国产AI新巅峰：上海交大开源方案攻克“人类最后考试”

type

status

date

slug

summary

解构X-Master：如何让开源模型变身超级智能体

此次研究的一大亮点，是它并没有使用最顶尖的闭源模型，而是选择了开源大模型DeepSeek-R1作为推理核心。即便R1在函数调用等方面尚有不足，但通过X-Master框架的巧妙设计，其潜力被极大地激发出来。

X-Master的核心理念是模拟人类科学家的动态解题过程，在内部思考和外部工具调用之间无缝切换，形成一个高效的“共生循环”： * 内部推理：智能体首先分析问题，形成初步的思考和计划。 * 外部交互：当遇到仅靠内部知识无法解决的难题时，X-Master会将行动计划编写为Python代码。这些代码在一个安全的沙盒环境中执行，可以调用强大的计算库（如NumPy）或团队专门设计的网络搜索工具。 * 反馈学习：代码的执行结果会作为新的信息，反馈给智能体，丰富其知识库，并指导下一轮的推理。

为了让非智能体特性的模型学会这种行为，团队引入了一种名为“初始推理引导”的机制。它在模型开始思考前，植入一段以第一人称写的“自我陈述”，例如“我能够通过访问外部工具来解决问题”、“我会用代码与环境交互”。这种巧妙的“心理暗示”有效地引导模型相信并运用自己被赋予的新能力，即使没有经过专门的微调，也能自主地执行复杂的智能体任务。

X-Masters工作流：1+1>N的多智能体协作力量

如果说X-Master是单个超级士兵，那么X-Masters就是一支纪律严明、协同作战的特种部队。这是一个精心设计的“分散-堆叠”式多智能体工作流，旨在系统性地提升问题解决的广度与深度。

该工作流主要分为两个阶段：

分散阶段（Disperse）：此阶段的目标是“广度优先”，拓宽解题思路。多个扮演“求解器”（Solver）角色的X-Master实例会并行工作，从不同角度生成多样化的解决方案。同时，一个“批评者”（Critic）智能体会审视这些方案，指出潜在的缺陷和错误。

堆叠阶段（Stack）：此阶段的目标是“深度优先”，对已有思路进行提炼和升华。首先，“重写器”（Rewriter）智能体会综合所有求解器和批评者的输出，整合成一个更完善、更强大的解决方案。最后，由“选择器”（Selector）智能体从最终方案中做出裁决，选出最佳答案。

这种架构类似于强化学习中的探索与利用策略，通过结构化的集体智慧，将单一智能体的能力放大到了一个全新的高度。

“人类最后的考试”：为何如此重要？

HLE（Humanity’s Last Exam）测试集由AI安全中心和Scale AI联合发起，被公认为目前最难的AI基准测试之一。其题目均达到研究生及以上难度，由全球500多家顶尖机构（包括OpenAI、谷歌DeepMind等）的上千名学者提供，并经过严格筛选，确保无法通过简单的网络搜索找到答案。

测试内容包罗万象，涵盖数学、物理、生物医药、工程、社科等100多个细分学科，许多题目还包含复杂的图表、化学结构式甚至古代文字，对模型的综合理解、多模态分析和深度推理能力提出了极致的考验。在它刚发布时，没有任何模型的得分能超过10%。正因如此，X-Masters能取得32.1%的成绩，才显得如此石破天惊。

性能碾压：开源方案的深远影响

实验结果清晰地展示了X-Masters的强大实力。与DeepSeek-R1基线模型相比，X-Masters在所有问题类别上都实现了显著的性能提升。消融研究也证明了其工作流中每一步的价值： * 工具增强（求解器）带来了3.4%的准确率提升。 * 迭代优化（批评者和重写器）在此基础上又增加了9.5%。 * 最终选择（选择器）将成绩推向了32.1%的新纪录。

更值得注意的是，在专业性极强的生物学/医学领域，X-Masters的表现甚至超越了许多配备了海量专业工具的特定领域AI系统。这充分证明，一个优秀的通用智能体框架，即使只使用少数基础工具，也能通过高效的推理和协作流程，解决极其复杂的专业问题。

结论

上海交大与深势科技的这项研究，不仅仅是在一个高难度榜单上刷新了记录。它更重要的意义在于，为人工智能的发展，特别是AGI（通用人工智能）的探索，提供了一条清晰且高效的技术路径。它证明了通过精巧的框架设计和多智能体协作，我们可以将现有开源大模型的潜力发挥到极致，甚至在某些方面超越资源雄厚的闭源模型。

这项成果的开源，无疑将激发全球AI社区的创新浪潮，推动更多强大的LLM应用和智能体的诞生。对于关注AI新闻和未来科技趋势的人来说，这是一个不容错过的里程碑事件。想持续追踪AI日报和最新的Prompt工程技巧，探索AI变现的可能，请持续关注 aigc.bar 为您带来的前沿报道。