猫眼电影记者 赵明华 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1：百老汇网站是多少

  12月24日,传递真善美 传播正能量——志愿精神光耀残特奥会,主要资产管理公司的基础设施和房地产部门，如Blackstone和Brookfield，近年来已显著增加了对数据中心资产的敞口。据美国房地产投资信托基金协会数据，上市房地产公司在2024年将数据中心投资增加了15%，同时缩减了对写字楼和公寓等传统领域的投资。私人资本同样在跟进，CBRE对92家主要投资者（包括私募股权和养老基金）的调查显示，95%的受访者计划增加对数据中心的投资。,炸金花三张牌网址。

  12月24日,2025世界冲浪联盟积分巡回赛在海南万宁开赛,2025国际财富管理与金融投资论坛•澳门——上海理财博览会澳门论坛圆满举行！,亿博直播视讯,美高梅快速开户,bob足彩官网。

  时事2：在哪购买世界杯彩票

  12月24日,曾上演跨越“两极”爱情故事 这对戍边夫妻又添喜讯,近日，神州控股(00861.HK)旗下神州一诺成功中标签约上海仪电(集团)有限公司(以下简称“上海仪电”)的千万级数据中心搬迁集成服务项目。这是继今年6月神州一诺中标上海仪电智算基础设施服务项目后，双方在短期内达成的又一次重要合作。此次连续中标，不仅体现了上海仪电对神州一诺在“算力再造”领域技术实力与服务品质的充分信任，也标志着双方的合作关系在前期成功合作的基础上得到了进一步巩固与深化。,万博maxbextx官网网页登陆,网上捕鱼是人和电脑打还是人和人玩,AG真人在线登陆。

  12月24日,美国宣布巨额对台军售计划 中方：美方“以武助独”只会引火烧身,周觉担任过外交部部长助理、国务院新闻办公室副主任等职，曾是中国驻土耳其大使、驻法国大使。,银河贵宾厅网址大全,最新澳门网址大全,九州体育官网是多少。

  时事3：贝博体育平台登录网址

  12月24日,两场“荒野求生赛”被叫停背后：搏流量须先系好安全绳,对于村民所称的申请大病医疗补助受影响，刘长文否认，“申请低保户，才会看家里有没有工商企业。农村合作医疗、大病医疗报销不受工商注册影响，任何人（报销）都一样。”,百老汇网站登录官网,365bet手机客户中文,ysb体育app。

  12月24日,受权发布丨中华人民共和国主席令（第六十六号）,双方重申致力于构建更加公正稳定的多极化国际格局，无条件全面尊重并遵守《联合国宪章》宗旨和原则，维护真正的多边主义。双方强调应进一步加强“捍卫《联合国宪章》之友小组”的工作。,扫雷游戏下载,必威手机app登陆,牛牛在线。

  时事4：大赢家即时比分即

  12月24日,残特奥会“两活动一计划”在广东中山启动,——开展传染病防治、本土及跨境传播卫生领域合作，拓展生物灾害预警和应对合作，维护两国生物领域国家主权，高度重视中俄边境地区开展有关合作。,银河娱乐百家号免费在线观看,日博体育官网登录,日博体育app官网。

  12月24日,“读书·读城”——“玉海缥缃 天瑞地安”瑞安城市文化推介展示活动在中国国家博物馆启幕,通用汽车曾是美国电动汽车领域投资力度最大的车企，博拉透露，公司将继续在售现有电动车型，但未来基本不会再扩充电动车型阵容；原本规划用于电动汽车生产的产能，部分将被转用于增产大型皮卡与 SUV。通用同时表示，计划在未来推出插电混动车型，但暂未披露更多细节。,葡京国际官网app,lol比赛外围,千赢官网首页登陆不了。