AGI判定标准再引激辩：换套考题，顶尖模型得分大幅缩水

一句“AGI已至”，为何引发当场反驳

关于通用人工智能（AGI）是否已经实现的争论，近期再度成为技术圈关注的焦点。围绕这一话题，一方在公开场合释放出相当乐观的信号，认为当前的大模型能力已经触及AGI的门槛；而另一方则以评测结果为依据提出质疑，认为在更换测试题目或评测环境后，同一模型的表现会出现明显回落，远谈不上“通用”。

争议的核心并不在于某一次具体得分，而在于“AGI”这一概念本身长期缺乏统一、可验证的判定标准。当不同机构各自采用不同的题库、提示方式和评分口径时，结论自然容易出现分化。此次“换个考场分数骤降”的说法之所以引发共鸣，正是因为它触及了一个被反复讨论却始终未获解决的问题：模型在熟悉题型上的优异表现，究竟在多大程度上代表了跨领域的通用推理能力。

评测分数的“考场效应”

从近年的大模型评测实践来看，模型成绩对测试条件高度敏感已是不争的事实。影响得分的因素通常包括：

• 题目是否出现在训练数据分布之内，即所谓的数据污染问题；
• 提示词的组织方式、是否提供示例、是否允许多轮追问；
• 评分标准是严格匹配还是语义近似，是否引入人工或模型辅助评判；
• 任务类型偏向知识回忆，还是需要多步推理与外部工具协同。

因此，同一模型在不同基准上的排名出现大幅波动，并不罕见。高分往往集中在结构清晰、答案唯一的标准化测试上，而一旦切换到开放式、跨学科或需要长期规划的任务，表现便可能明显下滑。这种落差被形象地概括为“换个考场就掉分”，也成为质疑AGI已至的重要论据。

厂商叙事与工程现实之间的张力

在产业层面，头部厂商对AGI的时间表表述并不一致。部分企业倾向于将AGI描述为渐近过程，强调模型在编码、数学、多模态理解等单项能力上的快速提升；也有观点认为，真正的通用智能应具备持续学习、自主设定目标以及在陌生环境中稳定泛化的能力，而这些恰恰是当前系统的短板。

围绕OpenAI、微软、谷歌、Meta等公司的相关讨论中，能力演示与基准测试常被用作论据，但演示场景通常经过筛选，难以完整反映模型在长尾任务上的可靠性。与此同时，面向开发者的API与云平台，如阿里云、腾讯云、AWS等所提供的模型服务，更多以稳定性、成本和可控性为卖点，而非直接宣称达到AGI。这种务实取向，与部分高调表述形成对照。

争论背后的真正问题

无论立场如何，这场争论都指向同一个现实：评测体系需要同步进化。若基准题目被广泛用于训练，其区分度会迅速衰减；若只依赖少数高难度测试，又难以覆盖真实应用的多样性。更可行的路径，或许是建立动态更新的评测集合、引入对抗性出题机制，并对模型在分布外任务上的表现给予更高权重。

对技术人员与站长群体而言，与其纠结于“是否已到AGI”的标签，不如关注具体场景下的可用性：模型在目标语言、目标领域、目标成本约束下能否稳定交付结果。AGI的定义之争短期内难有定论，但评测方法、数据治理与工程落地能力的差距，将持续决定各家产品在真实业务中的表现。