现在AI圈儿有点热闹，或者说，有点“虚火”。你发现没？这两年各种大模型在测试里的分数高得吓人，一个个都快满分了，搞得好像AI立马就能上天入地似的。但真到用的时候呢？不少模型就掉链子了，要么答非所问，要么解决不了实际问题。

　　微软CEO纳德拉都忍不住吐槽，说有些所谓的AGI里程碑，其实就是在测试里耍小聪明作弊。他这话虽然直，但点出了个关键问题：咱们到底该咋判断一个AI好不好？总不能光看分数吧？还得看看有没有实体经济的贡献价值！

　　为什么说这事很有必要？

　　最近好多国际研究机构都发现，现在衡量AI能力的那些主流测试，有点“不靠谱”了，就像咱们考试时遇到的“高分低能”情况，在AI圈也越来越明显。

　　拿那个叫SWE-Bench的软件工程测试来说吧，研究人员发现，有些模型压根不是真的代码能力强，而是靠“押题”——专门针对测试里的题型做优化，最后分数倒是挺高，可真让它写段复杂代码、解决个实际工程问题，立马就露馅了。

　　还有个测网络导航能力的WebArena测试，更有意思。有的模型不琢磨怎么真的看懂网页、找到信息，反倒偷偷记住了测试里那些特定的网址结构，相当于走了“捷径”，测试时表现得特牛，可一到真实的复杂网络环境里，就晕头转向，啥也干不了。

　　这事儿现在整个行业都在议论。一方面吧，有些人为了让模型分数好看，故意用测试数据去“喂”模型，或者专门对着测试内容优化，结果就是分数和实际能力严重脱节；另一方面更麻烦，好多人把测试排名当成宣传点，动不动就说“我家模型排第一”，可这排名早就不代表真实水平了。

　　Epoch AI做的研究也能说明问题。像MMLU这种主流测试里，头部模型的分数都快赶上人类甚至超过了，可问题是，大家分数都挤在90分以上，你高个零点几、我低个零点几，根本没法看出这些模型的真实能力到底差在哪儿。就像班里好学生都考98、99，那一分两分的差距，能说明谁更会解决实际问题吗？显然不能啊。

　　这情况放到实际应用里就更明显了。好多模型在标准化测试里成绩拔尖，可真到具体业务场景里，就不灵了。比如让它处理某个行业的专业知识，或者适配企业里那些弯弯绕绕的流程，通用测试的分数就没啥参考价值了，经常是“考试状元”干不了“具体活儿”。

　　所以啊，现在行业里都在盼着一把更靠谱的“尺子”——能精准衡量AI在特定场景下的专业能力，还得务实、安全，别再让那些虚高的分数晃了眼。毕竟咱们用AI，是想让它解决真问题，不是看它在测试里当“学霸”，你说对吧？

　　我想说这种变革是系统性的！

　　就在上个月，认知智能全国重点实验室联合中科院文献情报中心这些权威机构，搞出了个《通用大模型评测体系2.0》。我跟你说，这可不只是换个版本号那么简单，从设计思路到技术框架，都透着一股“要来真的”的劲儿——目标很明确，就是要让AI评测从“证明技术多牛”变成“证明真能创造价值”。

　　《通用大模型评测体系 2.0》（来源：认知智能全国重点实验室）

　　你知道这2.0体系有多细致吗？

　　打个比方吧，1.0时代的评测，就像看一个模型“能不能算出一道复杂的数学题”；到了2.0时代，就得看它“能不能像个有经验的老师那样，把解题思路讲得明明白白，还能根据不同学生的水平，出一套循序渐进的练习题”。你看，这差别多大？不再是死磕单一能力，而是看它能不能在真实场景里解决问题。

　　这种转变的核心，就是“场景导向”。2.0里的每一项评测，都对应着一个具体的应用场景和实际痛点。最关键的是，为了防止厂商又来“刷榜”——就是专门对着测试数据死磕优化，它搞了个动态更新机制，承诺每个季度都大比例换测试题。这下好了，想靠死记硬背混高分？门儿都没有。

　　具体说说2.0三个特别实在的突破。

　　第一个是规模上的。以前评测任务才481项，现在直接涨到1186项，主流应用领域基本都覆盖到了。更重要的是，从以前单一的文本或图像测试，扩展到了文本、图像、语音、视频全模态——就是说，既能看懂字、认得出图，还得听得懂话、理解得了视频，这才叫真本事。另外，它特别强调中英文能力并重，这既考虑了咱们国内市场的需求，也能看出咱们AI产业想在全球闯闯的野心，挺提气的。

　　第二个是专项上的。就是针对不同行业的专业需求，搞了一堆细分评测。比如教育专项，完全贴合咱们国家的K12体系，不光看模型会不会做题，更看它能不能帮老师备课、给学生做个性化辅导、批改作业这些实际教学场景。还有个叫AI4S的科研专项，专门测模型在物理、数学、化学这些科学领域的本事，细分成98项任务，就是想看看它能不能当科研人员的好帮手——毕竟现在好多实验室都靠AI分析数据呢。最有意思的是，为了防止那些厂商专门对着测试数据“刷分”，这体系还搞了个动态更新机制，承诺每个季度都大比例换测试题。你想啊，题目总在变，光靠死记硬背肯定不行，得真有本事才行。

