猫眼电影记者 库尔特·奥普萨尔 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：沙巴体育赔率

  12月26日,拉脱维亚华侨广东执教：让轮椅击剑闪耀残特奥赛场,以小米为例，其早在2019年就进入非洲市场，直到今年对非洲市场进行了一系列人事调整，包括任命刘社全担任非洲地区部总经理兼任西非战区负责人，向国际销售部总经理林恩汇报。在今年，小米也在乌干达开设了第一家旗舰店。这些都预示更多的手机厂商开始向非洲倾注更多资源。,网上娱乐体育。

  12月26日,南部战区位中国黄岩岛领海领空及周边区域组织战备警巡,4月23日，中共中央总书记、国家主席、中央军委主席习近平在重庆主持召开新时代推动西部大开发座谈会并发表重要讲话。,bb平台体育下载,马牌娱乐国际娱乐真人,千蠃国际首页登录。

  时事2：电子游戏平台网址

  12月26日,从化零为整到开放共赢 广西产业园区激活发展效能,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。,大奖888下载,金六福官网,必威体育app。

  12月26日,探访国家能源集团雄安基地项目建设现场,巴西空军已派遣人员与消防员前往分析残骸及撞击区域，事故具体原因仍在调查中。,亚博免费试玩,雪缘园比分直播,所有体育平台。

  时事3：威尼斯电子游戏的入款

  12月26日,英国英格兰地区住院医生再次进行为期5天罢工,第一招是找补，试图找回面子。白宫国家安全委员会战略沟通协调员约翰 柯比回应说，虽然华盛顿没有直接参与，但沙特让美国官员知晓了其与伊朗的会谈。,什么app可以玩现金德州,888真人国际是黑网,米6官网下载。

  12月26日,民调显示委内瑞拉民众一致反对美国军事威胁,截至目前，全国GDP三十强城市一季度经济数据已全部出炉，其中包括26座“万亿俱乐部”城市，以及唐山、徐州、大连、温州等4座“准万亿”城市。,排球比分直播网188,爱游戏官方体育,乐博2022世界杯。

  时事4：能游戏打鱼

  12月26日,“十四五”期间长三角铁路中欧班列开行量年均增长7%,“哪怕是批发生意，当地人进货时都有一个习惯，就是一旦认准某位店员，就会反复从他那里拿货，一位店员销售业绩主要取决于他积累的客户资源。每个柜台都会有一位本地员工，他可能还会带一位徒弟，往往是这位店员的亲戚。”彭昌国坦言，凡是新员工都需要一段时间积累客源。,宝马会注册,欧亿体育平台可靠吗,188体育手机版手。

  12月26日,广东举办培训班赋能粤港澳初创企业成长,不仅如此，人福医药还通过设立金科瑞达、武汉睿成及智盈新成等公司，承接公司剥离的资产，但这些公司实际上仍由人福医药控制。由于未将这些公司纳入合并财务报表范围，导致2020年、2021年及2022年半年度报告的净利润出现虚增。,野马平台网页登录,体育bob彩票,世界杯彩票无法投注。