猫眼电影记者 约翰·桑顿 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：金沙奥门

  12月25日,风雪无阻，温暖守护——各地多举措迎寒潮保民生,商务部新闻发言人表示，从市场经济原理看。供给和需求是市场经济内在关系的两个基本方面。在经济全球化的现实背景下，供需问题要从全球看，不能只看一国。当今世界经济早已你中有我、我中有你，成为不可分割的一个整体，生产和消费都是全球性的，需要在全球视野下进行供需匹配和调节。不能因为一国的产能超过本国需求，就贴上“过剩”标签。,二八杠谁最大。

  12月25日,陆军《奋进之陆》宣传片发布,对于中国来说，与一个地区的合作模式也不是新鲜事物。例如，中国与东盟建立了“10+1”机制。,银河APP注册官方,云顶平台,男篮世界杯投注推荐。

  时事2：美高梅真人app下载

  12月25日,雪后故宫吸引游客参观游览,依据有关规定，经中央纪委常委会会议研究并报中共中央批准，决定给予钟自然开除党籍处分；按规定取消其享受的待遇；收缴其违纪违法所得；将其涉嫌犯罪问题移送检察机关依法审查起诉，所涉财物一并移送。,永利真钱官网,华体会足彩,BOB网页登陆。

  12月25日,女排超级联赛：北京女排1:3不敌江苏女排,“当前世界正在经历深刻变革，论坛的召开具有重要意义。”陈黎明表示，发展是解决一切问题的关键，本届论坛将汇聚各方共识，围绕人工智能、生物技术、量子计算、能源转型等重要领域，推动世界经济稳步迈向更加平等、更可持续和更有韧性的未来。,网络百人牛牛怎么赢钱,bet九州,注册就送钱可提现。

  时事3：欧洲杯预测

  12月25日,伊朗：始终希望通过外交途径解决争端,双方一致认为，非洲国家和平、稳定和获得真正的独立自主是非洲大陆发展与繁荣的基础。双方呼吁维护国际对非合作的良好健康氛围，为此双方将继续就非洲事务加强沟通协作，为支持非洲国家以非洲方式解决非洲问题作出贡献。,手机网投平台网站十大,鸭脖平台怎么样,114网址大全。

  12月25日,宁夏：筑牢法治基石 绘就乡村善治新画卷,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。,im电竞入口,竞彩篮球官网,云鼎现金。

  时事4：搏天堂游戏下载

  12月25日,“十四五”期间 青海累计办理法律援助案件4.3万余件,常年打球的张先生告诉《环球时报》记者：“在郑钦文夺冠前的这几年，网球运动在大众层面一直是向上走的态势，加入网球运动行列中的人不断增多。”张先生分析，这也许跟网球是隔网运动有关，因此在疫情期间受到欢迎。,享玩棋牌,世界杯买球微信群公告,美高梅游戏线上注册。

  12月25日,中国台湾地区附近发生6.5级左右地震,一季度佛山市房地产业增加值同比下降13.1%，规上工业增加值与房地产紧密关联的金属制品业、陶瓷压机等专用设备制造业、橡胶和塑料制品业等行业增加值不同程度下降。,足球上盘好还是下盘好,bbin官网手机版下载,AG真人怎么开户。