PT视讯(中国区)官网

您目今位置:首页 > 新闻中心 > 新要闻

所有AI三军淹没！学者出2500道题，，，，，，，，GPT-5得分25.3%，，，，，，，，GPT-4o 2.7%

2026-03-02 20:54:14

2 月 28 日，，，，，，，，由全球近华泰光伏科技有限公司1,000 名顶尖学者打造的 AI 新基准“人类最后一次考试”（HLE，，，，，，，，Humanity's Last Exam）的相关论文发在 Nature。。。。。。这套新试卷笼罩数学、物理、化学、历史、语言、医学，，，，，，，，每一道题都来自专家自己的研究领域，，，，，，，，每一道题都有唯一准确的谜底，，，，，，，，每一道题也都经由 AI 的履历，，，，，，，，若是哪个 AI 能够答对，，，，，，，，这道题就会作废。。。。。。

图 | 相关论文（泉源：Nature）

效果呢？？？？？？？？GPT-4o 只拿了 2.7%，，，，，，，，Claude 3.5 Sonnet 4.1%，，，，，，，，OpenAI 最先进的 o1 模子，，，，，，，，8%。。。。。。宣布之后，，，，，，，，更强的 Gemini 2.5 Pro 和 GPT-5 也来挑战，，，，，，，，一个 21.6%，，，，，，，，一个 25.3%。。。。。。�？？？？？？？晌绞侨兔�，，，，，，，，没有一个能及格。。。。。。

图 | 各个模子的得分（泉源：Nature）

之以是出这套新卷子，，，，，，，，是由于目今最智慧的大模子在那些曾难倒无数学生的考试里，，，，，，，，已经能够考到 90 分以上。。。。。。MMLU 这样一个包括 57 个学科、14,000 道问题的超难测试，，，，，，，，AI 早就拿到了靠近满分的效果。。。。。。

图 | “人类最后一次考试”的数据集建设流程（泉源：Nature）

因此，，，，，，，，“人类最后一次考试”的推出正是为了跟上和顺应 AI 的生长。。。。。。那么，，，，，，，，这套题究竟有多灾？？？？？？？？

有一道题是一张古罗马墓碑的照片，，，，，，，，上面刻着帕尔米拉文字，，，，，，，，要求 AI 把它翻译出来。。。。。。帕尔米拉是古代叙利亚的一个都会，，，，，，，，有自己的语言和文字，，，，，，，，可是现在已经没人说了。。。。。。翻译这种文字，，，，，，，，需要懂古闪米特语、懂考古学、懂历史学。。。。。。

另一道题问：蜂鸟身上有一块特殊的籽骨，，，，，，，，位于某块肌肉的腱膜里，，，，，，，，这块骨头支持着几根肌腱？？？？？？？？谜底是数字。。。。。。这就需要 AI 知道蜂鸟的剖解结构，，，，，，，，知道那块骨头长在哪儿，，，，，，，，知道它连着几根肌腱，，，，，，，，差一点都不可。。。。。。

尚有一道题是数学，，，，，，，，关于自然变换和余端，，，，，，，，内里充满了 Σ、∞、Hom 这些符号。。。。。。问题自己已经重大到让大大都数学系学生直接跳过，，，，，，，，但谜底要求却是准确数字。。。。。。

这套题的设计逻辑很残酷。。。。。。每一道题提交之前，，，，，，，，都要让 AI 先做一遍。。。。。。若是 AI 做对了，，，，，，，，这道题就不要。。。。。。若是 AI 做错了，，，，，，，，才会进入人工审核环节。。。。。。审核要过两关，，，，，，，，第一关是几个研究生水平的审稿人提意见，，，，，，，，第二关是专家拍板。。。。。。整个历程下来，，，，，，，，1,000 个专家破费几个月，，，，，，，，从几万道题里筛选出了这 2,500 道题。。。。。。

如前所述，，，，，，，，MMLU 已经无法知足目今 AI 的生长。。。。。。2020 年，，，，，，，，MMLU 刚出来的时间，，，，，，，，AI 只能考三四十分。。。。。。到了 2023 年，，，，，，，，GPT-4 直接飙到 86 分。。。。。。现在，，，，，，，，随便一个开源模子都能考到 90 分以上。。。。。。当考试分数都溢出来了，，，，，，，，怎样丈量 AI 的智慧水平呢？？？？？？？？因此，，，，，，，，得换一套更难的新卷子。。。。。。

