过去五年人工智能在不同基准测试上的表现，近一年来属于肉眼可见的飞跃。横轴是时间线，纵轴是准确率，即AI在测试中正确率。不同颜色的线代表不同测试，简单说几个有代表性的：
1.TriviaQA：可以理解为常识数据集，测试AI的知识储备和基础推理，对AI没难度，几乎满分
2.MMLU ：综合性的语言理解测试，包含多个学科的题目，如数学、物理、历史等，几乎满分
3.Competition math：竞赛数学，类似咱们这的奥数吧，提升最明显，4年前是5分学渣水平，现在是……90以上
4.AIME：美国数学邀请赛，比上面那个更难一点，不到90分
5.GPQA：测试理解复杂概念、应用科学知识和进行逻辑，这一年发展也很快，接近80分
6.SWE tasks 软件工程任务，测试AI的软件开发能力，比如编写代码、调试程序啥的，几乎是从0分起步，目前70分段位
7.最终boss是人类的终极考试（Humanity's last exam）……这个怎么说呢，从名字就看出来这是人类挽尊题，如果到满分基本就是AGI雏形初现时刻，目前20+段位。
大趋势都看得出来：
1.所有线条均呈现上升趋势，AI在各个领域的能力都在快速提高，几十年前的“图灵测试”已经没有意义了
2.最炸裂的其实是高难度测试准确率也在快速提推升，要知道推理模型的推出还不到一年呢，后面会发生啥？