猫眼电影记者 丘应桦 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：杏彩平台登陆官网

  12月28日,企业做公益不难，难的是坚持,美国锐联全球顾问公司创始人许仲翔表示，在人工智能赛道的竞争中，美国在创新方面具有优势，而中国则在工程技术、制造业以及电力供应领域占据上风。,亚新官方网站。

  12月28日,美军在波多黎各举行大规模登陆演习,屠新泉认为，最终结果尚未公布，车企应积极应诉，有效控制相关风险。长期来看，车企应提高产品竞争力，探索更多技术合作、投资合作等不同合作方式，进一步扩大和相关国家的合作利益。不能把贸易当做唯一的市场占领手段，要更多地寻求国际投资和合作。,麻将牌有多少张,必赢626net官网,云顶集团网站。

  时事2：二八杠现金开户网址

  12月28日,两菜一汤的温度：当大埔火灾灾民来到香港过渡性房屋,现代汽车同样在电动汽车领域投入了数十亿美元，其转型策略则兼顾多方特点：和通用一样，现代将继续在售现有电动车型，且预计还会推出全新电动车型；同时也效仿福特，决定加大对混动车型的布局力度，并将佐治亚州一座耗资 76 亿美元的全新工厂产能，分配给现代与起亚的混动及燃油车型生产。,六合精选,ku游九州,大发登录官网。

  12月28日,白银年内涨幅刷新历史 成年度“黑马”投资品,作为全国深化农信社改革的“第一单”，2022年4月，浙江农商联合银行正式挂牌成立。目前该行下辖82家县（市、区）农商银行、农信联社，拥有网点4000余个，金融服务点1万余家，员工5万余人。截至2025年6月末，浙江农商银行系统全系统（含村镇银行、温州银行）管理资产总额为7.02万亿元，比去年末增加3.39%；较2024年末的6.79万亿元，突破了七万亿元大关。,6686体育集团官网6686e8,金佰利真人国际娱乐,伟德官网地址。

  时事3：必博外围官网

  12月28日,甘肃文旅塑“全域吸引物开发”模式,5月9日，上交所曾公告，由于李国杰配偶在6个月内买入又卖出、卖出又买入其所持公司股份的行为，构成短线交易，且涉及交易金额巨大，情节严重。上交所决定对中科曙光时任董事长李国杰予以公开谴责。对于上述纪律处分，上交所将通报中国证监会和天津市地方金融管理局，并记入上市公司诚信档案。,银河至尊网站,亚愽体育登录平台,沙巴体育app官网。

  12月28日,11月广东CPI同比涨幅扩大 PPI环比继续上涨,5月7日至9日，中共中央政治局常委、国务院总理李强在新疆调研。,虎扑体育nba,雷速体育最新款,明升体育网投平台。

  时事4：银河真人国际

  12月28日,刚上冻就开滑？薄冰承不住“侥幸”,路透社最新报道称，耶伦8日对记者表示，加强与中国在经济领域上的沟通交流非常重要。“我仍然希望能够访问中国，与经济领域的同行会面。但我没有任何具体的时间告诉你，我确实认为这取决于国务院和国防部（的决定），”她说。,打鱼注册送分34元,佛祖禁肖图,九游会体育。

  12月28日,世界羽联总决赛：中国台北组合小组赛落败,“实际上就是‘打样’。”李瀚明认为，国泰开航证明了乌鲁木齐机场具备保障顶级航司的能力，会产生示范效应。国泰飞得好，其他国际顶级航司，以及东亚、东南亚的航司都会考虑跟进。除了证明机场的保障能力，也是新疆以此为契机，对外释放开放活力的强烈信号。,皇冠beat365安卓客户端,尊龙app - 尊龙官网登录,多宝网址。