猫眼电影记者 张瑞香 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：betway首页

  12月25日,五色成韵！从文物中看东方色彩之美,在浙江，全省60所本科高校中，杭州独占28所，宁波、温州、嘉兴、绍兴和金华分别有8所、6所、4所、4所、4所，而南部片区台州、丽水、衢州均仅有1所。全省23个“双一流”学科，则有21个都落在浙江大学。,巴黎人线上捕鱼。

  12月25日,联合国呼吁明年筹集330亿美元人道资金,A股市场超3800股飘绿，旅游餐饮、零售、食品饮料等消费板块集体下挫，曲江文旅（维权）跌停，近日4连板的庄园牧场逼近跌停；商业航天概念跳水，顺灏股份跌停，中国卫通跌超9%；光刻机、先进封装等半导体产业链股强势，美埃科技、同飞股份等涨停；液冷服务器等AI产业链股拉升，英维克（002837）尾盘涨停续创新高；锂电产业链股崛起，奕东电子涨停续创新高，华盛锂电等涨超10%。,斗球体育平台官网,天博tb体育靠谱吗,欢乐赢三张。

  时事2：爱游戏app体育官方网站

  12月25日,浙江省首届中小学生劳动技能展示活动在杭举行,中国足球下落的速度，大概和辽宁足球的衰落是一致的。辽足解散后，辽宁再无中超球队，只有几支中甲球队苦苦支撑。本赛季，沈阳奥体中心作为辽宁铁人主场，如今辽宁铁人联赛排名倒数第四。,有没有送彩金的平台,必威中文官网,pg模拟器无限玩。

  12月25日,云顶站三连冠！谷爱凌摘得本赛季世界杯首金,资金部分，年末银行资金充沛，银行系资金延续上抬，货基理财子减少资金融出，非银延续加杠杆；杠杆部分，全市场杠杆率上升；价格视角，DR001在1.26%附近，Shibor 3M下行，真实资金分层偏重。,kok开户网址,网上打金花赢钱的软件,贝博平台下载。

  时事3：轮盘在线平台

  12月25日,首届贺兰山东麓山地自行车挑战赛在西夏陵景区举行,施正文表示，目前海关除了征收关税之外，还代征进口货物增值税、消费税。目前在海关法、增值税等其他法规中，已经明确了海关代征的进口货物增值税、消费税，适用关税征收管理规定，而不适用于税收征管法。草案二审稿对此再度明确，更为合理。,欧洲杯滚球网站,澳门是不是不可以开网投的,188篮球比分手机版。

  12月25日,沈阳：聚焦企业发展需求 推行“环保护航服务包”全周期服务,美国、英国、澳大利亚三国政府于2021年9月宣布建立三边安全伙伴关系“澳英美联盟”，美英将帮助澳海军建立核潜艇部队，在澳建造8艘核潜艇。一些国际军备控制专家指出，美英帮助澳大利亚建核潜艇存在核材料和核技术扩散风险，将冲击全球核不扩散机制。,ayx网站是什么,现金网mg手机版,美高梅官网首页。

  时事4：体育平台官方

  12月25日,河南三门峡一项目工程发生安全事故 致5人遇难,除了资金占用问题，人福医药还因为关联交易信息披露不当，导致2022年年度报告存在重大遗漏。2022年3月，人福医药下属四家子公司分别向武汉珂美立德生物医药有限公司购买物业资产，交易金额合计16.45亿元。珂美立德与人福医药的关系复杂而微妙，该公司由人福医药于2014年7月设立，2019年被出售。工商信息显示，其控股股东武汉当璟与“当代系”存在诸多关联。,港澳大拼盘B,极速体育网址平台,凤凰体育平台登录。

  12月25日,上海文化消费方兴未艾 助推国际消费中心城市建设,记者今天（14日）从最高人民检察院获悉，西藏自治区政协原党组成员、副主席姜杰涉嫌受贿一案，由国家监察委员会调查终结，经最高人民检察院指定，由天津市人民检察院第一分院审查起诉。近日，天津市人民检察院第一分院已向天津市第一中级人民法院提起公诉。,皇冠轮盘app下载,bet188平台,斗球官方网站首页。