猫眼电影记者 胡彩丽 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1：365体育足球即时比分

  12月22日,中国最大淡水湖鄱阳湖跌破8米极枯水位,12月5日，金证股份钐烽科技执行总经理李公正出席本届年度峰会，并在“科技租赁：‘融资+融物’支持科技自立自强”主题论坛上发表主旨演讲，演讲的主题是《融资租赁业务系统，赋能租赁业务转型发展》。,爱游戏官网入口。

  12月22日,美军在叙利亚遭遇伏击 致三亡三伤,对于中国来说，与一个地区的合作模式也不是新鲜事物。例如，中国与东盟建立了“10+1”机制。,必威亚洲备用,澳门银银河官方网,ag有自己的平台吗。

  时事2：赌电竞的平台有什么

  12月22日,香港特区政府介绍火灾搜救安置等最新进展,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。,ag捕鱼王平台,世界杯网站哪个好,1998年世界杯投注额。

  12月22日,全国教师管理信息系统升级上线,哈萨克斯坦总统托卡耶夫、吉尔吉斯斯坦总统扎帕罗夫、塔吉克斯坦总统拉赫蒙、乌兹别克斯坦总统米尔济约耶夫将在参会同时，对华进行国事访问。,投注类赌博,90足球比分网,AG真人体育平台。

  时事3：马经心经B(新图推荐)

  12月22日,石太高铁5G信号全线升级 赋能区域协同与数字生活,具体大城市来看，贵阳、广州高考期间遇到雨的概率甚至超过了6成。此外，海口、南宁、重庆、昆明、成都、福州、哈尔滨等地高考期间的降雨概率也超过了一半。,正规的玩球平台,必赢亚洲手机网页,宝盈体育登陆。

  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,西部地区在维护国家生态安全、水安全、能源资源安全、国防边境安全方面具有重要战略地位。,M6官网登录,2026卡塔尔世界杯买球,升博官网是多少。

  时事4：在哪里下载博彩

  12月22日,香港师生陕西体悟千年文脉 探寻教育共鸣,本文将深度剖析诺泰生物财务舞弊案的来龙去脉，还原其“技术转让+增资”双交易掩盖资金回流的操作手法，梳理监管逻辑与处罚依据，并探讨此案对上市公司治理、中介机构责任以及投资者保护的深远启示。,AG体育在线登录,必威官方登陆入口,澳门威尼斯人电子网址。

  12月22日,东西问丨巴西建筑师：为什么“海绵城市”在全世界引起共鸣？,参与过国内多条海底隧道设计工作的中交二航局技术中心副总工程师黄修平告诉中国新闻周刊，无论是沉管隧道还是盾构隧道，中国企业都取得了可靠的施工经验。在沉管隧道方面，通过港珠澳大桥等项目的实践，中国企业掌握了大型沉管预制、浮运、安装以及深水定位技术；自主研发的防水材料和防腐蚀措施也得到成功的应用。在盾构隧道方面，自主研发了超大直径盾构机，如“京滨同心号”，成功应用于天津滨海国际机场隧道等项目的挑战。,信用网娱乐平台官网,真钱网投入口,火狐体育官网地址在哪。