猫眼电影记者 徐有青 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：bet36体育在线注册

  12月22日,从联合国到哥大 东方传统手工艺赋能跨文明对话,美国长期在中东通过“拉一派打一派”的办法操纵和干预地区事务，伊朗与沙特长期不和为美国干涉提供了空间。美国大肆渲染伊朗威胁，激化地区国家与伊朗的矛盾，打造反伊朗的地区联盟，借机兜售军火。试问美国以后还怎么在中东搞小圈子呢？,王子棋牌送38元彩金。

  12月22日,从海关数据看经济活力：货运量破亿吨 北疆陆路口岸涌动开放新活力,证监会调查发现，就在技术转让合同签署前后，诺泰生物正筹划对浙江华贝进行增资。2022年初，诺泰生物向浙江华贝注资数千万元。,森林舞会网页版,葡京体育登录官网,曾道人内幕消息B。

  时事2：手机云顶娱乐登录

  12月22日,中国-孟加拉国板球友谊赛在杭举行 推动板球运动发展,广东队11名球员有得分进账，周琦13分12个篮板，胡明轩16分，徐杰14分5次助攻，威姆斯8分，杜润旺11分，张皓嘉10分，沃特斯6分9次助攻5个篮板。辽宁方面，弗格16分，张镇麟11分9个篮板，付豪10分，李晓旭5分5个篮板，赵继伟7分4次助攻，库珀17分，丛明晨7分。,im体育网址,世界杯正规买球入口,kaiyun官方入口。

  12月22日,宁夏：筑牢法治基石 绘就乡村善治新画卷,青海将西宁机场三期扩建工程视为深度融入国家“一带一路”建设的重点工程；甘肃认为兰州中川国际机场三期工程是积极参与共建“一带一路”的有力注脚；西安和乌鲁木齐都表示，咸阳机场、天山机场的改扩建工程，能助力西安、乌鲁木齐打造“一带一路”核心枢纽。,qy115千赢国际app下载,必赢亚洲网页版手机登入,百老汇。

  时事3：完美国际休闲俱乐部

  12月22日,探访“人间仙都”浙江缙云 传统文化多样发展绘就共富图景,应中华人民共和国主席习近平邀请，俄罗斯联邦总统弗拉基米尔·普京于2024年5月16日至17日对中华人民共和国进行国事访问。两国元首在北京举行正式会谈，并共同出席2024-2025年中俄文化年开幕式暨中俄建交75周年专场音乐会。中华人民共和国国务院总理李强同俄罗斯总统普京举行会见。,赌足球在哪里买,百家乐必胜绝招,国际真人娱乐。

  12月22日,【统战巡礼】扎根中原大地 河南凝聚各界之力促统战工作提质增效,据香港大公文汇全媒体12日报道，香港特别行政区行政长官李家超今日（12日）赴北京，将列席第十四届全国人民代表大会第一次会议闭幕会。针对香港男子冰球代表队2月28日在世界冰球锦标赛第三级别比赛，主办方赛后播国歌时出错事件，李家超今日在机场会见记者时表示，国歌代表民族尊严、国家尊严，将竭尽一切所能，确保国歌在不同场合正确播出。,米乐m6体育官网,优德好玩吗?,玩滚球哪个平台好。

  时事4：爱体育app下载官网苹果

  12月22日,英国英格兰地区住院医生再次进行为期5天罢工,报道还说，当朔尔茨“来到拜登家门口时”，武器也是一个重要话题。现在弹药非常短缺，迫切需要提高生产能力。但决定性问题可能是未来几个月的政治战略：假设乌克兰在军事上取得进展——那么究竟如何增加对俄罗斯的政治压力？谁会主动提出邀约？是否会有谈判，或者战争会悄无声息地结束，但在某个时候再次爆发激烈冲突？,新匍京彩票怎么下载,宝博app下载,云顶集团游戏平台。

  12月22日,宁台青年福建霞浦以歌会友 用旋律续写“山海情缘”,盛来运同时表示，目前外部形势仍然复杂严峻，国内正处在结构调整转型的关键阶段，市场经营主体的信心和经济回升的动力都需要进一步增强。下一步，要坚决贯彻落实党中央、国务院关于促进经济稳定发展的决策部署，进一步加大政策落实力度，固本培元，持续增强市场信心和经济运行动力，巩固和增强经济持续回升向好的基础。,爱游戏体育登录网站,永乐国际登录首页,Kb88凯时娱乐官网。