AI 推理露真容：WebDetective无泄题测试，顶尖模型仅56 分

一、侦探破案隐喻：AI 推理的真实困境

“找出凯恩・科恩斯的父亲是谁？”

如果有人告诉你 “先找他哥哥，再找哥哥的继母，最后找继母的丈夫”，这案子堪称送分题。但要是没有任何提示，你得自己琢磨查谁、问谁、走哪条线索 —— 这才是 AI 真正面临的考验。

2025 年 10 月，阿里通义实验室等机构的研究揭开了一个残酷真相：我们一直用 “泄题” 的试卷考 AI，导致严重高估了它的推理能力。更关键的是，他们推出了首个 “无提示” 测试系统 WebDetective（代码已开源），一考之下，25 个顶尖 AI 原形毕露。

二、传统测试的 “泄题” 套路：AI 一直在 “做弊”？

就像考核侦探却提前给线索，当前 AI 测试的 “泄题” 分两种：

• 路径提示：问题直接给出推理步骤，比如问 “凯恩的哥哥的继母的丈夫是谁”。AI 只需按图索骥，根本不用想 “从哪开始查”。
• 规范提示：用一堆特征画 “身份指纹”，比如 “找 5AA 电台的前足球运动员主持人，妻子是 2007 年工党候选人”。AI 只需匹配特征，本质是 “填数独” 而非推理。

更糟的是，传统评估只看 “对不对”，不管 “怎么答的”。就像侦探猜中答案、查错步骤、直接放弃，都算 “失败”—— 根本分不清 AI 是找不到线索、不会拼线索，还是瞎猜。

三、WebDetective：给 AI 出的 “真考题”

为了考出真实水平，WebDetective 设计了两大杀招：

1. 只给问题，不给提示

直接问 “凯恩的父亲是谁”，没有任何步骤指引。就像警长扔下案子就走，侦探全靠自己摸索。

2. 打造 “密室逃脱” 式测试环境

怕 AI 走捷径（比如直接搜到凯恩父子同框新闻），研究团队建了个 “受控维基百科”：

• 凯恩的页面只写着 “有个哥哥查德”
• 查德的页面只写着 “继母是妮可”
• 妮可的页面才写着 “丈夫格雷厄姆”

就像密室逃脱，必须拿到前一扇门的钥匙才能进下一扇，AI 想跳过步骤根本不可能。同时，系统还能追踪 AI 的每步操作，精准定位失败原因。

3. 医生式诊断框架

不再只看 “对错”，而是拆分评估：

• 知识获取：找到关键线索了吗？（像侦探收集到证物没）
• 答案生成：有线索能拼出真相吗？没线索会说 “不知道” 吗？（像侦探会分析证物、懂不懂认输）

四、给 AI 配 “办案工具”：EvidenceLoop 的尝试

研究团队没只挑问题，还做了个 “AI 办案助手” EvidenceLoop，核心是三个设计：

1. 侦探团队协作：3 个 AI 分头查线索，汇总后再深入，避免漏线索或信息过载；
2. 证物编号系统：线索存成 “证据 #042”，摘要 + 编号既省空间又能随时调原证；
3. 实时审核机制：AI 答完必须标证据，专人（验证 AI）查 “线索对不对、能不能拼出答案”，有漏洞就补查。

这套系统准确率达 25%，虽不如顶尖模型，但指明了方向。不过也暴露了 AI 的新问题：会 “过早放弃”、记不住之前的线索、反复查同一页面浪费精力。

五、真相：我们可能高估了 AI 的进步

这项研究最值钱的不是分数，而是搞懂了 AI “哪里不行”：

• 不是 AI 没进步，是之前的测试太水 —— 就像用开卷考成绩当智商分；
• 当前技术下，AI 要么推理强但爱瞎猜，要么靠谱但不顶尖，二者难兼顾；
• AI 缺 “工作记忆”，记不住推理过程中的线索，这得从模型架构上改。

就像侦探得懂收集、分析、判断分寸，真正的 AI 推理也得会找线索、拼线索、知边界。现在看来，这条路还长着呢。