猫眼电影记者 路向南 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：哪个棋牌软件可以玩二八杠

  12月24日,习近平总书记关切事｜中欧班列通陆达海,针对这场引发全网关注的突发事件，快手方面今日通过公告回应称，平台确实遭到了网络攻击，相关问题已在紧急处理修复中，平台始终坚决抵制各类违规内容，目前已将情况上报相关部门，并向公安机关正式报警，后续将配合相关调查推进处置工作。,澳门金威尼斯游戏真实吗。

  12月24日,重庆出台23条措施加强困境儿童福利保障,在储能电池领域，亿纬锂能全球市占率仅次于宁德时代；动力电池领域，亿纬锂能排名国内第五。,能看四张牌的抢庄牛牛,乐博娱乐官网,赌博137公式是什么。

  时事2：99真人国际娱乐

  12月24日,中国海军989编队抵达印度尼西亚进行友好访问,带领国足三场比赛，主客场对阵新加坡、主场对阵泰国，伊万只交出了1胜1平1负的尴尬答卷，技战术角度，三场比赛，伊万留下了太多值得商榷之处，还有最后一场和韩国队的比赛，留给伊万的时间已经不多了……,欢乐炸金花怎么没了,开心炸金花安卓版下载地址,世界杯买球软件皇冠。

  12月24日,浙江龙泉：头茬黑木耳丰收采摘忙,今年 9 月，美国联邦政府推出的最高 7500 美元电动汽车购车补贴正式终止。博拉表示，补贴退场后，电动汽车的真实市场需求究竟有多少，‘现在下定论还为时过早’，车企大概率会在未来六个月内，逐步摸清市场的真实需求水平。,mg注册送88元,必赢亚洲手机客户端官网,米乐m6平台可靠吗。

  时事3：ManBetx官网APP

  12月24日,福州首家市内免税店将于12月18日开业,尽管公司控股权已由民营的“当代系”转移至央企招商局集团，但这并未能掩盖其深层次、系统性的风险。,188bet金宝搏登陆,金沙手机软件,皇冠hga2021。

  12月24日,湖北农业博览会启幕 现场签约逾244亿元,与西方相比，中国不仅尊重中亚各国选择的发展道路，也在合作中充分考虑中亚国家的舒适度与获得感。,有什么赌博的网站,体育赌博登陆官网,美高梅手机微信上分客户。

  时事4：天博手机版登陆

  12月24日,国防部：赖清德当局谋“独”挑衅是害台毁台的最坏毒瘤,值得注意的是，这条海底隧道是铁路隧道。此外，全长54公里，海底部分23公里的日本青函海底隧道，也是铁路隧道。,手机必赢亚洲官网登录,ag真人苹果版,AG8。

  12月24日,【走进民企看质变】海南自贸港封关在即 民企盼把握发展机遇,世界黄金协会的购金数据体系是分析官方机构黄金储备动态的核心依据。有效利用披露的购金数据，需要注意两个关键点，一是IMF申报数据的滞后性，二是非LBMA渠道购买的数据“黑箱”。,AG网上娱乐,买球网站哪个app靠谱,m6米乐官方入口。