史上最难大模型测试集，千名专家铸成！没有模型得分超过10%，但DeepSeek-R1超o1

史上最难的大模型测试集来了！

包括 o1 在内，没有任何一个模型得分超过 10%。

题目来自 500 多家机构的 1000 多名学者，最终入围的题目有 3000 多道，全部都是研究生及以上难度。

入选的问题涵盖了数理化、生物医药、工程和社会科学等多种学科，按细分学科来算则多达 100 余个。

官方更是将它称为"人类最后的考试"，AI 安全中心主任 Dan Hendrycks 也用了这样的说法。

还有世界首位提示词工程师 Riley Goodside 表示，这才是考验顶尖模型的数据集该有的难度。

o1 得分不到 10%

如果按照大学科来算，入选的题目可以分为八大类，其中占比最多的是数学（42%），然后是物理和生物医药（均为 11%）。

而且命题难度要求严格，必须要达到研究生难度，而且还要确保不能被检索到。

当然题目还应当有明确的答案和评判方式，证明等开放式问题不会入选。

具体难度，可以看几道例题来感受下（翻译由 GPT-4o 生成）。

其中有些题目，还会考察模型的视觉能力，比如解读这种上古文字。

有些题目还需要结合视觉信息和文本共同理解，比如在化学，特别是有机化学当中，需要用图来表示相关物质的结构。

还有数学题计算机科学的题目，对推理的要求很高：

除了这些需要一定推理的任务之外，也有题目单纯考察知识储备，当然并不代表难度低。

就算是对于领域内人士，这些题目也达到了研究生难度，对于一般人而言，可能连题都读不懂。

o1 这样的强推理模型准确率只有 9.1%，DeepSeek-R1 也跻身到了英雄榜之中，不过不支持多模态，因此成绩是在纯文本子集上得到的。

但如果只比较纯文本任务，DeepSeek-R1 依然位列第一，并且相比于 o1 的优势变得更明显了。

而在非推理模型当中，Gemini 1.5 Pro 表现最好，然后是 Claude 3.5 Sonnet 和 Grok 2，GPT-4 哦排名垫底。

有模型答错，题目才能入选

这些题目不仅难度要求高，筛选的过程也十分严格。

这个项目由 AI 安全中心和 Scale AI 发起，命题者来自全世界 500 多家机构的，人数多达上千人。

涉及的机构包括高校、研究所和企业，还有来自医疗机构的学者，以及一些独立研究者等。

OpenAI、Anthropic、谷歌 DeepMind 以及微软研究院都包括在其中。

团队收集到的题目需要经历大模型和人工的双重审查。

第一轮筛选在大模型上进行，如果其中有大模型答错非选择题，或者选择题平均准确率低于随机猜测，则题目可以通过初筛。

在进行过 7 万多次尝试之后，有 1.3 万道题目进入了人工审核环节。

人工审核一共分两轮，第一轮是各个领域的专业人士（研究生以上学历），第二轮审核则由组织方以及第一轮中表现出色的审核员共同进行。

最终有三千多道题目入围，形成了一个较大的公共数据集和一个较小的私有数据集，这些题目来自 500 多家机构中的 300 余家，人数为 600 余人。

另外据介绍，每道入选题目根据评估情况，会给予命题人 500-5000 美元不等的奖励，也从侧面反应出了命题工作的复杂。（目前团队仍在接受新题目投稿，但不再发放奖金）

这样的一套超难测试集，如果让前两天深陷作弊传闻的 o3 挑战一下，说不定就能看出真实水平了。

项目主页：

https://lastexam.ai/

数据集：

https://huggingface.co/datasets/cais/hle

论文：

https://lastexam.ai/paper