Zoom联邦AI逆袭：在“人类最后的考试”中击败谷歌Gemini？ | AI资讯

type

status

date

slug

summary

人类最后的考试（HLE）：AI的终极试炼场

首先，我们需要理解Zoom这次“赶考”的试卷有多难。随着ChatGPT和Claude等大模型的快速迭代，传统的基准测试如MMLU（大规模多任务语言理解）已经逐渐失去了区分度，顶级模型的分数往往都能轻松突破90%。

为了解决“基准饱和”的问题，Scale AI与人工智能安全中心（CAIS）联合推出了HLE。这套试题包含了2500道由全球近千位专家贡献的难题，涵盖了数学、物理、生物医学、计算机科学等数十个领域。它的设计初衷就是为了让当前的AI模型“挂科”，大多数模型在此测试中的得分仅为个位数或低两位数。因此，Zoom取得的48.1%的成绩（据称比Google Gemini相关模型高出2.3个百分点），确实是一个足以引发关注的“SOTA”（最先进水平）宣称。

Zoom的秘密武器：联邦AI与智能编排

Zoom之所以能取得这一成绩，并非因为它在地下室里秘密训练了一个万亿参数的超级模型。相反，其核心在于一种被称为“联邦AI方法”（Federated AI Approach）的策略。

简单来说，Zoom并没有试图造一个更强的轮子，而是造了一辆更好的车。这套架构不依赖单一的大模型，而是将Zoom自研的小型语言模型（SLM）与OpenAI、Anthropic、Google等公司的闭源及开源模型进行了巧妙的组合。

在HLE测试中，Zoom采用了一种“探索－验证－联邦”的智能体（Agent）工作流。系统不会让单一模型直接生成答案，而是通过策略性地识别推理路径，让多个模型像辩论队一样协作：生成观点、相互挑战、修正错误，最后由一套名为“Z-scorer”的自研评分系统来整合输出。这种“三个臭皮匠，顶个诸葛亮”的策略，正是当前AI变现和落地过程中极具价值的工程化思路。

并非造轮子，而是造引擎

Zoom的这一举动揭示了SaaS企业在人工智能时代的生存哲学。对于大多数应用软件公司而言，从头训练一个前沿的基础模型既昂贵又没有必要。Zoom选择了一条更务实的路线：做最好的模型调度者。

通过联邦架构，Zoom建立了一套智能路由机制。简单的会议摘要任务交给成本低廉的自研小模型；复杂的逻辑推理则调用外部强大的LLM。据Zoom官方数据，这种混合打法能以GPT-4约6%的推理成本，达到接近的输出质量。这不仅降低了运营成本，也让Zoom在面对不同客户需求时拥有了极高的灵活性。这对于关注AI资讯和Prompt工程的开发者来说，是一个极佳的架构参考案例。

从会议工具到智能中枢的野心

Zoom如此高调地展示AI能力，显然不仅仅是为了刷榜。在疫情红利消退后，Zoom急需新的增长引擎，而AI正是那个答案。

通过发布AI Companion 3.0，Zoom正在试图撕掉“视频会议软件”的标签，转型为企业工作流的智能中枢。新版本的AI Companion主打智能体AI（Agentic AI）能力，它不再是被动地记录会议，而是能主动分析日程、跨平台（如Microsoft Teams和Google Meet）抓取信息，甚至与ServiceNow等第三方应用协作。

这种将AI深度嵌入工作流、强调“编排能力”而非单纯“模型能力”的策略，与微软和Salesforce的愿景不谋而合。谁能更好地整合模型、工具和企业数据，谁就能在未来的企业服务市场占据主导地位。

结论与展望

Zoom在HLE测试中的表现，与其说是战胜了谷歌，不如说是验证了“多模型编排”这一技术路线的巨大潜力。在大模型能力日益商品化的今天，差异化竞争的焦点正在从“谁的模型参数更大”转移到“谁能把模型用得更聪明”。

对于广大企业和开发者而言，Zoom的案例提供了一个清晰的指引：不必执着于训练自己的大模型，学会利用现有的openai、claude等资源，构建高效的智能工作流，或许才是通往AGI应用落地的捷径。

想要了解更多关于AI新闻、AI日报以及前沿技术解读，请持续关注 AIGC.BAR，我们为您提供最新鲜的AI资讯和深度的行业洞察。