猫眼电影记者 曾丽珍 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：富豪彩票平台下载

  12月27日,京张高铁清河站邂逅张家口冰雪邀约,在此背景下，不少地方都将缓解高教资源分布不均作为力求攻克的瓶颈，并有意识地填补省内薄弱地市高校空白。,12bet网页登陆。

  12月27日,元旦假期哈尔滨旅游热度上扬 京哈高铁线路走俏,在耿勇看来，银行理财子围绕县域乡村居民的定制化理财产品日益增多，将有助于加快农商行向纯代销机构转型的步伐，因为后者可以将更多精力资源从产品风控转向当地居民理财需求洞察与合规销售。,365bet官网登录,九游会手机版,aoa体育在线下载。

  时事2：威利斯人娱乐app下载

  12月27日,看图学习·回眸2025丨创新发展，总书记强调“坚定不移走下去”,“传统产业再怎么发展都会有一定的瓶颈，所以要大力培育新兴产业，当然这也有一个过程。”彭澎认为，佛山要稳住自身传统优势产业，推进智能化数字化进程，开发一些新的消费领域。同时，要布局一些有市场前景的新兴产业，对城市发展形成新的支撑力，这是最重要的。,免费单机炸金花,竞彩网推荐,手机电玩城直营。

  12月27日,民企奋进海南自贸港 抢抓全岛封关运作历史机遇,当然，上述判断只是企业、机构站在当前节点作出的合理性预判，后续仍需锂盐产量、库存与电池产量等数据来予以逐步验证。,皇冠即时比分平台,现金手游app,二八杠大小排序。

  时事3：澳门手机赌盘

  12月27日,受权发布丨行政执法监督条例,李国杰自2011年1月至今任中科曙光董事长。张某华系李国杰配偶。2023年3月3日至2024年3月14日，张某华累计买入“中科曙光”334.33万股，累计买入成交金额1.54亿元；累计卖出“中科曙光”334.26万股，累计卖出成交金额1.544亿元，存在买入后六个月内卖出，卖出后六个月内买入的行为。上述违法事实，有中科曙光公告、相关人员的询问笔录、证券账户资料、证券交易流水等证据证明，足以认定。,千赢国际 真人娱乐,澳门老百汇电玩城,网上打钱的斗地主。

  12月27日,“文化为桥，民心相通”中俄艺术对话在莫斯科举行,第三，跨生态协同能力，整合“租赁+服务”的生态能力也非常关键。,澳门在线皇冠,凯发k8旗舰厅,葡京手机真人娱乐。

  时事4：8590海洋之神登录

  12月27日,送别中国四大名著“全满贯”演员何晴,陈兵表示，低利率虽给资管机构带来现实挑战，但只要坚持错位发展、打造核心竞争能力，就能将挑战转化为机遇。他指出，国内低利率环境已推动投资者需求发生重大转变：客户纷纷降低不动产配置比例、增加金融资产投资；在超额收益显著收窄的背景下，客户不再单纯追求单一产品收益，对风险隔离、财富规划的需求更为旺盛。各类资管机构可顺势而为，通过“四新”服务模式实现发展范式转型。,网投正规实体平台,英皇体育手机版登陆,bbin体育登录在。

  12月27日,马来西亚音乐代表团在京研学感受中轴线魅力,——高度评价2022-2023年中俄体育交流年成果，继续务实推进体育领域合作，深化各项目交流。中方高度评价俄方2024年在喀山市举办的首届“未来运动会”，支持俄方举办金砖国家运动会。双方反对将体育政治化，反对任何以国籍、语言、宗教、政治或其他信仰、种族以及社会出身为由将体育作为歧视运动员的工具，呼吁国际社会按照奥林匹克精神和原则开展平等的国际体育合作。,im体育下载,澳博体育电子网投,捷报比分。