猫眼电影记者 赵卫东 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：手机银河app下载

  12月27日,关乎消费、就业、房子，看懂关系到每个人的中央经济工作会议,（观察者网讯）美国有线电视新闻网（CNN）5月10日报道，日本外相林芳正当天接受CNN独家专访时证实，日本正与北约就设立亚洲首个联络处进行磋商。他一边声称这一举措“不针对特定国家”，一边又拿俄乌冲突、朝鲜和中国渲染日本“严峻而复杂”的地区安全环境。,世界杯足彩开户网。

  12月27日,广西防城港以陆海联动筑东盟门户 借文兴旅谱中越情深,当地时间3月12日，英国首相苏纳克将飞往美国与美国总统拜登及澳大利亚总理阿尔巴尼斯会谈，旨在敲定一份涉及三方的核潜艇合作协议细节。,九游会AG官方网站,ManBetx客户端网页版,乐鱼体育电脑版本。

  时事2：kok新版中欧体育入口

  12月27日,第一观察｜传递真善美传播正能量，总书记这样寄语志愿服务,摩根大通预计，2026年黄金ETF的净新增持仓量约为250吨，金条与金币的年需求将再次超过1200吨。截至2025年9月底，投资者通过ETF、实物黄金及COMEX期货持有的黄金，已占全球股票、债券（不含央行储备）及另类资产管理规模（AUM）的约2.8%。摩根大通分析师认为，未来几年这一占比有望提升至4%–5%。,世界杯投注图片讲解,永利博如何注册,奔驰宝马在线玩。

  12月27日,警惕！这8类人最易被中风“盯上” 五个动作自测,该行预计公司2025-2027年归母净利润分别为2.5/5.4/9.3亿元，PS分别为4.5/3.7/3.2X，与可比公司相比性价比突出。,kok注册,mg官方下载,外围平台体育。

  时事3：火狐体育平台网页登录

  12月27日,金观平：有能力实现全年经济社会发展目标,“一部河南史，半部中国史”。在“花式内卷”下，河南正在成为游客的“集散中心”。,现金网,新巴黎,ManBetx在线登录。

  12月27日,青海首个24小时数智零工驿站在西宁投运 实现"指尖接单"促就业,河南省气象台2024年6月14日8时继续发布高温橙色预警：预计6月14日白天，洛阳东部、郑州、开封、商丘、平顶山、许昌、漯河、周口、南阳东部、驻马店、信阳大部最高气温将升至37℃以上，其中周口南部、驻马店北部最高气温将升至40℃以上。,皇冠体育会app下载,雷竞技新官网登录,泛亚电竞竞猜。

  时事4：九五至尊开户

  12月27日,教育对口支援新疆工作会议在乌鲁木齐召开,据报道，康富户还称，每次只要猪价高一点点，民进党当局就急着打压，如果继续这样干，就会像养鸡业没人要养鸡一样，没人愿意养猪，届时没鸡蛋、没猪肉，什么都更贵。康富户呼吁台“农委会”回归市场机制，找出平衡点，让业者生产不亏本，消费者则多负担一些。,必威亚洲官网登录,ca亚洲城网址多少,万赢娱乐平台。

  12月27日,贵州惠水：“中国芭比”唐娃娃订单赶制忙,这或许也是“花生禁令”的政府决策逻辑。希伯花邻镇的一位副镇长对本刊表示，当地有保粮食安全的重任，同时又有绿色生态的重担。“种植花生西瓜属于土地非粮化了，这长期看来肯定是不允许的。现在的基本农田都要牢牢保障粮食作物，加上科尔沁沙地歼灭战，两大压力都汇聚在一起了，所以就要牺牲花生和西瓜这些经济作物了。”,yabo电子网投,新匍京官网,世博体育官网入口网站。