学者出2500道题实测：GPT-5仅获25.3分，AI全军覆没
2 月 28 日，由全球近 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。这套新试卷覆盖数学、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，每一道题都有唯一正确的答案，每一道题也都经过 AI 的经验，如果哪个 AI 能够答对，这道题就会作废。
图 | 相关论文（来源：Nature）
结果呢？GPT-4o 只拿了 2.7%，Claude 3.5 Sonnet 4.1%，OpenAI 最先进的 o1 模型，8%。发布之后，更强的 Gemini 2.5 Pro 和 GPT-5 也来挑战，一个 21.6%，一个 25.3%。可谓是全军覆没，没有一个能及格。
图 | 各个模型的得分（来源：Nature）
之所以出这套新卷子，是因为当前最聪明的大模型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 这样一个包含 57 个学科、14,000 道题目的超难测试，AI 早就拿到了接近满分的成绩。
图 | “人类最后一次考试”的数据集创建流程（来源：Nature）
因此，“人类最后一次考试”的推出正是为了跟上和适应 AI 的发展。那么，这套题到底有多难？
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城市，有自己的语言和文字，但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，这块骨头支撑着几根肌腱？答案是数字。这就需要 AI 知道蜂鸟的解剖结构，知道那块骨头长在哪儿，知道它连着几根肌腱，差一点都不行。
还有一道题是数学，关于自然变换和余端，里面充满了 Σ、∞、Hom 这些符号。题目本身已经复杂到让大多数数学系学生直接跳过，但答案要求却是精确数字。
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。如果 AI 做对了，这道题就不要。如果 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。整个过程下来，1,000 个专家花费几个月，从几万道题里筛选出了这 2,500 道题。
如前所述，MMLU 已经无法满足当前 AI 的发展。2020 年，MMLU 刚出来的时候，AI 只能考三四十分。到了 2024 年，GPT-4 直接飙到 86 分。现在，随便一个开源模型都能考到 90 分以上。当考试分数都溢出来了，如何测量 AI 的聪明程度呢？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。等到 AI 哪天也在这套题上拿到 90% 的成绩，说明它已经具备了专家级的学术能力。
那么，AI 现在可以考多少分？前面提到，最厉害的 AI 也就考试 25% 左右，距离 90% 还有很大的差距。而且更有意思的是，AI 不知道自己不会。研究团队在让 AI 回答的同时给出信心分数，结果大多数 AI 明明答错了，却给出 80%、90% 的信心。这种过度自信非常危险，如果 AI 用在医疗和法律这些领域，而它不知道自己不知道，就会出现大问题。
还有一点值得注意。研究团队发现，推理模型在回答这套题的时候，思考时间越长，正确率越高。但当思考时间超过一定长度，正确率反而下降了。这说明不是想得越久就越好，当思考时间超过某个临界点，可能就是 AI 在瞎绕。这也给 AI 开发提了个醒，以后不能光拼推理时间，还得拼推理效率。
这套题现在已经在网上公开了一部分，网址是 lastexam.ai。任何人都可以去看看这些题目长什么样，也可以看看自己能不能答对几道。当然，大部分人可能不太能答对，因为题目本来就是给专家出的。
图 | 长长的论文作者名字，截图仅为部分论文作者（来源：Nature）
那么，这道题对于 AI 开发有什么用？
它就好比一面镜子，可以照出来 AI 到底有几斤几两。以后谁再宣称自己的 AI 多厉害，先拿这套题目考一下。考不过 25%，就谈不上超越人类。透过这套题也可以看清楚 AI 擅长什么和不擅长什么。比如，从目前的得分来看，AI 在数学和计算机上的表现稍好，但是在历史和语言上表现得惨不忍睹。
