什么是“人类的最后一场考试”？

截止25年3月，在HLE=Humanity’s Last Exam，人类的最后一场考试中，OpenAI的Deep Research获得了第一名，这大概率说明o3满血版（尚未正式推出），就是当下全世界最好的推理模型。

HLE是一种高难度推理与通用智力测试，可以测试当前最先进的人工智能、尤其是大语言模型在人类极限能力边界上的通用推理与智能水平。

它涵盖了人类智力任务中最具挑战性的部分，被用来衡量 AI 模型是否正在逐渐具备“类人智能”。

从图1可以看出，在2024年中到 2025年初，所有AI 模型的考试得分总体呈快速上升趋势，尤其是进入 2025 年后增长显著。

OpenAI Deep Research 与 Gemini 2.5 Pro 位居榜首，准确率接近 30%，也是唯二超过20%的。

但是，这个第一第二名的准确率，也就不到30%，而人类中的专家可以达到80%。

然而，一旦等到AI攻克这个最后一场考试（准确率至少80%甚至90%），就表明这个大模型已经在“封闭式、可验证问题以及前沿科学知识方面”达到了专家级表现。

但是，这并不代表大模型具备自主研究能力，或者说实现了AGI。

HLE 测试的是结构化学术问题，而不是开放式研究或创造性解决问题的能力，因此它更像是一项聚焦于技术知识和逻辑推理的测试。

图2-图6，是它的一些例题（胆小慎点）。

开发HLE测试的专家认为，25年底之前，就有模型可以至少达到50%准确率。

类似最后一场考试这样的测试，AI在成绩方面还有至少2-3倍的提高空间，也才是以后测评大模型需要重点关注的。

而类似MMLU和MATH测试等，基本所有主流大模型的成绩都已经达到了80%甚至90%以上，属于已经被AI征服的测试，基本无法衡量AI的进步了。

所谓的最后一场考试，或许是我们需要给予大模型的最后一场学术考试，但它绝不是 AI 所面对的最后一个评估基准。