猫眼电影记者 谢礼恒 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：威尼斯人视讯登入

  12月26日,寒冬踏雪送健康 西藏军区总医院赴那曲开展巡诊服务,——在中俄总理定期会晤委员会机制框架下成立中俄北极航道合作分委会，开展北极开发和利用互利合作，保护北极地区生态系统，推动将北极航道打造成为重要的国际运输走廊，鼓励两国企业在提升北极航道运量和建设北极航道物流基础设施等方面加强合作。深化极地船舶技术和建造合作。,188体育平台最新版。

  12月26日,残特奥会越野滑轮第二日决出七枚金牌,在疫情初期铜价飙升时，银行和交易员也曾做出类似的大胆预测，但由于买家的强烈抵制，那轮涨势最终在11000美元下方止步。,188bet在线体育app,kok官网注册账号,买篮球的网站。

  时事2：澳门皇冠站

  12月26日,武契奇：绝不允许有人颠倒黑白 歪曲事实,而眼下，《细则》的发布又给郑州带来新的热度。这份文件几乎涵盖文旅文创产业发展的方方面面，具体包括对创建国家级、省级文化旅游品牌；旅行社引客入郑；文化旅游新业态发展；演艺产业高质量发展；非物质文化遗产保护传承；旅游产业招大引强；参加国家级、省级赛事活动等8大方面进行扶持。,乐博手机版登录,欧洲杯抽签直播在线观看,大发888娱乐账号。

  12月26日,国际移民日：华侨华人以主动叙事打破“他者”定义,据新加坡联合早报报道，国际货币基金组织（IMF）驻印度办事处前负责人费尔曼指出，尽管印度的科技行业表现强劲，但其传统经济领域仍陷于困境，未能提供足够的就业机会。费尔曼强调，制造业有潜力为印度提供必要的就业机会。,AG8亚洲游app,利来娱乐网,乐鱼苹果下载。

  时事3：2020年欧洲杯东道主

  12月26日,哈伊元首举行会晤 聚焦经贸合作与互联互通,美国知名保守派媒体人班尼·约翰逊（Benny Johnson）还一副被震惊到的模样：“吉尔·拜登刚才是不是亲了卡玛拉丈夫的嘴唇？！”,澳门电玩城安全,凤凰彩票快速注册,乐橙lc88app。

  12月26日,浙江：强化对养老机构监管 确保服务质量,上述视频中虽用字幕注明，“未成年人出镜已经监护人同意后发布”，但视频中孩子的面部均未做遮挡处理。,ob电子游戏,世界杯投注地址柯fc3_tv,yabo怎么开户。

  时事4：注册秒送白菜

  12月26日,现代五项全国冠军陈柏良：热爱是最好的动力,沙伊对话本不是新鲜事。自2021年4月起，两国官员在伊拉克首都巴格达就开始对话。在北京这轮对话之前，两国已举行5轮对话，最近一轮是在2022年4月。,凤凰彩票平台注册,丰禾官网,环球好玩吗?。

  12月26日,海南实现船舶证书文书“一件事一次办” 服务自贸港航运业,根据同花顺iFinD统计，截至12月15日，今年共有341项上市公司参与设立产业基金的事件发生，与去年基本持平。上市公司参与产业基金投资明显向与自身相关度高的、科技属性强的、赛道专注的“硬科技”领域聚集。,银河官网app下载,下载188足球官方网站,彩票app十大排名。