猫眼电影记者 程家道 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：爱动体育网下载

  12月23日,中国—巴西科技创新中心在里约热内卢启动,3、2026年1月资金面核心围绕“信贷、政府债缴款、税收、春节取现”展开，扰动因素更强，而且1月的资金面状态，最能体现央行态度变化，从12月央行呵护资金面表述、债市利率高位震荡、央行配合财政诉求等角度出发，我们认为央行操作会更加积极，可能会加大买入国债力度、同时降准予以配合，降息也有一定可能性，因此资金利率波动和资金分层现象均小于季节性。,188金博网欢迎您。

  12月23日,以军称打死哈马斯高级指挥官 双方互指违反停火协议,全球央行黄金存储模式有三类，一是纽约模式，二是伦敦模式，三是境内或三方模式。三类模式在交易便利性、主权控制权和地缘政治风险之间寻求平衡。,九游会app链接,美高梅注册直营,直营赌博游艺平台。

  时事2：通化大嘴棋牌最新版本

  12月23日,迈向“十五五”美丽图景·一线见闻 长护险探索更大范围互助共济,根据国际文传电讯社，哈萨克斯坦财政部长Madi Takiyev表示，哈萨克斯坦计划在1月至2月发行3亿至4亿美元的熊猫债。,怎么线上炸金花,菲律宾亚星登陆,世界杯投注安全吗。

  12月23日,浙江：借助大数据技术 精准发放高龄津贴,关税法二审稿明确跨境电商领域的相关扣缴义务人，将有关便利纳税人的政策规定上升为法律等，预计还将三审。,ag平台官方网站,湘西内幕传真A,帝臣国际真人投注。

  时事3：365bet最新官网备用网站

  12月23日,新版中俄双边投资协定于12月1日正式生效,报道说，在与朔尔茨的会谈中，拜登需要“诚实”地回答一个问题：美国政府还能向乌克兰提供多长时间援助？在美国国会中，希望回归特朗普孤立主义的共和党少数派正在发出他们的声音。鉴于共和党在众议院占微弱多数，那么关于议长凯文·麦卡锡是否准备和民主党一起投票通过预算法案就显得至关重要。如果他不想——目前看起来就是这种情况——那么拜登政府可能会在9月失去援乌的动力。,2020最新棋牌娱乐,金沙国际真人视讯,黄冠体育网站。

  12月23日,泰柬边境冲突已造成3名泰国士兵死亡,在表姐离开华强北时，因为竞争激烈，每台翻新机在国内市场的利润可能只有几块钱，非洲对于他们而言是一个利润更丰厚的市场。,世界杯足彩在线购买,365bet体育在线滚球app,ag正网网址。

  时事4：bob上不去

  12月23日,拾光纪·“务实是必备品格”，习近平这样要求共产党人,公权私用破了底线，违规决策踩了红线，收受贿赂碰了高压线，靳东亲清不分，甘于被“围猎”，把手中的权力变成了谋取私利的工具。贪欲之门打开了，贪腐的步子迈出了，在给地方政治生态、营商环境造成严重影响的同时，靳东自己也在追逐“钱途”中泥泞不堪。,皇冠彩票网官网首页,重庆分分彩平台网址,精装彩霸王。

  12月23日,660亿人次跨区域流动！2025年这些“亿级交通项目”你参与了几个？,12月22日，亿纬锂能在惠州仲恺高新区举办“钠电池及AI创新园区”动工仪式，计划打造亿全新的亿纬钠能总部和金源机器人AI中心。,安博体育电竞下载,澳门电子游戏网址排行,帝豪国际。