2025年9月，Eigen-1多智能体系统在HLE Bio/Chem Gold测试集上首次突破60分大关，Pass@1准确率达48.3%，Pass@5达61.74%，超越GPT-5等顶尖模型。该系统基于开源DeepSeek V3.1，通过Monitor-based RAG、HSR和QAIR三大创新机制实现质的飞跃。研究团队来自耶鲁大学、上海交大等机构联合开发，强调隐式知识增强与层级推理优化的重要性。Eigen-1不仅在HLE表现出色，还在SuperGPQA和TRQA等多项任务中取得领先成绩。论文指出，AI科学推理核心挑战在于知识与推理整合，并预示AI辅助科研新范式的到来。项目已开源，未来将拓展至更多领域。

“为了全人类，提交你最难的问题” AI的聪明程度已经快超出人类评估能力。早期，人们用各种题库测试AI，但如今大部分模型在MMLU等基准测试上的准确率已超90%，甚至满分横扫。图灵测试早已无人提及，现有考试无法再有效衡量AI的进步。 为应对这一问题，“人类最后的考试”（Humanity's Last ...

正文：2025年7月，上海交大与深势科技团队发布新研究，在“人类最后的考试”（HLE）中取得32.1分，首次突破30分大关，刷新纪录。该测试集由AI安全中心和Scale AI发起，以研究生难度著称，涵盖数学、物理、生物医药等多学科，题目难以检索且需明确答案。团队推出工具增强推理智能体X-Master及多智能体工作流系统X-Masters，并开源方案。实验显示，X-Masters在HLE纯文本子集表现优于现有模型，尤其在生物学/医学领域达27.6%正确率，超越Biomni和STELLA。研究使用DeepSeek-R1-0528作为推理模型，通过分散-堆叠架构显著提升性能。

标题：人类给AI的“最后考试”：HLE基准测试 随着AI大模型在众多任务上超越人类水平，人类与AI共生时代来临。为了跟踪AI进展，新的基准HLE（Humanity's Last Exam）应运而生。HLE是一个多模态基准，涵盖3000多个高难度问题，涉及上百门学科，由全球近1000名专家创建。 HL...