猫眼电影记者 余英时 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：im电竞足球

  12月26日,青海德令哈首次发现世界濒危物种豺,目前中国队2胜2平1负拿到8分，得失球为9比8；而泰国队1胜2平2负积5分，得失球为6比8。国足依然掌握着自己的出线命运，但前提是做客韩国拿到1分。然而以中韩两国足球间的巨大差距来看，主场都0比3完败的国足，想要在客场拿分的难度无疑是巨大的。,开赢棋牌。

  12月26日,新疆呼图壁：雪染丹霞绘就冬日水墨长卷,从指标来看，12月份国有行债券买入量相较于同期明显增加，资金融出也明显抬升，资金价格快速回落，资金面保持宽松，进一步验证了相关判断。,优德体育app,必威官网亚洲体育,下载赌场。

  时事2：hy8590cc海洋之神入口

  12月26日,“十四五”以来贵州形成“一盘棋”的“大交通”格局,蓝鲸新闻12月23日讯，近日，陕西证监局发布了行政处罚决定书，剑指金花企业(集团)股份有限公司董事长邢雅江。,世界杯投注怎么算的,世界杯投注量有多大,f66z。

  12月26日,（走进中国乡村）甘肃莲花藏寨绽新颜 青春力量唤醒古老技艺,反弹行情在绝望中酝酿而生，当锂价击穿“一体化”矿石提锂企业成本线后，行业终于迎来转机。,足球即时比分90分钟,水晶城真人,威尼斯人游戏娱乐中心。

  时事3：澳门百家乐代理

  12月26日,成都升仙湖公园水杉林染“红妆”引游人,23时30分，违规内容的传播达到高峰，不少用户称，部分违规直播间的观看人数突破万人，越来越多用户选择向警方报案。至23日0时30分左右，北京市公安局海淀分局已接到多个相关群众报案，正针对事件情况展开了解。,ag真人国际厅网站,十博10bet,搜鱼游戏新金蟾捕鱼游戏下载。

  12月26日,赛场内外的别样温情——残特奥会江门赛区见闻,2025年12月4日至5日，被誉为租赁界“达沃斯”的2025（第十二届）全球租赁业竞争力论坛·年度峰会在天津成功召开。,赢博官网地址,世界杯投注比分赔率,168app官方。

  时事4：滚球体育官网

  12月26日,原晋能集团有限公司副总经理冯培一被开除党籍,2024年，国家网络安全通报中心通报称，快手存在对法律、行政法规禁止发布或传输的信息处置不及时、青少年模式落实不到位等问题，导致违法信息扩散，危害未成年人身心健康，违反了《网络安全法》相关规定。公安机关随即依法对快手作出行政处罚，责令其全面落实青少年模式，全面排查清理违法信息，并依法依规处置违法违规账号。,鸿博体育官方app下载,乐动体育手机登录,体彩网上投注站app。

  12月26日,香港特区政府为火灾丧亲家庭提供精神健康支援,4月24日，港交所在公布2024年一季度的财报的同时，也迎来了重要的管理层变动。唐家成正式接替史美伦，成为港交所新一任主席。,优发娱乐,现金网足球,365bet体育在线手机版客户端下载。