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...