猫眼电影记者 龚勋 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：开元棋牌在哪开户

  12月25日,公交车变寻亲信息栏 重庆一公交线路张贴失踪儿童信息助寻亲,美国商业地产投资的底层逻辑正在被人工智能热潮重塑，这一趋势虽然为投资者带来了巨额潜在回报，但也使其投资组合以前所未有的程度暴露在单一行业的风险之下。,AOA电竞。

  12月25日,民企奋进自贸港：“立足海南、服务全球已从愿景变为现实”,而这一切问题的根源，直指平台对僵尸账号与异常行为的识别能力不足。黑灰产用于攻击的账号中，不乏长期沉寂、无真实用户行为轨迹的僵尸号，也有短时间内集中注册、批量登录的异常账号，但快手的风控系统未能有效识别这类历史行为数据看似正常的账号。于是，平台既未对高风险账号采取前置性管控措施，也未对同IP下多账号同步开播、新账号高强度推流等异常行为触发预警与拦截，最终给了黑灰产可乘之机。,网上真人游戏斗牛,体彩彩票下载app,滚球比分直播90。

  时事2：下载旅途斗地主最新版

  12月25日,以军称在黎巴嫩多地打击真主党军事目标,更重要的是，对比去年同期，佛山经济总量由2872.9亿元降至2872.65亿元，罕见出现名义负增长，也是万亿级城市中唯一经济缩水的城市。,188体育开户官网,欧宝网址,博狗手机登录。

  12月25日,应急管理部调度连霍高速交通事故 派出工作组赶赴现场指导处置,“关税法二审稿将原产地基本规则纳入关税法，符合税收法定原则。原产地规则直接关系税率，这是税收法定原则的核心要素，必须纳入关税法。”施正文说。,必威体育bw1958,凯时网上国际app,jj斗地主下载。

  时事3：九五至尊免费试玩

  12月25日,中共中央印发《中国共产党工作机关条例》,钟自然严重违反党的政治纪律、组织纪律、廉洁纪律和生活纪律，构成严重职务违法并涉嫌受贿、故意泄露国家秘密犯罪，且在党的十八大后不收敛、不收手，性质严重，影响恶劣，应予严肃处理。,真实澳门梭哈游戏规则,f66永乐国际,澳门新手机版。

  12月25日,泽连斯基称将与特朗普在佛州会晤 讨论安全保障等问题,当地时间19日傍晚，也门首都萨那发生踩踏事件。据当地卫生部门发布的消息，目前踩踏已经造成至少80人死亡，超过200人受伤。另有匿名的胡塞武装安全官员称，踩踏已造成至少85人死亡，超过322人受伤。,巴黎人官网注册,艾弗森代言贝博app下载,棋乐游戏官网。

  时事4：大家足球比分直播

  12月25日,中外对话丨中外专家警告：日本主动调整军事战略，或走向穷兵黩武,因此，研究认为，不能判定中国创造了过多债务。债务杠杆率不适合用于评价债务风险。合意总量债务增速应该与实现2%的核心通胀目标相匹配。降低杠杆率和债务负担的出路在于低利率和通货膨胀。总量债务增长中，政府占据较高比例且应该平衡私人部门的债务波动。,环亚手机版官网,银河在线app下载,正规买球。

  12月25日,宁夏银川召开庆祝中国民主促进会成立80周年大会,“我们村前后也就两三个小商店，还有一个个人开的小茶场，没有什么企业，大部分人都在外打工，村里都是中老年人，哪有那么多个体工商户？”汪争猛说。,365bet体育滚球备用,手机上彩票怎么购买,云顶国际下载地址。