猫眼电影记者 黄沾 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：宝马bm555线路检测

  12月28日,白银年内涨幅刷新历史 成年度“黑马”投资品,2018年自然资源部成立后，钟自然任自然资源部党组成员，中国地质调查局局长、党组书记。直至2022年9月卸任。今年1月2日，即2024年首个工作日，其官宣被查。,皇冠app平台。

  12月28日,以法为尺以情化人 宁夏社区矫正有“法度”更有“温度”,——加强青年领域合作，开展理想信念、正确价值观和爱国主义教育，支持青年创新创业、志愿服务、提升创造力。为巩固并丰富世界青年联欢节和世界青年发展论坛成果，继续深化各层次青年交流，在多边青年平台开展协作，推动共同的国际合作主张。,万博官网欢迎你,篮球竞彩即时比分,pt游戏下载。

  时事2：贝搏登录

  12月28日,我国成功发射遥感四十七号卫星,据了解，这轮高温以干热、暴晒、地温高为突出特点，并且一天当中高温持续的时间也长，大城市中，像是石家庄、济南、郑州等地甚至从10点持续到19点至20点，可谓“高温陪你上下班”。另外，从6月15日开始，济南高温将再度上演“连续剧”，尤其是下周初的最高气温甚至可达38℃左右，“炎”值不减，公众需密切留意临近预报，做好防暑降温工作。,亚娱体育,抢庄十点半真人游戏,贝博体育app安卓手机下载。

  12月28日,（同心抗战）台湾抗日志士罗福星孙女：当祖国领土被异族侵犯，作为中华民族应奋起反抗,江西省委常委会、司法部党组召开会议：坚决拥护对唐一军审查调查,杏彩平台注册登录,168体育下载,ag真人国际厅网站。

  时事3：澳门十大正规游戏平台

  12月28日,江南冬日 浙江杭州水上森林红似火,“二审稿增加规定，其实就是落实货物放行与税额确定相分离的模式，便利纳税人。”施正文说。,梭哈策略,BOB官网买球,ManBetX万博注册。

  12月28日,法国卫生部长称全法流感活动水平接近高峰,汇川产投方面告诉记者，传统模式下，上市公司多以出资人身份参与基金，基金投资方向即便覆盖上市公司上下游，但本质是“出资人与管理人”的外部合作关系，上市公司较少将基金投资深度嵌入自身业务流程。CVC模式的核心竞争力，却源于对母公司业务逻辑与战略布局的深刻理解，基于这种理解挖掘潜在产业机会，是CVC构建差异化优势的关键所在。,真人斗牛最新版,世界杯在哪里投注球队,博鱼可靠吗。

  时事4：大型体育平台游戏

  12月28日,广西提升中医药服务可及性 打造四级网络惠及基层,福特汽车则明确，将把投资重心转向混动车型（包括插电混动），而非纯电动车型；取消下一代大型纯电皮卡的研发计划，转而开发更小、更亲民的经济型电动车型；同时重新平衡在皮卡、SUV 等核心燃油车型上的投资。,手机网赌网址有哪些,乐鱼跨境平台官网,威尼斯手机客户端官网。

  12月28日,全球首台船用中压直流混合式断路器研制成功,双方认为，人文交流对增进相互理解、弘扬睦邻友好传统、赓续两国人民世代友好、夯实双边关系社会基础具有极其重要而深远的意义。双方愿共同努力，积极拓展两国人文合作，提升合作水平，扩大合作成果。为此，双方商定：,AG真人登录官网,贝博官网是多少,澳门十大游戏。