这说明 AI 的智能和我们想象得还不一样。论文里有一句话写得很克制，AI 在这些专家级问题上表现很差，说明真正的智能还需要深度、需要上下文、需要专业知识。那些觉得 AI 马上就要统治世界的人，通过尝试一下这套题目，可能就不再会那么悲观。
（来源：Nature）
美国德克萨斯 A&M 大学的助理教授阮东（Tung Nguyen，音译）参与了出题，他写了 73 道，是贡献第二多的作者。他告诉媒体，这套题是一种理解 AI 的方法。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 强在哪里、弱在哪里，才能造出更安全、更可靠的技术。同时，也说明了人类的专业知识依然重要。
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
相关攻略
三天前，《纽约时报》刊登了一篇看似平静却暗藏玄机的深度报道。它没有冲上热搜，也未引爆Hacker News，甚至在中文互联网的讨论中也踪迹寥寥。但恰恰是这篇文章，很可能成为2026年春天乃至未来数年，理解人工智能发展轨迹的一个关键性坐标。 文章的标题平实而直接——《How Do You Measur
一部展现清末民初文化学者辜鸿铭传奇一生的文献纪录片《辜鸿铭》，将于近日在中央新影发现之旅频道播出。 这部纪录片想做的，是借助影像的力量，带观众穿越百年的世界风云，跨越东西方文化的藩篱，去真正走近并理解辜鸿铭这个人。全片共6集，每集48分钟，从《生在南洋》《认识西洋》《寻祖归宗》，到《文以载道》《西风
一座城市如何被记住？ 过去，答案或许是地标建筑；后来，可能是一支精美的宣传片。但如今，风向正在悄然转变——《太原之约》的出现，让我们看到了一种新的可能：城市，正在从“被讲述的对象”转变为“会讲故事的主体”。 从背景板到故事主角：一场叙事的深层变革 一部微短剧，究竟能为一座城市带来什么？《太原之约》开
在2026中关村论坛主会场，全球首创的AR+AI会议翻译系统正式亮相 2026中关村论坛的主会场，迎来了一项突破性部署。亮亮视野与智谱AI联合推出并落地了全球首个AR+AI会议翻译系统，为大会主论坛及多场平行论坛提供了核心的翻译保障。这套系统深度融合了AR眼镜与大模型能力，其指标颇为亮眼：支持54种
中关村论坛参会人员佩戴眼镜照片（亮亮视野展台提供） 本报（chinatimes net cn）记者张玫 北京报道 一场没有同传耳机的国际论坛 3月27日，由中国残联、北京市政府主办，北京市残联承办的2026中关村论坛年会科技助残论坛在北京举行。 如果你在现场，可能会发现一个有趣的现象：部分参会者并未
热门专题
热门推荐
在《燕云十六声》中领悟“菩提苦海”，需沉浸探索游戏世界。主线剧情构建认知框架，战斗观察、场景细节与NPC对话皆暗藏线索。通过多元视角拼凑因果，方能深入理解游戏蕴含的宏大叙事与深邃魅力。
2026年618大促的序幕刚刚拉开，初期战报已经透露出一些耐人寻味的信号。截至5月21日，海信电视在京东平板电视累计销售竞速榜上拔得头筹，其RGB-Mini LED爆款王——海信小墨E5S Pro，更是同时拿下了天猫平板电视和抖音大家电的5 20单品销冠。 这并非偶然。奥维云网的全渠道监测数据给出了
充电桩领域的“军备竞赛”再次迎来重磅升级。5月22日，极氪汽车正式发布了其全新一代液冷超级充电桩，将单枪峰值功率一举提升至行业领先的800kW，标志着超充技术迈入新阶段。 根据官方披露的核心信息，这款超充桩主要具备四大优势：极速补能、高效节能、广泛适配与多重安全。具体而言，其单枪峰值电流高达800A
获取电弧机剑主要有五种途径：推进主线任务以解锁线索；探索遗迹、工厂等特定区域；挑战特定副本与Boss；完成提及传说武器或遗物的支线任务；参与限时活动并达成要求。玩家可根据偏好选择或组合多种方式获取该武器。
小米汽车再次为潜在车主带来惊喜福利！即日起至5月31日，用户只需提前完成预约，并到店参与任意车型的试驾体验，即可免费获赠一款1:64精致合金车模。车模款式与颜色随机发放，为试驾过程增添一份专属的收藏乐趣，诚意十足。 参与本次活动需注意以下细则：试驾必须通过官方渠道提前预约；各授权门店的车模备货数量不