“人类最后一次考试”这套基准测试名字听着吓人，，，，，，，，但并不是字面意思，，，，，，，，而是说这是 AI 最后一次可能考过的考试。。。。。。比及 AI 哪天也在这套题上拿到 90% 的效果，，，，，，，，说明它已经具备了专家级的学术能力。。。。。。

那么，，，，，，，，AI 现在可以考几多分？？？？？？？？前面提到，，，，，，，，最厉害的 AI 也就考试 25% 左右，，，，，，，，距离 90% 尚有很大的差别。。。。。。并且更有意思的是，，，，，，，，AI 不知道自己不会。。。。。。研究团队在让 AI 回覆的同时给出信心分数，，，，，，，，效果大大都 AI 显着答错了，，，，，，，，却给出 80%、90% 的信心。。。。。。这种太过自信很是危险，，，，，，，，若是 AI 用在医疗和执法这些领域，，，，，，，，而它不知道自己不知道，，，，，，，，就会泛起大问题。。。。。。

尚有一点值得注重。。。。。。研究团队发明，，，，，，，，推理模子在回覆这套题的时间，，，，，，，，思索时间越长，，，，，，，，准确率越高。。。。。。但当思索时间凌驾一定长度，，，，，，，，准确率反而下降了。。。。。。这说明不是想得越久就越好，，，，，，，，当思索时间凌驾某个临界点，，，，，，，，可能就是 AI 在瞎绕。。。。。。这也给 AI 开发提了个醒，，，，，，，，以后不可光拼推理时间，，，，，，，，还得拼推理效率。。。。。。

这套题现在已经在网上果真了一部分，，，，，，，，网址是 lastexam.ai。。。。。。任何人都可以去看看这些问题长什么样，，，，，，，，也可以看看自己能不可答对几道。。。。。。虽然，，，，，，，，大部分人可能不太能答对，，，，，，，，由于问题原来就是给专家出的。。。。。。

图 | 长长的论文作者名字，，，，，，，，截图仅为部分论文作者（泉源：Nature）

那么，，，，，，，，这道题关于 AI 开发有什么用？？？？？？？？

它就好比一面镜子，，，，，，，，可以照出来 AI 究竟有几斤几两。。。。。。以后谁再宣称自己的 AI 多厉害，，，，，，，，先拿这套问题考一下。。。。。。�？？？？？？？疾还� 25%，，，，，，，，就谈不上逾越人类。。。。。。透过这套题也可以看清晰 AI 善于什么和不善于什么。。。。。。好比，，，，，，，，从现在的得分来看，，，，，，，，AI 在数学和盘算机上的体现稍好，，，，，，，，可是在历史和语言上体现得惨不忍睹。。。。。。

这说明 AI 的智能和我们想象得还纷歧样。。。。。。论文里有一句话写得很榨取，，，，，，，，AI 在这些专家级问题上体现很差，，，，，，，，说明真正的智能还需要深度、需要上下文、需要专业知识。。。。。。那些以为 AI 马上就要统治天下的人，，，，，，，，通过实验一下这套问题，，，，，，，，可能就不再见那么气馁。。。。。。

（泉源：Nature）

美国德克萨斯 A&M 大学的助理教授阮东（Tung Nguyen，，，，，，，，音译）加入了出题，，，，，，，，他写了 73 道，，，，，，，，是孝顺第二多的作者。。。。。。他告诉媒体，，，，，，，，这套题是一种明确 AI 的要领。。。。。。它就好比是 AI 的入学考试，，，，，，，，通过设置这套门槛，，，，，，，，我们可以知道 AI 强在那里、弱在那里，，，，，，，，才华造出更清静、更可靠的手艺。。。。。。同时，，，，，，，，也说明晰人类的专业知识依然主要。。。。。。

参考资料：

相关论文 https://www.nature.com/articles/s41586-025-09962-4

https://techxplore.com/news/2026-02-dont-panic-humanity-exam-begun.html#google_vignette

排版：胡巍巍

华泰光伏科技有限公司

【网站地图】【sitemap】