猫眼电影记者 周怡梅 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：yabo官网

  12月29日,中老铁路通车四年：发送旅客超6250万人次,王新利作为信达财险转身国任保险后的首任总裁，2017年8月出任该公司临时负责人，并于2018年4月正式获批，其也是该公司首位社聘总裁。,og真人代理bet在线。

  12月29日,破局“零免赔”、70周岁可投保，平安e生保·百万医疗十周年版迎来重磅升级,首先根据我们前面的推导可以得出，目前央行整体流动性投放相对比较中性，因此在扰动相对较大的情况下，资金的宽松或更多是来自于国有行资金的相对充裕。,亚美体育app下载,AG视讯怎么赢,365极电竞。

  时事2：永利轮盘在线官网入口

  12月29日,全岛封关看海南：企业能享受哪些红利？,降水引发帕哈罗河水位猛涨，冲垮一段大约30米的堤坝。蒙特雷县超过8500人收到疏散命令或警告，包括大约1700名帕哈罗社区的居民。抢险人员和加州国民警卫队彻夜从洪水中救出超过50人。一段视频显示，国民警卫队员从齐腰深的水中帮助一人从汽车里脱困。,新宝6平台在线入口,二八杠游戏网,足球世界杯买球。

  12月29日,华中首座全地下净化水厂：地下处理污水 地上健身遛娃,“欧方多项‘补贴’指控存在不实成分，涉嫌‘猎巫’举动。在布鲁塞尔举行的数次听证会上，中企及有关方面对调查中出现的问题提出质疑，但欧方均未给予回应，也未纠正其错误做法，使听证会形同虚设，欧盟中国商会对此深感遗憾和担忧。”欧盟中国商会表示。,库博体育登录网,百家乐6口公式打法,全发国际app安装。

  时事3：足球外围去哪买

  12月29日,从“文化符号”到“百亿产业” 宁德大黄鱼游出富民新路,亿纬锂能的钠离子电池项目总投资超10亿元，规划总建筑面积9万㎡，设计产能约2GWh，集研发-中试-量产于一体，预计投产后年产值达10亿元。,7月11世界杯投注比例,10BET十博最佳体育平台,沙巴体育唯一。

  12月29日,台湾音乐人“登陆”创作闽南语新歌 在古街古厝歌唱同根同源,今年一季度，佛山进出口总额1273.29亿元，同比下降33.1%，增速在外贸20强城市中垫底，外贸规模也由去年同期全国第10位下降至第17位。,优博怎么开户,188体育上网导航,打牌真人现金平台。

  时事4：万象城awc777

  12月29日,WTT香港总决赛9日挥拍 莎头组合持外卡参赛,2018年自然资源部成立后，钟自然任自然资源部党组成员，中国地质调查局局长、党组书记。直至2022年9月卸任。今年1月2日，即2024年首个工作日，其官宣被查。,必赢国际游戏登录,365体育亚洲官方入口,摩登彩票平台靠谱。

  12月29日,香港特区行政长官李家超将赴北京述职,在周期低点，生产企业通常会主动减产、降低资本开支，通过供给端收缩的方式形成新的供需平衡。,芒果体育平台官方网站,捕鱼千炮版官方正版,沙巴体育没有官网吗。