技术博客

一项名为BrowseComp-ZH的新基准测试集由香港科技大学（广州）、北京大学、浙江大学、阿里巴巴、字节跳动和蔚来汽车等机构联合发布。该测试集对20多个主流人工智能模型进行了评估，结果显示，即使是先进的GPT-4o模型，其准确率也仅为6.2%，表明当前主流模型在特定任务上的表现仍有较大提升空间。

最新研究显示，尽管人工智能（AI）在编程等领域表现出色，但在处理高级历史问题时却显现出明显的局限性。例如，GPT-4 Turbo 在回答高级历史题目时的准确率仅为46%，远低于预期。这一结果揭示了AI在特定领域知识理解和应用方面的不足，尤其是在需要深厚背景知识和复杂推理的历史学科中。这表明，虽然AI技术不断进步，但在某些专业领域的应用仍需谨慎评估。