猫眼电影记者 梁滨 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：最好的赌场手机下载

  12月28日,共建人文湾区 “文化澳门”何为？,虽然LBMA体系成熟高效，但近年来央行越来越多采用非LBMA渠道，背后有深刻的战略意图。,沙巴体育网。

  12月28日,秋粮购销两旺、“云端电站”投产 一组数据感知中国活力,整体来看，有三个细节点值得关注，核心结论为“12月资金利率继续下移更多来自于央行之外的因素支撑国有行资金充沛”：,乐竞体育app,凯发官网手机app,电子游艺哪个平台好。

  时事2：博鱼网投平台

  12月28日,1-11月全国期货市场累计成交额增长20.19%,刘树林的任期时间较短，源于2017年信达财险更换实际控制人，更名为国任保险，而原来大股东中国信达所委派的高管均将更换。,沙巴SB体育 app,博彩app,一定发网址。

  12月28日,安徽广德“三件套”出圈 江浙等地游客排队打卡,经过近8个月反补贴调查，欧盟委员会（简称“欧委会”）6月12日披露了对从中国进口的纯电动汽车征收的临时关税水平，拟在目前10%的关税基础上，征收17.4%至38.1%不等的临时反补贴税。,mg娱乐场,365bet,ag真人注册APP会员尊享。

  时事3：赛马会高级禁尾图(新）

  12月28日,《密云水库水源保护条例》施行 京冀携手执法,李瀚明表示，乌鲁木齐机场的国际航线虽然多，但不强。比如国际航班量占比较少，国际航班密度不够，国际航线集中在中亚、西亚。香港航线实际上是乌鲁木齐唯一一条向东直飞的国际和地区航线。,韩国赌场网站,365体育游戏下载唯一官网,365bet赌场。

  12月28日,青海老年助餐服务年均惠及10万老年人,12月27日，金融一线消息显示，中国财富管理50人论坛2025年会在北京召开，本届年会以“迈向‘十五五’建设金融强国”为主题。上海信托总经理陈兵在“低利率挑战：市场价值重构与机构应对之策”圆桌讨论中发表观点。,金沙视讯,开元棋牌在线开户,ag百家了。

  时事4：手机365bet

  12月28日,香港大埔火灾已致151死 调查指有人混用未达阻燃标准保护网,汪绪金有三个女儿，均已外嫁。2019年，汪绪金摔断了腿，也做了手术，几乎完全丧失了劳动能力。大女儿汪文燕回忆，父母身体不好，无人照顾，加上父母没有兄弟，村组长建议借助精准扶贫项目为汪绪金夫妇申请低保，“资料提交上去后，县里的部门又说，我名下有营业执照。意思是我家情况还不错，不给办。”汪文燕说。,凯时k8国际,正规app买球官网,体球网手机及时比分。

  12月28日,年内新增超5500亿元 债券ETF规模创历史新高,特朗普在 4 月的演讲中称：“就业岗位与工厂将大量回流美国，而且你们已经能看到这一切正在发生。”,手机娱乐下载,澳门百老汇在线网站,千蠃国际首页登录。