全球学者共同研究、为比较人工智能(AI)性能而设计的超高难度试题“人类最后的考试”(Humanity's Last Exam·HLE)已公开。
据国际学术期刊《自然》(Nature)28日(当地时间)报道,HLE是由全球50个国家、500多个研究机构的教授和研究人员约1000人参与制作的超大型AI基准测试。在数学、物理学、化学、生物学、工学、计算机科学、人文学等100多个细分领域共出题2500道。其特点在于并非单纯的知识记忆,而是要求复合推理与解读能力。
该考试由美国非营利组织AI安全中心(CAIS)与初创企业Scale AI主导,于去年1月首次公开。此后经过约一年的验证过程,此次以正式论文形式发表。近来AI性能迅速提升,原有基准测试已不再具备区分度,因此该项目意在设立衡量AI极限的新标准。
HLE最大的特点是题目筛选方式。出题团队只挑选了在制作题目时连性能最高的AI也无法解答的题目。随后经专家审核,只有被判定难度足够高的题目才最终纳入考试。数学题占整体的41%,数量最多;此外还包含大量需要人类专家水平背景知识的题目,如古罗马墓碑铭文解读、蜂鸟骨骼结构分析等。需要同时解读文字与图像的多模态题目也相当多。
AI的实际成绩远低于预期。据CAIS公布的评估结果,谷歌的“Gemini 3 Pro”以38.3%取得最高分,但仍未过半。OpenAI的GPT-5.2为29.9%,Anthropic的Opus 4.5为25.8%,DeepSeek 3.2仅为21.8%。
韩国国内AI模型的成绩更低。在仅针对文本题目的评估中,LG AI研究院的“EXAONE”为13.6%,Upstage的“Solar Open”为10.5%,SK电讯的“A.X K1”仅为7.6%。
此次考试中也有韩国研究人员作为出题者参与。包括AI初创企业Aim Intelligence首席技术官(CTO)朴河言和延世大学教授金大铉等在内,共有6名韩国研究者列名其中。朴CTO说明:“我出的是需要复杂计算的离散数学题目”,“设计上让AI的解题过程接近正确,但最终数值出现误差”。
不过研究团队强调,不应对HLE结果做过度解读。在HLE中取得高分,并不意味着能像人类一样主导新的研究或达到通用人工智能(AGI)。论文明确指出:“HLE只是评估AI学术推理能力的工具,并非判断人类水平通用智能的标尺。”
朴CTO也表示:“我并不认为HLE会成为人类最后的基准测试”,“反而今后需要更复杂、更贴近现实的评估标准”。实际上,Aim Intelligence正与韩国人工智能安全研究所(AISI)共同推进评估AI危险决策的新基准“审判日(The Judgement Day)”项目。目标是验证AI在武器使用或平民伤害等极端情境下会作出何种判断。






