猫眼电影记者 瓦莱里·吉斯卡尔·德斯坦 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：世界杯赛事在哪投注

  12月23日,哪里痛就灸哪里？艾灸这些误区请绕开,“佛山大学”的诞生，意味着继广州、汕头、深圳之后，佛山也终于如愿拥有了以城市命名的大学。同时“升本更名”成功的肇庆医专，则成为广东目前唯一一所以“医学院”命名的高校，也是继湛江的广东医科大学之后，非广州地区又一所医学本科高校。,斗球app官方下载安装。

  12月23日,《阿凡达3》票房为何遇冷？当“神作”开始重复自己,相关数据显示，包括Pilbara、ALB在内的主流矿企，资本开支峰值多数在2023年下半年触顶后持续回落。,娱乐赌场下载,银河娱乐公司是国家,万博官网max。

  时事2：九游会官网

  12月23日,欧美同学会“双创”大赛：梦想与报国的“双向奔赴”,斯诺登2月9日在社交媒体推特上发文说：“在历史上，你们能想到白宫负责但坚决否认的秘密行动的例子吗？还有，你们都懂的，那个‘大规模监控’的乱子。”,伟德官网,pg电子体验金模式,葡京手机真人娱乐。

  12月23日,北京大兴机场恢复正常运营 大面积航班延误红色响应降级为橙色,2013年6月，高渝文正式进入中国医药核心管理层，出任公司党委副书记、总经理，同时从2013年8月起，一直到2021年2月，担任公司董事。,天博体育进不去了,多宝在线开户,马经挂牌系列F。

  时事3：优德官方下载

  12月23日,国务院安委会部署开展高层建筑重大火灾风险隐患排查整治行动,针对这场引发全网关注的突发事件，快手方面今日通过公告回应称，平台确实遭到了网络攻击，相关问题已在紧急处理修复中，平台始终坚决抵制各类违规内容，目前已将情况上报相关部门，并向公安机关正式报警，后续将配合相关调查推进处置工作。,亚朵国际少儿真人秀,欧洲杯高清直播,线上现金直营。

  12月23日,第二十七届哈尔滨冰雪大世界建设初具规模,广西北海市气象台7日5时50分将暴雨橙色预警信号提升为红色，北海全市中小学停课。,188体育外围,综合体育赛事,金沙彩票app。

  时事4：苹果买球用什么app

  12月23日,全球最大！我国首个百万千瓦级海上光伏项目全容量并网,乌鲁木齐不缺国际和地区航线。2024年，乌鲁木齐机场累计运营定期客货运输航线共240条。其中，国际定期客运航线26条，与高加索地区三国与中亚五国实现全部通航，通航中亚航点数量为国内十大枢纽机场之首。,顶级官方,365体育平台官网,捕鱼娱乐平台。

  12月23日,山西五年开展800余项考古发掘 出土文物7.7万余件（套）,同一日，香港交易所发布业绩公告显示，香港交易所第一季度收入及其他收益为52亿港元，同比减少6%；第一季度净利润为29.7亿港元，同比减少13%。,火狐体育最新版ios,ManBetxapp下载,奥博官网注册时间。