问题——传统测评“失灵”，真实能力难以判定。近年来，大模型在语言理解、推理与知识问答等进步明显，多项常用评测的准确率不断上升，一些曾被视为“高门槛”的测试甚至接近饱和。业内由此产生担忧：当评测题库被反复用于训练，或题目难度与真实任务脱节时，高分未必代表高可靠性，也难以支撑对系统安全性、稳健性与可控性的判断。 原因——题库老化、覆盖面有限与“可被迎合”的设计缺陷叠加。研究人员指出，一些传统基准偏向通识知识与标准化选择题，难以充分检验模型在跨领域迁移、严谨证明、复杂约束推理以及高度专业语境下的准确表达。同时，模型训练数据规模巨大，既有题库更容易被“见过”或被策略性适配，导致评测对真实能力的区分度下降。尤其在专业研究场景中，问题往往需要长链条推演、严格论证与充分的领域背景支撑，仅靠文本相似度与概率性生成难以稳定给出可靠答案。 影响——能力边界被重新标定，专业深水区短板凸显。为应对上述挑战，来自多机构的近千名研究人员发起协作，推出新基准“人类最后的考试”。该基准由有关团队联合开发，题库约3000题，筛选后形成约2500题的正式测试集，覆盖数学、人文学科、自然科学、古代语言以及多个高度细分的专业方向。其核心思路是“向边界出题”：每道题先用现有领先模型试测，能够被当前系统稳定解答的题目将被剔除，尽量把难度保持在当下能力边界之外。 公开的初步评测结果显示，多款行业领先模型在该测试中的得分普遍偏低：部分模型落在个位数区间，最高约为8%。研究团队认为，这并不意味着技术停滞，而是提示在需要深度专业训练、严密推理与高置信度结论的任务上，当前系统仍存在明显缺口。参与题目设计的研究人员举例称，该测试并非“刻意为难”，而是更精确地标注模型暂时做不到的工作类型；现实中，没有单一人类能通关全卷，但各领域专家通常能较为轻松地回答本专业题目，这也从侧面凸显了“广度覆盖”和“深度可信”的差异。 对策——以更科学的评测体系服务研发与治理。业内人士认为，新一代基准的价值不止在于“更难”，更在于“更贴近关键能力”：其一，推动评测从静态题库走向动态更新，降低题库被训练数据覆盖后带来的失真；其二，强化对专业领域、长程推理、可验证结论与证据链的考核，促进模型在可靠性与可解释性上的改进；其三，将评测结果与安全实践衔接，在高风险场景引入分级使用、人工复核与责任追踪等机制，避免“高分错觉”导致误用。 前景——评测升级将倒逼技术路线转向“可靠与可控”。多方判断，未来大模型竞争将从参数规模、通用能力的单一比拼，逐步转向专业任务中的稳定性、可验证性与低错误率。类似“人类最后的考试”的基准，可能促使研发侧加大对工具调用、检索增强、形式化推理与领域知识校准的投入，并推动形成更透明的能力披露与第三方评估机制。此外，随着应用继续进入科研、医疗、工程等高门槛领域，社会对“答得像”与“答得对”的区分将更加严格，评测体系也将成为连接创新与治理的重要支点。
"人类终极考试"基准的出现，标志着智能技术评估进入新阶段。在技术突破与安全可控的双重要求下，更科学、更严谨的评估体系变得前所未有地关键。这个尝试不仅为技术演进提供了更清晰的参照，也提醒我们：在追求能力提升的同时，保持理性判断与审慎使用同样重要。未来，如何在技术创新与安全边界之间取得平衡，仍将是全球科研界需要持续探索的课题。