猫眼电影记者 古力·克依木 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：尊龙手机端下载

  12月24日,湖北鄂州花湖国际机场启用全国首个“三检合一”通道,由于务农收入不高，这几年柴达木嘎查有1/3的人都外出务工，去到京津冀甚至更南方的省份打工。不大的村子在变得冷清和萧条。这些外出打工的村民，很多是子女快到了婚龄。“一般是老两口结伴一起外出，挣个十万八万给孩子结婚的彩礼钱。还有盖房子的钱，如果算上装修也得二十几万。”李七英说，外出的村民们一般把林地、耕地都租出去了，自己收一些承包费。,ca88手机版。

  12月24日,四川峨眉山降雪后迎晴好天气,英国媒体近日报道称，英国政府已与澳方达成原则性协议，供应采用英方设计、至少部分在英国建造的核潜艇，其每艘造价约20亿英镑（约合164.7亿元人民币）。有媒体报道，英方将把英国海军订购的“阿伽门农”号和“阿金库尔”号两艘“机敏”级攻击核潜艇转卖给澳方，预计分别于2024年和2026年完工。,万博手机版登陆官网,kok官方网,现金注册mg。

  时事2：万豪游戏中心app

  12月24日,国家技术转移中部中心在武汉揭牌,在被抽样选中的三家车企中，上汽集团面临加征的关税税率达38.1%，税率最高；吉利汽车和比亚迪面临加征的税率分别为20%和17.4%。,全民斗牛牛赢现金游戏,新人注册送38元电子游戏,巴黎人体育在线。

  12月24日,北京卧佛寺蜡梅盛开吸引游人,证监会依据《证券法》第181条，对公开发行文件造假行为单独处罚：,捕鱼大作战途游捕鱼,九州买球,乐鱼体育官方app。

  时事3：ag百家家乐

  12月24日,首船“樱桃快航”抵达上海洋山港 带来逾2.1万吨智利车厘子,其次，高管薪酬面临行业性压制。尽管公开信息未披露北京人寿具体的高管薪酬数字，但其所处的行业背景值得关注。近年来，在财政部“限薪令”和行业周期下行的影响下，保险业高管薪酬整体呈下降趋势。特别是对于北京人寿这类股权结构中包含地方国资背景（如北京供销社、顺鑫控股）的企业，其薪酬体系受到的政策约束更为严格。行业数据显示，2024年已无国资背景的非上市险企董监高年薪超过500万元。,皇冠官方网,云顶国际app网址,哪里有球探app下载。

  12月24日,内蒙古：雪落古城 绘就中式浪漫画卷,随着互联网的普及、人工智能的应用，越来越多的问题能很快得到答案。那么，我们的问题是否会越来越少？,云顶赌博在线,kok手机版注册,真实赌博官网网站。

  时事4：澳门世界杯竞猜网站

  12月24日,馆藏明代仇英名作为何现身拍卖市场？南京博物院回应,双重身份：既是直接负责的主管人员，又是组织指使舞弊的实际控制人；,至尊赌博,贝博官网下载app,博天堂快速开户。

  12月24日,中华慈善总会：已募集近7000万元救灾款物帮扶香港火灾受灾同胞,在耿勇看来，银行理财子围绕县域乡村居民的定制化理财产品日益增多，将有助于加快农商行向纯代销机构转型的步伐，因为后者可以将更多精力资源从产品风控转向当地居民理财需求洞察与合规销售。,j9九游会老哥俱乐部,千亿国际pt游戏老虎机,永乐国际AG旗舰厅手机客户端。