猫眼电影记者 邱毓莹 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1：万盈金融官网登录

  12月29日,多位选手在残特奥会田径（马拉松）项目刷新全国纪录,2019年12月，国任保险进行更名后首次增资扩股，向3名新进股东和2名现有股东共增发股份10.07亿股，该公司注册资本增至40.07亿元。,篮球投注app。

  12月29日,中国经济高质量发展前景广阔、未来可期,（解放日报·上观新闻记者 朱珉迕 吴頔 王闲乐 胡幸阳 邬林桦 周程祎）,开心炸金花手机版最新下载,千赢在线平台下载官网,沙巴体育平台滚球。

  时事2：乐鱼体育平台进入

  12月29日,报告：中国可持续发展综合指数连续9年稳步增长,阿拉木图人口近200万人，民航吞吐量规模在1000万人次；乌鲁木齐人口超过400万人，民航吞吐量规模在2700万人次。“新疆人均乘机次数更多，但乌鲁木齐国际旅客吞吐量不到阿拉木图的十分之一，国际货邮吞吐量更是阿拉木图的零头。” 李瀚明认为，换个角度，差距就是上升的空间。,赢多多在线登录,手机足彩怎么买,6up无法登录。

  12月29日,“铭记·慎忘——南京大屠杀1937”影片放映暨分享会在香港举行,靳东，1976年出生于山东省，毕业于中央戏剧学院，国家一级演员，曾获得“青年五四奖章”先进个人、“全国德艺双馨电视艺术工作者”等荣誉称号。他还是第十四届全国政协委员。,银河网址,ManBetX万博app官方,im棋牌怎么样。

  时事3：巴黎人官方网站

  12月29日,第二届浙江海外社团联谊大会举行,据广州市统计局分析，一季度，广州经济运行在面临燃油车、房地产两大市场需求不足影响，以及自身产业周期性、结构性因素的挑战下平稳开局，全市经济“量”的扩张、“质”的提升持续显现。但当前广州经济运行仍处于动能转换、结构调整的关键期，面临行业修复不平衡、新动能未能有力支撑增长等问题。,百老汇信誉盘平台,188体育今日独家推荐,欧宝电子网投。

  12月29日,香港金紫荆广场下半旗向大埔宏福苑火灾罹难者志哀,双方重申致力于构建更加公正稳定的多极化国际格局，无条件全面尊重并遵守《联合国宪章》宗旨和原则，维护真正的多边主义。双方强调应进一步加强“捍卫《联合国宪章》之友小组”的工作。,百老汇真人投注,365足球外围网站下载,澳门老虎机规则讲解。

  时事4：威廉希尔足球官网

  12月29日,中央经济工作会议在北京举行 习近平发表重要讲话,相当多的国家选择不公开黄金存放细节。包括日本、哈萨克斯坦、乌兹别克斯坦、泰国等国。,最新博彩论坛大全,必赢亚洲网站下载app,真人888国际体育。

  12月29日,国际机构看中国经济 经合组织：中国是全球经济增长关键贡献者,Copyright © 1996-2025 SINA Corporation,葡京会官网下载,体育彩票投注,乐鱼体育棋牌。