猫眼电影记者 杨培华 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1：百威娱乐城

  12月28日,女孩穿“光腿神器”进急诊！医生提醒,从“对标者”到“被对标者”，鸿蒙与开发者们，绘制出中国操作系统生态的“微笑曲线”——而这，或许才刚刚是上扬的开始。,金游世界棋牌。

  12月28日,飞机上真的有“最安全座位”吗？,据第一财经，去年8月27日，证监会发布《统筹一二级市场平衡优化IPO、再融资监管安排》，阶段性收紧IPO节奏，此后，沪深交易所提交注册和取得注册批文的公司数量，总体保持平稳。同时，受多重因素影响，提请上市委审议的项目数量同比有所减少。,AG真人竞彩官网,澳门皇冠线下真人,百老汇会员登入唯一网址。

  时事2：beplayapp怎么下载

  12月28日,“火锅季”催热出口 海关助“中国味道”飘香海外,“我是个彻头彻尾的美国人。我开的是雪佛兰皮卡。”印第安纳州的一家建筑工地监控公司的老板埃里克·埃伯特说，“但美国的无人机无法与之竞争。”,世界杯买球规则详解,炸金花直营下载,巴黎人线上下载。

  12月28日,广西农机也可叫“滴滴” 无人化冲进赛道,过去一周，地缘政治紧张局势上升进一步放大了黄金的避险吸引力，尤其是在委内瑞拉：美国封锁油轮，并加大对马杜罗（Nicolás Maduro）总统政府的施压力度。,澳博体育最新版APP,真人cs国际比赛,天博平台不能提款了。

  时事3：mantex手机登陆

  12月28日,东盟学子“穿越古今”感受中华文明,郭宁宁曾长期在中国银行工作，历任中国银行金融市场总部总经理，香港分行行长，新加坡分行行长等职。,凤凰彩票网页版,体育娱乐平台有哪些,最新体球网即时比分。

  12月28日,“革命之路——胡志明同志在中国”专题展重庆开展,青海将西宁机场三期扩建工程视为深度融入国家“一带一路”建设的重点工程；甘肃认为兰州中川国际机场三期工程是积极参与共建“一带一路”的有力注脚；西安和乌鲁木齐都表示，咸阳机场、天山机场的改扩建工程，能助力西安、乌鲁木齐打造“一带一路”核心枢纽。,爱游戏网页版登录入口,澳门皇冠电玩城下载,kb体育app。

  时事4：平特乾坤卦（荐）

  12月28日,【小新的Vlog】天冷了 去早市尝尝东北的冬日小吃,目前，全球已建成最长的海底隧道是连接英国和法国的英吉利海峡隧道。英吉利海峡隧道由三条长51公里的平行隧洞组成，总长度153公里，其中海底段的隧洞长度为3×38公里。经过长期勘察和谈判，1986年英法两国签署了《坎特布利条约》，1987年正式破土动工，历时八年建成通车。英吉利海峡隧道大大方便了英法两国之间的交通联系，每年通过隧道的旅客人数达到了1800万人，货运达到了800万吨。,二八杠大小排序,贝博在线试玩,卡塔尔世界杯足球买球。

  12月28日,台民间忧半导体产业优势流失 国台办：绝非危言耸听,此外，埃尔多安反驳了部分指责政府应对不力的批评。他表示，“没有可能为如此（级别）的灾难做好准备”，但政府不会让任何公民得不到照顾。他称，有“不光彩的人”正在散布关于政府行动的“谎言和诽谤”。,澳门网上国际,寰宇手游平台,名人娱乐。