首超 30 分！中國開源方案在 "人類最后的考試" 中超越國際巨頭 原創
“人類最后的考試”，被一支國內團隊打破了紀錄。
最近，國內團隊在一場“人類最后的考試”中取得了歷史性突破。
?
由上海交通大學和深勢科技聯合研發的X-Master系統，在這場覆蓋數學、物理、生物醫藥等100多個學科的高難度測試中，首次突破30分大關，以32.1分的成績刷新了全球紀錄。
?
?
可能很多人還不了解這個測試的分量。人類最后的考試（HLE），是今年初由AI安全中心和Scale AI聯手推出的超難測試集。之所以被叫做“人類最后的考試”，也在于這個大模型測試的難度是公認的天花板級別。
?
它由500多家機構的1000多名學者共同出題，包含3000多道研究生以上難度的題目。這次突破的核心是DeepSeek-R1模型與X-Master智能體的結合。
?
DeepSeek-R1在數學和編程領域本就表現突出。而X-Master則模擬人類研究者的動態問題解決過程，能在內部推理和外部工具調用之間高效切換。
?
比如遇到生物學問題時，它會自動生成代碼調用專業數據庫，通過實驗數據驗證推理結果。這種工具增強的推理模式，讓模型在處理復雜問題時更接近人類專家的思維方式。
?
在TRQA-lit生物學專項測試中，它的準確率達到67.4%，遠超同類模型。數學題上，它能通過分步推導解決高難度證明題；物理題中，它甚至能結合圖像信息分析量子力學現象。
?
?
更重要的是，這套系統通過多智能體工作流X-Masters，將多個求解器的方案進行整合優化，最終輸出最優解。通過分散-堆疊式的設計，它在面對開放性問題時也能保持較高的準確率。
?
HLE最初發布時，所有AI模型的成績都不到10%，哪怕到現在，也鮮有模型的測試成績超過20分。此前OpenAI的o1模型在HLE中僅得9.1分，谷歌Gemini 2.5 Pro也只有18.8分，而X-Master的32.1分幾乎是它們的兩倍。
?
更值得關注的是，上海交大團隊采用的是完全開源的技術方案，所有模型和數據集都可在GitHub上獲取。
?
這些成果背后，是國內團隊在基礎研究和工程化應用上的雙重突破。論文作者欄，四位共同一作Jingyi Chai、Shuo Tang、Rui Ye、Yuwen Du都來自上海交大人工智能研究院，由陳思衡副教授指導。深勢科技創始人張林峰也親自署名支持。
?
?
在攀登AI高峰的路上，中國研究者正從跟跑者變為領跑者。這場“人類最后的考試”不僅是技術的較量，更是開源生態與閉源壟斷的博弈。國內團隊正以開放姿態推動技術普惠。
?
未來，隨著HLE測試難度的持續升級，AI模型的挑戰才剛剛開始。但可以預見，開源生態將成為推動技術進步的核心力量。