　　第三个是方法上的。为了让评测结果靠谱，2.0用了“人工+自动”结合的办法。有些任务没法用机器打分，比如看模型的逻辑性、创造性，就搞“多人主观双盲评测”——专家打分时，既不知道这是哪个模型做的，也不知道其他专家给了多少分，这样就没偏见了。同时还加了个JudgeModel辅助评分，效率和一致性都能保证。更细致的是，它搞了“1+4”评价体系：一个总体分，再从相关度、连贯度、完整度、有效度四个方面给分，这样模型到底哪儿强、哪儿弱，看得清清楚楚。

　　对了，现在大家不都担心AI的安全和伦理问题吗？2.0也考虑到了，专门弄了16项指标评估风险，连“指令安全”都算进去了，完全照着咱们国家的《生成式人工智能服务管理暂行办法》来。这意味着，能通过2.0评测的模型，在国内用着肯定合规，这点让人挺放心的。

　　说到底啊，这2.0体系就像一把更准的尺子，不光量得出AI的技术水平，更能看出它到底能不能在真实世界里派上用场——这才是咱们真正需要的，对吧？

　　从“军备竞赛”到“价值创造”，行业越来越取向成熟！

　　有了这么细致的评测体系，各个模型的真实水平就显出来了。国际上的GPT-4o和Gemini在多模态融合方面确实厉害，但咱们国内的模型也有不少拿手好戏。

　　比如讯飞星火，它那个“一句话声音复刻”技术，在评测里拿了快满分，音色和风格都特别像原人。你知道吗？某电车车企最新的智能助手NOMI，那超像人的声音，就是用的讯飞的技术，这可是行业里第一个车载生成式语音合成框架呢。

　　在图像和视频生成方面，豆包和MiniMax表现挺突出。豆包不是有抖音生态撑腰嘛，对内容的理解特别到位，它那个P图功能、让老照片动起来的功能，玩过的人都说有意思。它还有个叫Seedance 1.0的模型，文生视频、图生视频都挺厉害，在短视频创作圈里用得不少。

　　MiniMax是个后起之秀，它不搞那种单纯的对话模型，而是做“全模态理解+自动化执行”的智能体。它那个Hailuo 02视频生成模型，在海外火得很，有人用它做了个“猫咪奥运会”的视频，短短几小时就在社交平台上有150万次观看，大家都觉得视频里的物理效果太逼真了。

　　再说说医疗领域，今年上半年冒出了288个医疗大模型，市场规模都到82亿元了，真是爆发式增长。这里面，讯飞星火、阿里蚂蚁、腾讯优图的“天衍”都各有千秋。

　　腾讯觅影依托他们的混元大模型，整合了3000万份医疗问答数据，从影像分析到临床决策，一套流程都能搞定。讯飞星火呢，在医学影像方面也不含糊，和华西医院合作的病历质控系统，在呼吸内科、骨科这些复杂科室的准确率能到90%。更厉害的是它的临床辅助能力，在心血管内科、儿科这些专科里，水平居然能赶上三甲医院的主治医师，写的诊断报告比不少医生都清楚、全面。

　　其实这背后是人家多年的积累。讯飞从2018年就开始做基层医疗，一开始是帮着看常见病，后来慢慢扩展到病历质控、专科诊断，现在智医助理已经给了超过10亿次的辅诊建议，规范了3.8亿份病历，这数字还是挺惊人的。

　　针对普通人的健康管理，讯飞晓医APP也很实用，查症状、查药物、解读体检报告都行，还能连血压计、血糖仪这些设备，给你画个健康画像。最近阿里蚂蚁也在往这个方向发力，看来个人健康管家会是个大趋势。

　　教育领域也非常热闹。评测里显示，星火X1在批改数学解答题步骤、给英语主观题打分、预测知识点这些方面特别厉害，而豆包在判断相似题上更胜一筹。

　　你见过讯飞那个AI黑板吗？上面有个虚拟人助教，能读课文、答问题，还会用“问题链”引导学生思考。最绝的是，你在上面写个数学公式、化学方程式，它能立马认出来，还推荐相关的3D动画，把抽象的知识点变得特别直观，这对教学帮助可太大了。

　　现在不光是医疗、教育，政务、金融、工业这些行业，都在试着把大模型用到实际场景中。这时候就看出生态的重要性了：像DeepSeek这样的，搞开源让开发者一起创新；字节、阿里、腾讯这些，利用自己的生态搞好用好玩的AI；讯飞星火则在教育、医疗这些关键行业深耕，筑牢底座安全。这种多元发展的局面，既能满足不同需求，也能让整个AI产业持续创新。

　　说到底，这个2.0评测体系的出现，标志着AI行业开始从“比谁更厉害”转向“比谁更有用”。以前那种不管实际应用、光追求技术突破的“军备竞赛”，慢慢变成了踏踏实实解决行业问题。

　　这对咱们用户来说是好事啊，以后选AI的时候，就不用光看那些花里胡哨的宣传了，有实实在在的评测结果可以参考，知道哪个模型在哪个领域真正拿手。

　　当然了，AI评测这条路还长着呢。以后肯定会有更动态、更智能的评测方式，但不管怎么变，核心都应该是：AI到底为经济增长、社会进步、人类知识拓展做了多少实实在在的贡献。比如能不能推动经济增长，能不能让大家的生活更舒服，能不能帮着人类探索更多未知的知识。而且这些贡献，得是能说清楚、能衡量的，不能是虚无缥缈的空话。

　　总的来说，现在AI圈算是慢慢从“镀金时代”走出来了，开始往“实干时代”发展。这条路肯定不好走，但方向是对的，你说对吧？

责任编辑：凌美