DeepSeek-R1、o1都低于10%，人类给AI的「最后考试」来了

机器之心报道

编辑：Panda

随着 AI 大模型在一个又一个的任务上达到乃至超越人类水平，人类文明似乎已经进入了与 AI 共生的时代。

为了跟踪 AI 的发展进度，适当的基准必不可少。但现在，由于 AI 发展的速度实在太快，已有的基准已经开始不够用了。比如在常用的基准 MMLU 上，当今前沿的 LLM 已经能达到超过 90% 的准确度了！这就限制了对前沿 LLM 能力的精确度量能力。

基于此现状，Center for AI Safety（AI 安全中心）与 Scale AI 联合打造一个名字相当吸引眼球的新基准：Humanity's Last Exam，即「人类的最后考试」，简称HLE。

• 论文标题：Humanity’s Last Exam
• 论文地址：https://arxiv.org/pdf/2501.14249
• 项目地址：https://lastexam.ai

从名字也能看出来，其背后必然有一个雄心勃勃的团队。据介绍，HLE 是一个「位于人类知识前沿的多模态基准」，其设计目标是成为「同类中具有广泛学科覆盖范围的终极封闭式学术基准。」

现目前，HLE 已包含 3000 个问题，涉及上百门学科，包括数学、人文科学和自然科学。其中的问题主要由适合自动评估的多项选择题和简单问答题构成；每个问题都有一个已知的解，该解非常明确且易于验证，但无法通过互联网检索快速回答。

为了构建 HLE 基准，Center for AI Safety 与 Scale AI 向全球不同学科的专家寻求了帮助，最终让该论文有了一份长达两页、近千人的数据集贡献者名单：

该团队也使用该基准测试了一些 SOTA 模型，结果如下。很显然，HLE 相当难。

数据集

HLE 包含 3000 多个高难度问题，涉及一百多个科目，概况见下图 3 。

下面展示了一些问题示例：

虽然这些问题已公开发布，但该团队也表示还维护着一个私有的测试集，其中包含一些用来评估模型过拟合现象的问题。

收集数据集

该团队在技术报告中分享了 HLE 基准数据集的收集过程：「HLE 是一项全球合作的成果，其中的问题来自 50 个国家 / 地区的 500 多个机构的近 1000 名学科专家贡献者 —— 主要由教授、研究人员和研究生学位持有者组成。」

问题风格：HLE 包含两种问题格式：精确匹配问题（模型提供确切的字符串作为输出）和多项选择题（模型从五个或更多答案选项中选择一个）。HLE 是一个多模态基准，其中 10% 的问题需要同时理解文本和图像。80% 的问题是精确匹配型问题，其余的是多项选择题。

提交格式：为确保问题的质量和完整性，该团队设定了严格的提交标准。

• 问题应该准确、明确、可解且不可搜索，确保模型不能依赖记忆或简单的检索方法。
• 所有提交内容必须是原创的，或者是基于已发表信息的非平凡合成版本，但也会接受未发表的研究。
• 问题通常需要研究生水平的专业知识或高度特定主题的测试知识（例如，精确的历史细节、琐事、当地习俗），并且有领域专家接受的具体、明确的答案。
• 当 LLM 能提供正确答案但推理有误时，希望作者能修改问题参数，例如答案选项的数量，以阻止假正例。
• 要求明晰的英语和精确的技术术语，并在必要时支持 LATEX 标注。
• 答案要简短，并且对于精确匹配的问题，答案要容易验证，以支持自动评分。
• 禁止开放式问题、主观解释题和与大规模杀伤性武器有关的内容。
• 每个问题都应附有详细的解答以验证准确性。

奖金池：为了吸引高质量的投稿，该团队还设立了一个奖金池，其中包含 50 万美元。对于前 50 个问题，每个奖金 5000 美元，接下来的 500 个问题每个奖金 500 美元，具体由组织者决定。正是由于这种这种激励结构，加上任何被 HLE 接收的问题的作者都有机会成为论文合著者，吸引了有资历专家的参与，尤其是那些在其领域内拥有高级学位或丰富技术经验的专家。

收集完成后，该团队还组织人手对收集到的问题进行了审核，下图展示了其审核流程：

当前 SOTA 模型在该基准上表现如何？

有了基准，自然得对当前的模型进行一番评估。该团队评估了 SOTA 模型在 HLE 上的性能表现，并分析了它们在不同问题类型和领域上的能力。

这些模型表现如何呢？如下表所示，整体表现可以总结为一个字：差。

从 GPT-4o 到 DeepSeek-R1，当前最佳的模型的准确度表现都没能超过 10%。目前官网也已经更新了 o3-mini 的成绩，其中 high 版本能达到13%：

OpenAI CEO Sam Altman 还表示 o3-mini-high 如果使用 Deep Research，则其在 HLE 上的准确度更能倍增至26.6%。

该团队表示：「如此低分的部分原因是设计使然 —— 数据集收集过程试图过滤掉现有模型可以正确回答的问题。然而，我们在评估时注意到，这些模型的准确度也都不是零。这是由于模型推理中固有的噪声 —— 模型可能会不一致地猜对正确答案，或者猜中多项选择题答案的概率低于随机。」因此，这些模型在该数据集上的真正能力底线仍然是未知的，接近零准确度的微小变化并不能有力地表明进展。

鉴于这些模型在 HLE 上表现不佳，该团队表示应该在考虑到不确定性的前提下校准模型，而不是自信地提供错误答案，毕竟模型存在虚构/幻觉现象。为了测量校准误差（Calibration Error），该团队让模型提供答案的同时还提供置信度（范围是 0% 到 100%）。经过良好校准的模型声明的置信度应该与其实际准确度相匹配 —— 例如，在声称置信度为 50% 的问题上实现 50% 的准确度。

而表 1 的结果表明所有模型的校准都很差。在 HLE 上，模型经常以高置信度提供错误答案，这表明这些模型无法分辨这些问题何时超出其能力范围。

token 数量：具有推理能力的模型需要更多的推理时间计算。为了在评估中阐明这一点，该团队分析了各个模型使用的完成 token 的数量。如图 5 所示，所有推理模型都需要生成比非推理模型多得多的 token 才能提高性能。该团队指出：「未来的模型不仅应该提升准确度，还应该努力实现计算优化。」

该团队表示，虽然目前的 LLM 在 HLE 上的准确度非常低，但最近的历史表明，这个基准很快就会饱和 —— 前沿模型的性能可在短时间内从接近零到接近完美。

他们预计，到 2025 年底，模型在 HLE 上的准确度就可能超过 50%。

如果模型能在 HLE 上取得高准确度表现，则说明其在封闭式、可验证的问题和前沿的科学知识上具备了专家级的表现，但仅靠这个基准，并不能表明模型已经具备自主研究能力或者已经是所谓的「通用人工智能」。HLE 测试的是结构化的学术问题，而不是开放式研究或创造性解决问题的能力，因此这是一个重点关注技术知识和推理的测量指标。

该团队写到：「HLE 可能是我们需要对模型进行的最后的学术考试，但它远非 AI 的最后一个基准。」