突破 30 分!国内团队结合DeepSeek-R1与 X-Master,打破AI 评测纪录!

"人类最后的考试",被一支国内团队打破了纪录。

最近,国内团队在一场"人类最后的考试"中取得了历史性突破。由上海交通大学和深势科技联合研发的X-Master系统,在这场覆盖数学、物理、生物医药等100多个学科的高难度测试中,首次突破30分大关,以32.1分的成绩刷新了全球纪录。

可能很多人还不了解这个测试的分量。人类最后的考试(HLE),是今年初由AI安全中心和Scale AI联手推出的超难测试集。之所以被叫做"人类最后的考试",也在于这个大模型测试的难度是公认的天花板级别。

它由500多家机构的1000多名学者共同出题,包含3000多道研究生以上难度的题目。这次突破的核心是DeepSeek-R1模型与X-Master智能体的结合。

DeepSeek-R1在数学和编程领域本就表现突出。而X-Master则模拟人类研究者的动态问题解决过程,能在内部推理和外部工具调用之间高效切换。

比如遇到生物学问题时,它会自动生成代码调用专业数据库,通过实验数据验证推理结果。这种工具增强的推理模式,让模型在处理复杂问题时更接近人类专家的思维方式。

在TRQA-lit生物学专项测试中,它的准确率达到67.4%,远超同类模型。数学题上,它能通过分步推导解决高难度证明题;物理题中,它甚至能结合图像信息分析量子力学现象。

更重要的是,这套系统通过多智能体工作流X-Masters,将多个求解器的方案进行整合优化,最终输出最优解。通过分散-堆叠式的设计,它在面对开放性问题时也能保持较高的准确率。

HLE最初发布时,所有AI模型的成绩都不到10%,哪怕到现在,也鲜有模型的测试成绩超过20分。此前OpenAI的o1模型在HLE中仅得9.1分,谷歌Gemini 2.5 Pro也只有18.8分,而X-Master的32.1分几乎是它们的两倍。

更值得关注的是,上海交大团队采用的是完全开源的技术方案,所有模型和数据集都可在GitHub上获取。

这些成果背后,是国内团队在基础研究和工程化应用上的双重突破。论文作者栏,四位共同一作Jingyi Chai、Shuo Tang、Rui Ye、Yuwen Du都来自上海交大人工智能研究院,由陈思衡副教授指导。深势科技创始人张林峰也亲自署名支持。

在攀登AI高峰的路上,中国研究者正从跟跑者变为领跑者。这场"人类最后的考试"不仅是技术的较量,更是开源生态与闭源垄断的博弈。国内团队正以开放姿态推动技术普惠。

未来,随着HLE测试难度的持续升级,AI模型的挑战才刚刚开始。但可以预见,开源生态将成为推动技术进步的核心力量。

相关推荐
HuashuiMu花水木24 分钟前
PyTorch笔记3----------统计学相关函数
人工智能·pytorch·笔记
算家计算32 分钟前
6 亿参数玩转 20 + 语言!OuteTTS-1.0-0.6B本地部署教程,轻量模型也能 hold 住跨语言合成
人工智能·开源
柠檬味拥抱33 分钟前
USB‑C 式的工具联接:MCP 的模块化及通用标准探讨
人工智能
柠檬味拥抱38 分钟前
模块化控制协议(MCP)在网络中增强智能体执行效率的研究
人工智能
神经星星41 分钟前
AI 论文周报 | Chai-2刷新抗体设计效率,命中率提高100倍;多篇ICML入围论文一键速览
人工智能·深度学习·机器学习
产品经理独孤虾1 小时前
人工智能大模型如何助力产品经理优化商品定价策略
人工智能·大模型·产品经理·电子商务·数字营销·智能营销·价格策略
阿里云大数据AI技术1 小时前
数据 + 模型 驱动 AI Native 应用发展
大数据·数据库·人工智能
大明哥_2 小时前
100 个 Coze 精品案例:Coze 全自动情感治愈视频混剪。用 Coze 工作流帮您节约 99% 的时间,从此告别手动!!
人工智能·agent
杨浦老苏2 小时前
IntelliSSH:AI驱动的远程服务器管理软件
人工智能·docker·ai·ssh·群晖
昵称是6硬币2 小时前
(DETR)End-to-End Object Detection with Transformers论文精读(逐段解析)
人工智能·深度学习·目标检测·计算机视觉·transformer