猫眼电影记者 南顿 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：新濠博亚娱乐平台

  12月28日,杭州萧山机场海关查获黑犀碎块和粉末，总重461.52克,在周年股东大会后，港交所宣布，唐家成将接替史美伦担任港交所董事会主席一职。,新六合精选A。

  12月28日,报告：跨界消费、胡同新生等成2025年北京消费关键词,放眼全国，在广东、浙江之后，还有更多“高教洼地”亟待崛起。一个最新趋势是，一些地方高教资源正加快向县域延伸布局。,m6米乐注册App,手机版电玩城app,万博官方网站登录。

  时事2：世界杯投注app下载

  12月28日,京津冀协同发展 廊坊跻身北方物流中转核心,有人还嘲讽保守派反应过度，“共和党正在集体心脏病发作，因为吉尔·拜登在道格·埃姆霍夫的嘴唇上匆匆轻吻了一下。”,ayx网址登录,威尼斯人手机登陆,bc体育哪里有玩。

  12月28日,美媒：一小型飞机在美国佛州紧急迫降时撞上汽车,在缤纷的世界中，无论是个人、群体还是国家，都会面对别人对我们的定义。我们要认真对待“被定义”，明辨是非，去芜存真，为自己的提升助力；也要勇于通过“自定义”来塑造自我，彰显风华，用自己的方式前进。,澳门登入平台,凯发 娱乐 k8,摩登彩票平台注册。

  时事3：365bet体育在线注册体育平台

  12月28日,截至10月底公募基金管理规模达36.96万亿元,反观需求端，受到三季度消费旺季来临、四季度储能需求旺盛等利好的拉动，电池企业排产数据持续好转。,百人抢庄牛牛,imone体育平台app,ag捕鱼王平台。

  12月28日,30秒，“呼吸”天津的绿色未来,2021年12月，阿坝州纪委监委对靳东涉嫌严重违纪违法问题立案审查调查并采取留置措施。2022年2月，靳东被开除党籍、开除公职。2022年5月，靳东因犯受贿罪被依法判处有期徒刑四年六个月，并处罚金人民币三十五万元。,贝高娱乐,酷游登录,必发集团7790会员。

  时事4：电子游艺网站大全

  12月28日,浙江省文化遗产教育联盟成立 创新协同育人模式,今年2季度，在高管班子人数最多的时候，该公司共有4位副总裁（包括拟任副总裁）。但二季度副总裁马昌明简历从高管简历中撤下，其今年1月满60周岁，大概率为到龄退休。,mg游戏注册送金币,捷报体育比分手机,天博ios下载。

  12月28日,日媒：日本核反应堆发生含放射性水泄漏 未确认有人受辐射,证券日报网讯 12月23日，老百姓发布公告称，截至本公告披露日，公司对外担保总额9.8亿元，占公司最近一期经审计净资产的比例为13.69%，公司对外担保余额为4.4亿元（含本次担保），上述对外担保总额全部为公司对合并报表范围内子公司提供的担保，公司不存在对控股股东和实际控制人及其关联人提供担保情况，也不存在逾期对外担保情况。,澳门金沙城中心娱乐场地址,老虎机棋牌,乐鱼官方下载。