一句话定义：人类基线（Human Baseline）是在某个评测基准（benchmark）中，由人类完成同一任务得到的参考成绩，用来判断模型表现离“人”有多远。
benchmark 像一张统一试卷。要让分数有意义，就得先知道“人做这张卷子大概能得多少分”。这个人类参考分就是人类基线。它通常由标注员（annotator）、众包工人（crowdworker）或少量专家按规则做题，再汇总成平均分或通过率。
打个比方：一场跑步比赛想证明机器跑得快，于是拉来一群志愿者跑同一条路线，用他们的平均成绩画一条“人类线”。机器过线了，宣传语就写成“超过人类”。但关键问题是：志愿者是谁？跑的是全程还是某一段？允许穿跑鞋吗？当天天气一样吗？人类基线也有同样的问题——它往往只是“某批标注者在某个测试集上的平均表现”。
所以，“模型超过人类基线”通常只说明：模型在这个测试集上，超过了这批标注者的平均水平。它不等于超过人类专家，也不等于在真实业务里稳定可靠。标注员可能不是领域专家，任务可能只覆盖某个子集，评分标准也可能偏宽松。模型可能只是更擅长这类题，而非真正具备专家的判断力。
几个相邻概念容易混：
| 概念 | 谁来做参照 | 回答的问题 | 常见误读 |
|---|---|---|---|
| 人类基线 | 标注员、众包工人或部分专家 | 普通人做这套题大概多少分 | 模型已经全面超过人类 |
| 专家基线 | 领域内熟练专家 | 专业人士认真做能做到多好 | 模型超过专家了 |
| SOTA（state of the art） | 模型排行榜 | 当前模型里谁得分最高 | 榜一就等于能落地 |
实际意义在于：读榜单时，先看人类基线是怎么来的——谁标注、样本多大、任务是否代表真实场景、是否允许查资料、评分一致性如何。产品选型别只看“超人类”标题，更要用自己的业务数据做小规模专家评测和用户评测。对评测设计者来说，把人类基线的细节写清楚，比多刷零点几分更有价值。
看到“模型超过人类”时，不妨先问一句：超过了谁，在哪道题上，按什么规则。