猫眼电影记者 孙文欢 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：大发888手机下载

  12月27日,黑龙江“东北黑蜂”“黏豆包”农产品进京 全国采购额4.1亿元,普华永道美国汽车行业负责人 C.J． 芬恩在接受采访时表示：‘多家美国车企均已宣布计提相关减值支出。此前，车企的布局不仅超前于消费者的真实需求，也远超美国当下的充电基础设施配套水平。’,m6下载网站哪个好。

  12月27日,武汉：旧羽绒服“拆绒重生” 闲置衣物变身冬日好物,欧洲汽车工业协会方面表示，相比加征更高关税，欧洲汽车行业更需要强有力的电动汽车工业战略；自由公平的贸易意味着为所有竞争者保证公平竞争的环境，但这只是全球竞争力拼图中的一个重要部分。,tom网站地址,1xbet官网,AG电子。

  时事2：和记官网

  12月27日,武汉“九宫格过早”走红：方寸之间尝遍荆楚烟火,从总量角度看，如果总量上创造了过多债务，会带来过多的金融资产、过多的投资和消费，会带来通货膨胀和货币贬值，但中国的事实并非如此。,斗地主智能出牌算法,必博体育官网首页登录,男篮世界杯在哪里下注。

  12月27日,伊朗媒体：以在加沙新建至少13个军事据点,板块方面，光刻机、电池、能源金属板块活跃，旅游、商业航天板块调整。,h游戏入口,澳门金沙彩票官网,真钱彩网。

  时事3：真人网客户端

  12月27日,（乡村行·看振兴）行走浙江金东八仙积道共富带：民宿焕新激活发展新图景,例如，2009年10月和11月，国际货币基金组织（IMF）向三个中央银行分别出售了共212吨黄金。,炸金花游戏在线,斗牛什么情况可以抢庄,谁能胜申博真人游戏。

  12月27日,国家医保局：力争2026年全国基本实现政策范围内分娩个人“无自付”,根据香港交易所《组织章程细则》第109（2）条及《证券及期货条例》第69条，港交所董事会决议主席人选后，仍须经香港特区行政长官书面批准。,银河线路,澳门御匾会,皇冠体育客户端网站。

  时事4：太阳2登陆手机

  12月27日,贵州惠水：“中国芭比”唐娃娃订单赶制忙,——加强青年领域合作，开展理想信念、正确价值观和爱国主义教育，支持青年创新创业、志愿服务、提升创造力。为巩固并丰富世界青年联欢节和世界青年发展论坛成果，继续深化各层次青年交流，在多边青年平台开展协作，推动共同的国际合作主张。,云顶娱乐全站官网首页,博天堂娱乐,英皇体育客户端下载。

  12月27日,天问三号载荷研制项目启动 携手港澳高校共探深空,三是提供满足多元需求的“新服务”。低利率环境下，居民的财产传承与安全需求逐步释放。未来居民可传承的资产规模将达到20万亿元，财富传承需求持续增长。信托业通过耐心服务与长期陪伴，为客户提供多元化大类资产配置方案，实现多资产跨周期配置，真正践行买方投顾理念。,财神捕鱼爆财神技巧,银河娱乐网app,金沙银河手机登陆网址。