這些年AI刷題刷瘋了，傳統(tǒng)考試早被摸透?？僧敳死Τ鲆环?無解之卷"，頂尖模型當場傻眼——算法題人類平均95分，它們拼死只夠到29分！

這份讓GPT-5、Claude集體掛科的考卷，徹底撕開了AI"全能"的偽裝。

斯坦福教授直搖頭：MMLU這些題庫早被玩壞了，就像高考真題泄露，誰還分得清學霸和書呆子？

于是紐約大學、伯克利聯(lián)手搞事情。先是LiveCodeBench Pro，扒來全球編程奧賽真題，結果頂尖模型中等題才53分過關，難題直接交白卷。

但這幫教授覺得不過癮："要么滿分要么零蛋，跟判斷題有啥區(qū)別？"半年后殺出個程咬金——FrontierCS。

伯克利博士忙秋陽說得實在："我們要的不是選擇題，是那種沒標準答案，但你能看出誰做得更好的題。"比如把俄羅斯方塊往框里塞，誰擺得更密一目了然。

這卷子藏著156道狠活：算法賽道107題：改編自奧賽真題，但改成開放式（比如"不限工具，找出最優(yōu)解"）

研究賽道49題：真實科研難題，像設計數據庫索引平衡速度與精度。

最絕的是防作弊設計——題目公開卻無答案可背，逼AI動真腦子。更狡猾的是動態(tài)升級：人類破紀錄就收緊規(guī)則，永遠別想"刷熟"。

評分也顛覆認知。傳統(tǒng)測試像判斷題，F(xiàn)rontierCS卻是量角器：多連塊問題看填充密度，SAT難題數滿足的約束條件。人類專家密度87%，GPT-5只做到47%——差一倍不止！

當算法賽道成績單出爐，全場嘩然：人類平均95.41分，接近滿分。谷歌Gemini 3.0 Pro最高29.37分。

GPT-5、Claude等明星模型集體10-15分徘徊。哪怕給GPT-5五次機會取最高分，也只沖到52分——不到人類一半！

研究賽道稍緩和，Claude Opus 4.5以29.4分奪冠，但離人類水平仍遙遠。為什么AI突然變"學渣"？三大死穴被扒光：

第二，"越想越糊涂"魔咒。團隊調教GPT-5的思考強度：低強度7.9分→中強度15.3分→高強度反掉到12.6分！忙秋陽點破："模型被訓去找'正確答案'，不是'更好答案'。"

第三，微優(yōu)化陷阱。多連塊問題中，GPT-5拼命優(yōu)化輸出格式，卻忽略碰撞檢測算法。后來研究員提示"先用二維數組模擬"，分數立刻飆升——原來它總在細枝末節(jié)鉆牛角尖。

反觀人類選手，靠的是創(chuàng)造性策略。比如多連塊問題，有人先旋轉積木找縫隙，有人分區(qū)填充，沒有固定套路卻逼近87%密度。這正是AI缺失的"優(yōu)化思維"——沒有標準答案？那就創(chuàng)造更好的答案！

FrontierCS撕開一個殘酷真相：AI刷題厲害，真動手就露餡。人類95分對29分的碾壓，揭穿了"模型萬能"的幻覺——它們精于應試，拙于創(chuàng)造。

老陳說句實在話，這記耳光打醒了行業(yè)：教會AI追求"更好"比"正確"更重要。畢竟現(xiàn)實世界哪有標準答案？從芯片設計到物流調度，處處是開放式優(yōu)化。

當模型學會在迷霧中找路，才是真智能的開始。否則，再強的算力也只是高級計算器罷了。