OpenAI测的4000道题，91%没做出来
一则关于AI能力评测的消息引发关注：OpenAI对4000道复杂推理题进行测试，结果有91%的题目未能正确作答。这一数据乍看之下，似乎在提示AI能力的巨大短板，但深入来看，它恰恰反映了当前大模型能力评测的复杂性与AI发展的真实阶段。
先理解这4000道题的性质。这类评测往往聚焦于高难度的多步推理、数学推导、逻辑思维等任务，题目本身就超出大多数人的解答能力，是专门为'挑刺'设计的极限测试。大模型在这些题目上表现不佳，并不代表它在日常应用场景中缺乏能力。
图6 OpenAI测的4000道题，91%没做出来
事实上，AI在大多数实际任务中的表现已经相当出色。无论是文档整理、代码编写、问答咨询，还是内容创作，大模型都展现出强大的实用性。评测的困难题目，更多是检验AI的天花板，而非衡量其日常价值。
这一数据也提醒我们，对AI能力应保持理性认知。一方面，AI正处在快速迭代期，能力边界持续拓展;另一方面，AI并非万能，面对需要深度推理、复杂规划的任务，仍存在明显局限，尤其在涉及事实准确性、逻辑严密性的场景，仍需人类把关。
从行业视角看，这类评测推动着AI技术的进步。通过识别模型的短板，研发团队可以针对性地优化推理能力、提升训练质量。极限评测的意义，不在于'揭短'，而在于为技术迭代指明方向。
对于普通用户而言，理性看待AI的能力边界，才能更好地利用这项工具。既不必神话AI，也无需因极限评测的数据而否定其价值。AI是强大的助手，但做出关键决策时，人依然是最终的责任主体。
本文素材来源于公开科技评测报道，仅作技术观察。
上一篇:A股收盘，科创50指数表现抢眼，盘中一度大涨近10% 下一篇:上汽奥迪因'买一赠一'宣传被市场监管部门立案调查