牛透社美东时间 5 月 22 日消息，苹果研究团队发布 AI 基准测试研究成果，揭示传统数学推理评估体系存在局限性。

研究显示，GSM – Symbolic 基准测试中，题目数值或名称改动会导致模型性能显著下降；UTMath 基准测试中最佳模型仅能解决约三分之一案例，FrontierMath 基准测试当前 AI 解决率不足 2%。

Yip博士提出构建新型基准测试的五大原则：过程导向评分、自适应对抗提示、跨领域测试套件、专家介入验证、动态演进机制。现有基准测试揭示的是模仿而非真正智能，应将人类教育原理融入AI评估，推动AI实现真正的智能革命，下一代AI的价值评判标准应是应对新问题的能力。