猫眼电影记者 梅劲 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1：九游会注册

  12月23日,巴西学者：高质量发展的中国经济是世界经济主要驱动力,主观管理策略上，国际储备管理中适度的保密措施是央行维系市场秩序和资产安全的必要工具。国际货币基金组织（IMF）的数据显示，有近万亿美元规模的储备资产其货币构成未被公开，这部分“隐藏”储备的比例近年有所上升。,pt下载。

  12月23日,“圣地拉萨·鹤鹤有鸣”生态文旅融合推广系列活动在林周县正式启动,央行选择何种存储模式，并非一成不变，而是基于更深层次的战略考量。,乐竞体育电竞官网,正规足球买球,皇冠官网网址。

  时事2：巴黎人app最新版

  12月23日,宝马企业社会责任发布 与宝马新世代一起解锁非遗保护创新成果,梅赛德斯-奔驰集团对贝壳财经记者表示，“我们关注到欧盟发布的相关临时措施。梅赛德斯-奔驰始终支持基于世贸组织规则的自由贸易，包括所有市场参与者应享有同等待遇的原则。自由贸易和公平竞争将给各方带来繁荣、增长和创新。如果任由保护主义趋势抬头，将对各利益相关方造成消极的后果。”,足球世界杯投注原则,澳门拉斯维加斯网站游戏,斗牛游戏网址。

  12月23日,柬泰边境冲突进入第7天 双方对停火倡议态度不一,据测算，在4月份0.3%的CPI同比变动中，翘尾影响约为-0.1个百分点，今年价格变动的新影响约为0.4个百分点。,九五至尊登录官网,银河客户端下载,分析足球平台软件。

  时事3：必博体育官网网址

  12月23日,邹容生平史实展在重庆开展,信任的崩塌往往只在一瞬，修复之路却道阻且长。对于坐拥4亿日活用户的快手而言，AI业务带来的增长红利固然重要，但用户对内容安全的基本诉求同样是支撑企业长久发展的关键所在。网络安全的本质是人与人的对抗，黑灰产用技术挑战平台时，平台必须以“国家队”的姿态应战。信任的重建，也许就从一次次全链防御中开始。,八方体育登陆网址,金沙官方赌场平台,体育在线投注365。

  12月23日,重庆荣昌：院落人居环境焕新 民族团结“生花”,据中国证券报，市场人士表示，此次深沪两所召开上市委会议，是落实发行上市新规，持续平稳推进发行上市审核的具体体现。,bet356亚洲版体育在线,365bet网投,上游棋牌大厅下载。

  时事4：明博体育客户端

  12月23日,崔保华一审获刑14年 受贿所得财物及孳息已全部追缴,市场研究机构Canalys高级分析师Manish Pravinkumar指出，从2024年第四季度开始，得益于在西非国家如喀麦隆和加纳的积极市场扩展，以及在埃及举办的“小米优惠狂欢节”和在尼日利亚的“小米粉丝见面会”等年末消费者互动活动，小米在非洲实现了22%的增长。,世界杯买球app伽fc3,tv,威斯尼斯人老版本app,彩娱乐平台登录。

  12月23日,日军侵华亲历者：日本应正视历史 为侵略罪行正式道歉,“亚洲是全球经济增长引擎，在全球事务中扮演着非常重要的角色，在科技创新、环境保护、社会治理、国际热点问题等方面，都展现出了强大的实力和影响力。在此举办会议是共同推动创新潜力的良好契机，并为亚洲乃至世界的可持续经济发展势头奠定基础。”陈黎明表示，欢迎更多来自各国的代表共同推动全球合作与创新。,永利皇宫提现,真钱牛牛app官网下载,老街锦利娱乐开户。