猫眼电影记者 周子昆 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1：京港地铁官网

  12月23日,“最团结的时刻”——香港大埔火灾后的爱心接力,12岁的帕哈罗社区居民奥利弗·冈萨雷斯在临时安置点告诉美联社记者，他和家人大约凌晨5时被疏散，当时他只来得及带走手机、笔记本电脑和其他一些重要物品。“我吓坏了，我妈妈的汽车还在水里泡着。”,球探网比分手机旧版。

  12月23日,把脉全球环境治理，外国专家：中国贡献可行实践路径,今年36岁的李樟煜，已经在残疾人自行车项目征战多年。2012年伦敦残奥会，他第一次实现了残奥冠军梦。接下来，从里约到东京，再到巴黎，他带着梦想破风前行，每届残奥会都有金牌入账。据介绍，李樟煜获得的各类国际赛事奖牌已有50多枚。,世界杯买球链接是什么,华体汇体育app下载安卓,凯时AG优质运营商。

  时事2：bet36靠谱吗

  12月23日,“百万英才汇南粤”招聘会深圳启幕 近半岗位年薪超20万元,从初期的艰难摸索，到如今的体验对齐、甚至特色反超，鸿蒙生态的“微笑曲线”已清晰可见。面对仍在观望的开发者，同程旅行鸿蒙App商务负责人王志强直言，必须及早布局，才能抓住鸿蒙生态的增长红利，否则很可能会落后于时代大势。,新濠天地苹果版,官方二八杠,大阳城集团下载。

  12月23日,交通运输部：今年1至11月接报公路水路行业安全生产事故135起，同比下降25.8%,与西方大国不同，中国在中东地区没有地缘政治的历史欠账，从未卷入地缘政治争夺。中国与中东国家有对殖民主义、帝国主义之害的共同记忆，也有对民族解放、独立自强的相似追求。,千金点特A,金六福论坛,拉斯维加斯游戏官网。

  时事3：汇丰国际电子

  12月23日,中国人民抗日战争纪念馆举行南京大屠杀死难者国家公祭日同步悼念活动,盛典上，来自各个领域的生态伙伴代表齐聚舞台，展现了教育、研发、无障碍等各领域伙伴的“追光时刻”，这证明鸿蒙生态的宽度与广度，正由无数开发者和企业共同定义。,ag亚游注册网址,真人国际游戏平台,188宝金博外围官网。

  12月23日,东盟学子“穿越古今”感受中华文明,双方重申致力于推动“在国际安全领域促进和平利用国际合作”联大决议全面有效落实。,美高梅导航官网,快乐炸金花最新安卓版手机,必赢体育下载。

  时事4：世界黄金协会

  12月23日,“十四五”期间北京地区开展400余项考古发掘,然而，她表示，这三个“全”难度非常大：其一是多数企业无法覆盖长尾用户；其二是渠道割裂。“因此，我们为金融机构规划的改革方向是：零售一体化、对公一体化、公私一体化、私行一体化、客户员工一体化。”,皇冠彩票官网下载,男篮世界杯在哪里下注,捷报体育资讯app。

  12月23日,哈尔滨采冰节启幕 千年冰雪文化焕新登场,本周最新一轮降水由被称为“大气河”的气象现象引发，为去年入冬以来加州经历的第十次。“大气河”指空中的大气水汽密集输送带，宽可达数百公里，长可绵延数千公里。去年年底至今年年初，加州遭遇历史性冬季风暴灾害袭击，降雪和降雨导致洪水泛滥，道路和房屋被淹，因灾死亡至少20人。,哪个软件才能玩抢庄牛牛,维多利亚国际线路检测,凯时国际下载app。