猫眼电影记者 赵芳 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：开博体育app下载苹果

  12月24日,第二届北京陶瓷艺术精品展启幕 展现当代陶瓷多元风貌,2018年10月，郭宁宁任福建省政府党组成员，11月当选为福建省政府副省长。,万博maxbextx官网登陆。

  12月24日,东西问｜张安福：从千年唐蕃古道历史看汉藏民族交融,不过眼下，郑州正借势郑州比亚迪工厂、郑州上汽乘用车二期等项目，逐步将新能源汽车培育成下一个引擎。不论对工业经济增长，还是外贸发展而言，新能源汽车产业都将成为郑州“转身”的一个关键变量。,有没有赢真钱的斗地主,万博manbext网页版注册,利博官网网站。

  时事2：ag正规网

  12月24日,微视频｜铭记,底特律讯 —— 美国汽车行业的纯电动汽车赛道，正式迈入‘理性时代’。,冠捷官网,新皇冠体育,bet9网站怎么打不开了。

  12月24日,中方回应美国施压委内瑞拉：支持委方关于召开联合国安理会紧急会议的要求,此外，在今年1月获批的《山东省国土空间规划（2021—2035年）》中，同样提到“推动渤海海峡跨海通道规划论证”。,银河电玩官网,必赢亚洲网站网址导航,新濠天地投注登录。

  时事3：真钱投注手机版下载

  12月24日,冰雪美景成为激活乡村振兴“金钥匙” 村民在“家门口”吃上“旅游饭”,前述加纳手机经销商也深有感触，在非洲无论是做翻新机生意，还是做某个品牌的代理商，在前期最重要的都是积累客户资源，一旦形成稳定的客源就难以流失。,赌博送钱游戏,bt365手机平台,手机版体球网。

  12月24日,四中全会精神解读·市场最前沿|织起全国一张网，看算力普惠按下“加速键”,4。有关部门和单位应当注意防范因用电量过高，以及电线、变压器等电力负载过大而引发的火灾。,手机澳门皇冠玩的吗,必赢亚洲登陆地址,同城游斗牛规则。

  时事4：半岛官网最新下载

  12月24日,“阅见花城 活力广州”融合共创活动举行,带领国足三场比赛，主客场对阵新加坡、主场对阵泰国，伊万只交出了1胜1平1负的尴尬答卷，技战术角度，三场比赛，伊万留下了太多值得商榷之处，还有最后一场和韩国队的比赛，留给伊万的时间已经不多了……,四方棋牌斗地主,韦德体育注册App,葡京网上电子平台。

  12月24日,中资数字企业出海遇“险”？上海推出多个出海服务载体护航,宋丁认为，佛山一季度经济失速不是偶然性的，而是经过多年积累，最终爆发出来的。他进一步解释，佛山在家电等领域有较为强大的产业底盘，但也有天然的“缺陷”——,mgm娱乐,注册就送钱的游戏,AG是视频还是真人。