猫眼电影记者 翟天山 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1：万博ManBetX网页版

  12月25日,我国多举措促进明年经济稳中求进 提质增效,今年以来，经济大市表现越发稳健。去年一季度，四座一线城市中仅有深圳GDP增速跑赢全国大盘，而今年同期，深圳和北京都实现6%以上的增速。,相关搜索。

  12月25日,学习规划建议每日问答｜怎样理解完善区域创新体系,12月19日，“光通信电芯片第一股”优迅股份完成上市，首日大涨超350%。,亿万先生007网页登录,二肖二码,现金线上app。

  时事2：世界杯买球权威伽fc3_tv

  12月25日,“带娃新宠”悄然走红 AI玩伴能让家长省心放心吗,李瀚明表示，乌鲁木齐机场的国际航线虽然多，但不强。比如国际航班量占比较少，国际航班密度不够，国际航线集中在中亚、西亚。香港航线实际上是乌鲁木齐唯一一条向东直飞的国际和地区航线。,千亿国际pt游戏老虎机,巴黎人真人登陆,博鱼登录官网。

  12月25日,兰州：“从黄河到天山——史前彩陶的西渐之路”大展吸引民众,庭审中，检察机关出示了相关证据，被告人汲斌昌及其辩护人进行了质证，控辩双方在法庭的主持下充分发表了意见，汲斌昌进行了最后陈述，并当庭表示认罪悔罪。,乐鱼全站app下载,币游网站,10博网址谁知道。

  时事3：足球世界杯投注平台

  12月25日,台综院预测台湾明年经济增速3.46%,国际媒体一下抓住新闻点，为什么是在中国？美联社的新闻标题写道，“伊朗与沙特在中国的帮助下同意恢复关系”。法新社直接给这一协议打上了“中国制造”（Made in China）标签。《经济学人》报道说，两个宿敌坐在一起已经够惊人的了，但更让人惊讶的是会谈地点在北京，而不是一个中东国家的首都。,挖娱乐,365bet手机版登陆,在线玩的斗牛。

  12月25日,黄奇帆：五件事将极大推动海南产业发展,徐兴建在加入信达财险之前，已经积累了丰富的跨界工作经验。他的职业生涯起步于政府部门，曾担任山东省郓城县工商局双桥工商所所长，之后在济南市第一市政工程公司、阳高登塑料有限公司等企业担任管理职务。1999年进入金融行业，在兴业银行分行有工作经验，后担任华建国际集团投资总监。,EVO吉祥厅法式轮盘黄金版,世界杯预选赛怎么下注,188体育客户端平台介绍。

  时事4：六合心经B

  12月25日,百万亩荒山变绿的背后——在海拔3900米植树造林究竟有多难,这意味着，2026年开始，全球锂行业的新增产能会越来越少，供给更多将依赖于在产项目，整体供给增速很可能会环比下降，供给端边际改善的确定性较强。,AG真人百家乐,乐动体育赌场网站,世界杯2026买球app。

  12月25日,【百万庄小课堂】免疫力越高抗癌能力越强？专家：太高反而“帮倒忙”,此次工行青海分行设立武装部，建设一支“平时服务、急时应急、战时应战”的国防力量，是西宁市委市政府贯彻习近平强军思想的重要举措，也是西宁市国防体制改革的重大实践。,dafa娱乐手机版,365体育中文版,赛马会高级段数图(新）。