猫眼电影记者 梁卓如 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：云顶国际app下载

  12月26日,高市早苗涉台谬论越线玩火 “回旋镖”重创日本丨图览天下,而EpicPharma（美国仿制药业务）受美国仿制药市场竞争白热化、原料药成本上升及中美贸易关税等因素影响，该子公司持续亏损，成为公司的业绩“拖累”。2025年中报显示，国际业务营收下滑明显，且毛利率受压。至于其他国内子公司，武汉人福、北京医疗等子公司部分产品受集采未中标或降价影响，销售收入出现不同程度下滑。,6163银河 163.com。

  12月26日,厦金大桥关键控制性工程刘五店航道桥主塔完成封顶,“五年间，一级市场格局发生根本性重塑，基金设立从以往追求财务回报为主，相对转向更强调与地方产业战略及产业链强链补链深度绑定。”张丽华告诉记者，华工瑞源二号基金全国资LP结构，正是市场“国资LP成主导”这一趋势的缩影——具备强大产业背景与深度赋能能力的CVC，正成为国资开展产业孵化、实现地方战略目标的首选合作伙伴，共同构建“产业孵化”的新生态。,盛世线路入口官网,澳门永乐官网,最新捕鱼上下分。

  时事2：ag试玩2000元的平台

  12月26日,2026年美加墨世界杯完整赛程公布,天眼查显示，泸州盛夏之光文化传媒有限责任公司成立于2022年4月11日，赵菊英是该公司的法人代表，公司注册地址位于四川省泸州市纳溪区，其经营范围包括教育咨询服务（不含涉许可审批的教育培训活动）。记者拨通该公司注册登记的电话，被多次挂断后提示对方已经关机。,易胜博足球开户,金酷游戏,金三角娱乐场。

  12月26日,悉尼发生大规模枪击事件 中方对遇难者表示哀悼,值得注意的是，这些关联交易都是在当代集团的要求和安排下进行的。更严重的是，人福医药在2020年年度报告中，完全遗漏了控股股东非经营性资金占用的信息，导致该年度报告存在重大遗漏。,日博游戏登录,体育彩票365app下载,m6米乐网址。

  时事3：欧宝网址

  12月26日,“十五五”中国小微客车短租市场规模年均料增15%左右,雷霆手段的结果是，今年前三季度该公司业务稳定，利润高增长。新阶段，国任保险的改革之路还在继续．．．．．．,捕鱼达人1经典版,申博开户中,BBIN体育直播手机版下载。

  12月26日,预计“十五五”时期，全国小微型客车短租市场规模年均增长15%左右,值得一提的是，吉尔·拜登和埃姆霍夫的问候吻除了被保守派人士抓住批评外，还在社交媒体上引起了轰动。截至目前，美国公共事务卫星有线电视网（C-SPAN）有关这一幕的直播视频在推特上已获得了超230万的点击量，许多人都在争论这一吻是否有问题。,bbo网址app下载,扫雷游戏下载,网投平台网站大全。

  时事4：牛牛赌场网

  12月26日,广东发布2025年第3号总林长令 全面加强鸟类保护,尤其是温州，在今年“新春第一会”上，温州正式擂响冲刺“双万”城市的战鼓，陆续出台《温州市2024年一季度“促消费、扩投资、稳生产”十大行动方案》《温州市“比拼一季度、冲刺开门红”投资攻坚行动方案》，清单化推进重大项目实施。,威尼斯人手机版登,亚星官网网址,美狮贵宾会官方网。

  12月26日,两部门：积极推动商保创新药目录纳入商业健康保险保障范围,金鳞岂是池中物，一遇风云变化龙。希望今年高考期间这避不开的雨，也能助力考生鱼跃龙门，从此遨游更广阔天地。,jdb电子龙舞,尊龙注册App,AG是什么平台。