猫眼电影记者 陈方 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：多宝线路检测

  12月27日,高原武警举办故事会 共话奋斗强军,早在4月11日，中科曙光曾公告称，李国杰配偶张蒂华于2023年3月3日至2024年3月14日期间通过集中竞价交易方式买卖公司股票，上述交易构成短线交易，累计成交金额合计1.544亿元；扣除交易佣金、印花税等税费后累计收益58.98万元，所获收益已全额上交至公司。,188宝金博赌场网站。

  12月27日,受权发布丨全国人民代表大会常务委员会任免名单,以上材料能引发你怎样的联想与思考？请结合你的体验和感悟，写一篇文章。,买足球什么网站最好,必赢网投,果博开户。

  时事2：9游会被找回吗

  12月27日,日本“搞事”背后：“新型军国主义”的危险转向,第二招是嘴硬，对中国作用选择性失明。当被问及中国在帮助美国盟友沙特和敌人伊朗实现团结方面发挥的不同寻常的作用时，柯比顾左右而言它，称白宫认为内部和外部压力，包括沙特有效威慑伊朗和其代理人的攻击，最终将德黑兰带到了谈判桌前。,必赢亚洲官网欢迎你,188bet金宝搏网站是多少,真钱投注网站。

  12月27日,2025年中国慢投垒球企业联赛总决赛在中山开赛,12月19日，“光通信电芯片第一股”优迅股份完成上市，首日大涨超350%。,米发,疯狂炸金花最新版,买球官网。

  时事3：易发游戏吧

  12月27日,年轻人当上“文化特派员”：既当“搭桥人”链接资源 又做“播种者”培育内生动力,俄罗斯过去已经展示了许多在轨反卫星能力，战区称据信中国也对这种轨道反微信跟那个你感兴趣。去年，中国实践21号卫星（SJ-21）靠近北斗导航系统的一颗卫星，抓住它，并将其拖入所谓的“墓地轨道”，展示了另一种可用于压制对手天基系统的能力。,哪里还能玩德州,威尼斯手机网站,pokerking官网下载地址。

  12月27日,商务部：中欧双方正在就电动汽车案开展磋商,二是底层资产波动风险，“资产荒”背景下，银行理财纷纷布局多资产、多策略，高波动投资占比迅速提升，若无法通过科学的风险敞口组合驾驭复杂配置，产品端波动将有所增加；,威尼斯人全站官网首页,jdb夺宝官方网站,伟德网上正规。

  时事4：bbin世界杯玩法

  12月27日,国台办发布会聚焦海南自贸港封关、台湾2025代表字等热点,2015年11月，作为县长的靳东参加了若尔盖县委常委班子贯彻落实中央八项规定精神专题研讨会，靳东在讨论发言时表示自己“坦荡荡”。然而，就在半年前，靳东还收受了老板汪某送上的“小礼品”——一个装有30万元现金的手提袋。,百乐宫国际全球真人diyipingpai,六合未来报,心博天下投注登录。

  12月27日,商业航天“三年行动计划”提振行业信心 激发民企创新力量,纽约联储的黄金金库位于其位于曼哈顿的主要办公楼的地下室。该金库建于 1920 年代初期，为账户持有人提供了一个安全的位置来存储他们的货币黄金储备。,aoa体育app下载,世界杯在哪里下注,世界杯彩票无法投注。