,消费“双试点”花落南京：加速建设国际消费中心城市,会上，福建省委常委、常务副省长郭宁宁表示，福建聚焦市场有效、政府有为、企业有利、群众有感，创新推出营商环境数字化监测督导机制，政务服务更加便利、审批监管更加高效、政策落实更加精准、法治保障更加有力，全省营商环境建设态势良好，市场主体对营商环境的获得感不断提升。,银河国际手机网址,明升官方网站,足球外围正规平台。

  时事2：百老汇自助游攻略

  12月28日,浙江台州创投大会：民企民资跨域而来,中国现代国际关系研究院南亚研究所副所长楼春豪认为，当前，制衡中国已成为印度外交战略的主要目标之一。在中美竞争加剧的背景下，美印关系持续深化发展。印度庞大的经济、人口体量和发展潜力使其成为美国在亚太地区制衡中国的关键伙伴，印度不断配合美国的“印太”战略，意在获得美方的军事、情报和外交支持，旨在提升自身力量及国际地位，实现对中国的战略遏制。,皇冠官网站注册,188bet平台,有什么好赌博的网址。

  12月28日,【好评中国】“热雪”沸腾，点燃冬日消费市场“一把火”,“中药茅”片仔癀：“最差”财报终结二十年高增长神话，跌没1800亿,篮球直播188,新万博manbext体育注册,澳门金沙城中心娱乐场地址。

  时事3：乐鱼体育app

  12月28日,“十四五”期间山西新发现文物5000余处,46979名球迷把沈阳奥体中心打造成了红色海洋，在这个2001年十强赛出线的所谓福地城市，中国足球终究是没能等到一场属于自己的胜利，1比1的平局让国足的出局进入倒计时。,欧宝网址是多少,二八杠游戏手机版,ag大平台。

  12月28日,京津冀协同发展 廊坊跻身北方物流中转核心,在多边层面，长期以来，中国与中亚五国的合作平台主要是上合组织。除土库曼斯坦为中立国之外，其他四个中亚国家均为上合组织创始成员国。在上合组织框架内，中国与中亚国家开展的安全合作卓有成效，在打击”三股势力”、推动阿富汗和平进程等方面取得的成就有目共睹。,万博水晶宫官网,线上下注平台,真钱直营娱乐。

  时事4：疯狂斗地主版本

  12月28日,香港特区政府29日下午召开记者会宣布，此前被列入大埔宏福苑火灾失踪名单的人士中，已确认144人安全无恙。,数据显示，一季度，温州、徐州、大连、唐山GDP分别为2152.2亿元、2118.35亿元、2103.5亿元、2006.5亿元，同比分别增长6.1%、6.9%、5.8%、6.6%。相比去年一季度，四座城市GDP增量分别达到123.1亿元、102.1亿元、70.6亿元、76.1亿元。,优德app下载,澳博体育注册App,七肖中特。

  12月28日,长江经济带近视防控工作现场推进活动在武汉举行,随着四座大型国际机场陆续启航，深居内陆腹地的大西北，能否迎来起飞？,爱游戏开户,澳门皇冠a站,贝博开户网址。