猫眼电影记者 汪俊伟 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：MG真人在线开户

  12月25日,粤港环保及应对气候变化合作小组会议召开,此前在另一场半决赛中，中国选手陈梦4比0战胜日本选手早田希娜，顺利晋级决赛。,完美世界电竞平台。

  12月25日,第18届WTO法与中国论坛在昆明召开,比利时则主要因为没有足够的存放空间和条件，所以将其黄金储备分别存放在英格兰银行和加拿大中央银行的金库。欧洲中央银行曾表示，其黄金储备目前分开存放在5个地点——伦敦、巴黎、里斯本、纽约和罗马，原因是这些黄金的所有权转移到欧洲央行之前，就已经存放于上述地点，而搬运黄金的成本高昂。,168体育登录,必赢亚洲手机登陆版,九游会国际厅。

  时事2：澳门皇冠总站

  12月25日,全国首批“油改电”公务船舶在长江干线投用,截至目前，佛山尚未公布一季度具体工业数据，不过，佛山市统计局在分析中坦陈，一季度，佛山规模以上工业经济在过去两年高基数基础上，叠加房地产下行影响，今年稳增长压力加大：,ope电竞平台,沙巴体育官网地址,威尼斯真人游戏。

  12月25日,2026澳网亚太区外卡赛男单决赛：中国选手布云朝克特夺冠,报道称，林芳正在采访中强调了日本“严峻而复杂”的地区安全环境，声称除了俄乌冲突之外，东京还在应对拥有核武器的朝鲜以及崛起的中国。但林芳正辩称，可能开设的联络处“不针对特定国家”，“这不是为了传递什么信息”。,最新体球网即时比分,扑克二八杠,爱博足球。

  时事3：188体育平台规则

  12月25日,从1到“N” “中国第一竹乡”解锁一根竹子的“72变”,泰国队虽然世界排名在百位开外，但能在小组赛客场逼平韩国队，足以证明球队的实力绝非鱼腩。国足在射门、角球等多项数据上都处于劣势，如果不是王大雷的扑救和门柱帮忙，泰国队有可能在客场就将中国队出线的希望击碎。,澳门永利集团网址,全民炸金花安卓版免费下载安装地址,英亚体育滚球平台。

  12月25日,（经济观察）中央连续两年部署“资本市场投融资综合改革”有何深意？,“中国始终恪守国际法基本原则和国际关系基本准则，坚持维护世界和平，促进共同发展，致力于推动构建人类命运共同体，在和平共处五项原则基础上同各国发展友好合作。”他说。,188金宝搏在哪下载,火狐在线官网,能提现的游戏。

  时事4：网上飞禽走兽游戏

  12月25日,中国红十字会：全国有注册红十字志愿者近350万人,投资人急了！海辰储能IPO二度折戟，六年独角兽的上市“悬了”？,好玩的免费棋牌游戏,365体育欧冠英超,JDB东方神兽爆分视频。

  12月25日,考古新发现将济南建城史提前约1500年,还有人写道，“我不相信白宫说的任何话，不过他们一旦否认，那就是另一回事了，往往后来它们都能100%得到证实。”,AG金龙珠游戏大奖视频,威廉希尔唯一中文网站,365bet体育实况式轮盘。