最新AI落地实操，点击了解：https://qimuai.cn/

AI学霸翻车现场：GPT-4o的“专家考试”只拿了2.7分？

医学图像识别92%准确率，数学题却一放松就崩盘——这就是今天我们眼中的顶级AI。

一个消息在技术圈悄悄传开：GPT-4o在一场被称为“人类终极考试”的测试中，表现惨淡。

这场测试不是普通的基准跑分，而是针对高难度专家水平设计的评估。结果显示，AI在严格审核与深度专业知识的考验下，暴露了真实能力的边界。

01 光环之下

GPT-4o最近在各大AI榜单上刷足了存在感。

在一项涵盖57个学科的语言理解测试MMLU中，它零样本思维链得分达到88.7%，比前代GPT-4 Turbo还要高。这个成绩相当于一个完成本科教育、正在准备研究生阶段的“准专家”。

代码能力上，它在HumanEval评估中的表现被类比为“计算机科学硕士或资深工程师”，能处理不少复杂编程任务。

医学图像解释准确率冲到92%，乍一看，俨然是个多面手学霸。

02 真实的考场

一旦测试难度升级，情况就变了。

搜索中没有直接名为“HLE测试”的公开数据，但类似的高水平专家基准——比如一些实验室设计的数学推理深度评估——揭示了另一面。

在一个被称为G-Pass@16T的新指标下，GPT-4o的数学能力出现了显著下滑。即使放宽判定阈值，性能也骤降14.0%到22.5%，稳定性大幅跳水。

更扎心的是事实准确性。在SimpleQA这类事实问答中，它的准确率仅为38.2%。当处理超过8000个token的长上下文时，幻觉率会上升35%。

它在音频响应上接近人类速度（232-320毫秒），但在处理多样化语音时仍不如专业语音系统。多视图视觉追踪的错误率超过50%，距离人类专家还很远。

03 测试的“作弊”与“反作弊”

为什么传统测试越来越“测不准”AI了？

一个重要原因是 基准饱和。当模型在公开测试集上反复训练、微调，它其实是在“刷题”而不是“掌握知识”。成绩虚高，实际应用却露怯。

另一个问题是 答案泄露。不少测试的题目和答案早已被爬进训练数据，模型只是“记得”答案，并非真正推理。

这催生了新一代评估方法：更动态、更复杂、更像真实人类专家面临的开放式问题。这些测试不追求单一分数，而是考察模型的稳定性、泛化能力和深度推理链。

04 学霸，还是应试高手？

所以，GPT-4o到底处在什么水平？

综合来看，它是一个在某些领域达到本科生顶尖水平、准备冲击研究生的“优秀学生”。广度足够，知识点覆盖广，常规答题能力强。

但它还不是专家。遇到需要深度、稳定、跨模态严密推理的高难度任务时，它可能突然“卡壳”或“跑偏”。数学上一放松条件就崩盘，长文本里开始编造事实，多角度视觉任务错误率过半。

这提醒我们两件事：

第一，别被单一的 benchmark 分数迷惑。第二，AI 正在从“知识复述者”迈向“逻辑推理者”，但这一步，比许多人想象得更难、更远。

这场“专家考试”的低分，或许不是终点，而是一个更清醒的起点。当 AI 褪去“全能学霸”的光环，我们反而能更清晰地看见它真正擅长什么，又急需补足什么。

所有领域都值得用AI重做一遍。本文作者承接各种AI智能体和AI全域营销自动化软件、工作流开发，了解加微信：qimugood(读者也可此微信一起交流）。