猫眼电影记者 谢和奇 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：永利体育全站APP

  12月29日,王励勤谈混团世界杯：希望大家不仅关注金牌归属,国任保险偿付能力较为稳定，近三年综合偿付能力在204.49%至272.69%浮动，2025年Q3综合偿付能力为272.69%。近三年核心偿付能力在110.38%至137.95%浮动，2025年Q3核心偿付能力为136.34%。均高于监管红线，处于持续健康范围内。,必威官网首页。

  12月29日,我国在建海拔最高双曲拱坝电站叶巴滩水电站首批机组投产发电,但值得注意的是，正式稿中对机构投资者的限制要高于个人投资者，对此我们的理解是：债基的主要投资者是机构，使用更严格的标准，一方面是为了引导资金长期投资，避免机构通过债基追涨杀跌；另一方面是出于打击空转套利的诉求。,欧博投注登录,网上世博会,6up扑克之星。

  时事2：澳门威尼斯人现金网址

  12月29日,河北孟村男子家暴妻子致死案被告一审被判死刑,按市场价格计算，黄金价值已经突破4万亿美元，去年黄金占全球外汇储备的比例已经升至20%，超越16%的欧元，仅次于46%的美元，一举成为全球第二储备资产。,尊龙网页登陆,pc蛋蛋网址大全,bet9九州体育下载。

  12月29日,委内瑞拉总统马杜罗宣布国家紧急状态,从技术突破到生态共赢，赛意信息正以“国产化+智能化”双翼，深度融合AI前沿技术，持续推进智能建模、智能服务编排、预测性维护等前沿创新场景在赛意工业物联网平台的应用，以自主创新，安全可信的技术与场景化的服务，为企业提供“自主、安全、高效”的工业物联网整体解决方案，为行业客户创造更大价值。,抢庄牛牛要玩几局,鸿博体育网址,山猫体育平台。

  时事3：贝搏体育官方下载

  12月29日,10人聚餐9人溜走，1262元账单该由谁付？,此前于5月6日，深圳市商务局已宣布，启动汽车“报废更新”及“置换更新”补贴活动，支持汽车以旧换新，促进消费升级换代。其中，报废更新补贴最高可达到1万元，置换更新补贴最高为8000元。,365手机体育投注,皇冠手机登录地址,188金宝博登录入口官网。

  12月29日,军国主义，借尸还魂？｜新漫评,根据第一财经4日报道，目前，肇庆市只是要求“按套内面积计价宣传和销售”，这并不代表公摊面积不需要付费。换言之，肇庆市并未实质性取消住房公摊面积。,beat365体育官网平台,365bet官方直营,视讯真人游戏外围官网。

  时事4：AOA平台网址

  12月29日,特朗普称已抓获委内瑞拉总统 委进入国家紧急状态,这些用户愿意包容特斯拉车型的品控瑕疵与企业发展过程中的各种问题。,AG金拉霸800倍游戏论坛,开元7818注册送98,澳门国际娱乐网址网站。

  12月29日,特朗普：废除拜登用自动签名笔签署的所有行政命令,突发！网信部门依法查处快手、微博平台破坏网络生态案件，此前小红书曾被查,十三张牌游戏,炸金花五张牌规则,百家乐预测。