联系鑫诚

这项由上海AI实验室的征询于224年11月发表在arXiv预印本平台，论文编号为2511.14366。有兴致入了解的读者可以通过该编号查询齐全论文。征询团队包括来自复旦大学、北京大学、上海交通大学等25所知名院校的学者，他们共同开辟了个名为ATLAS的科学理评测平台。

当东说念主工智能在各种考试中频频刷新分纪录时，个道理的征象出现了：那些也曾被视为"准"的测试题目，如今对顶AI模子来说似乎变得过于绵薄。就像个禀赋异禀的学生削弱通过了小学考试，但咱们却不知说念他是否信得过具备了贬责复杂现实问题的才略。

恰是在这样的布景下，上海AI实验室的征询团队决定为AI模子造个信得过的"科场"。他们开辟的ATLAS平台就像是个门假想来让AI"败下阵来"的测试场，门锻真金不怕火AI在科学理面的委果才略。这个名字自己就很特意味——ATLAS意为"AGI向的科学逻辑应用测试平台"，寓意着要像古希腊传闻中扛起天外的巨东说念主样，承担起斟酌AI委果科学理才略的重担。

想象下，若是把现存的AI测试比作小学数学题，那么ATLAS就像是博士入学考试。它不旺盛于绵薄的弃取题或基础野心，而是要求AI模子信得过贯通科学道理，进行多设施的复杂理，甚而跨学科地整学问来贬虚拟题。征询团队全心假想了约8说念原创题目，掩饰数学、物理、化学、生物、野神思科学、地球科学和材料科学七大中枢域。

令东说念主骇怪的是测试遵守。即使是咫尺的AI模子，在ATLAS面前也过劲不从心。发扬好的模子准确率也独一43控制，这意味着过半的题目都把这些"AI学霸"给难住了。这种遵守不仅让咱们从头谛视AI的委果才略，也为将来的AI发展指明了向。

ATLAS的价值不仅在于它的难度，在于它的现实意旨。在AI行将度参与科学征询的期间，咱们需要确保这些AI助手信得过具备科学理的才略，而不是只是会背诵或套用现存学问。就像大夫需要通过严格的执业考试样，AI也需要通过这样的"科学理履历考试"才气得到咱们的信任。

这项征询的改革之处在于它不单是是个测试平台，是个不竭evolving的生态系统。征询团队讨论将ATLAS形成个绽放的、社区驱动的平台，让民众的科学和AI征询者都能参与其中，不休新和完善测试内容，确保它长期能够准确反应AI科学理才略的前沿水平。

、面前AI测试的"水分"问题

当今的AI测试场景就像个奇怪的征象：学生们在考试中都能拿到9分以上的分，但咱们却法判断这些学生之间谁秀，甚而不知说念他们是否信得过掌持了所学内容。这恰是面前AI评测域面对的莫名场地，征询团队称之为"基准饱和征象"。

以的MMLU测试为例，这个也曾被以为是斟酌AI多域学问掌持情况的"准"测试，如今关于顶AI模子来说已经变得像小学算术样绵薄。新的AI模子在这个测试中削弱取得9以上的准确率，让征询者们初始怀疑这个测试是否还能有诀别不同模子的才略水平。

道理的是MATH数据集的演变历程。当这个数学测试在221年次发布时，其时强的AI模子只可取得不到1的收货，就像个不会数学的学生在考数学科场中胡乱作答。关联词短短三年龄后，顶AI模子在一样的测试中已经能够取得过9的惊东说念主收货。这种戏剧的卓越让东说念主不禁想考：是AI竟然变得如斯明智，照旧这些测试题目自己存在某种局限？

问题的根源在于现存测试的几个伏击劣势。先是学科掩饰面过窄的问题。好多难度测试固然照实具有挑战，但频频只注于单学科，比如数学竞赛题目或者物理奥林匹克问题。这就像只测试学生的数学才略却忽略了他们的语文、历史和科学训诲样，法评估AI的综科学理才略。

其次是谜底表情过于简化的问题。为了便于自动化评分，好多测试都接受弃取题表情，或者要求绵薄的数值谜底。这种假想固然便了评测过程，但却与委果的科学征询责任相去甚远。在试验的科学征询中，征询者需要给出详备的理过程、复杂的数学公式，以及多头绪的分析论断，而不是绵薄的ABCD选项。

数据羞辱问题则是另个隐患。好多测试使用的题目开始于公开的考试题库或竞赛题目，这就像考试前把题目和谜底都告诉了学生样。AI模子在西席过程中可能已经"见过"这些题目，因此分可能反应的是记挂才略而非信得过的理才略。这种情况下，咱们看到的可能不是AI的卓越，而是种"考试舞弊"。

后，现存测试频频短少跨学科整的要求。信得过的科学征询时常需要交融多个学科的学问，比如生升天学需要同期掌持生物学和化学道理，材料科学需要讨好物理学和工程学学问。但现存的测试很少要求AI模子展示这种跨学科的综理才略。

征询团队意志到，若是咱们想要准确评估AI在科学域的委果才略，就须从头假想测试式。就像假想场信得过能够弃取出秀大夫的考试样，咱们需要的不是绵薄的记挂测试，而是能够查考试验会诊和疗才略的综评估。这种相识顺利催生了ATLAS形态的出身。

二、ATLAS的""假想理念

ATLAS的假想就像是为AI量身定制的场""科学竞赛，其核情愫念可以用四个重要词来详细：原创、跨学科、保真度和严格质控。每个假想原则都对准了现存测试的痛点，力求创造个信得过能够考验AI科学理才略的评测平台。

原创护是ATLAS的说念线。征询团队知数据羞辱对AI评测的危害，因此接受了近乎迥殊的原创要求。通盘题目都由博士以上学历的域全新创作，或者在现存问题基础上进行实质改编，确保这些题目在AI模子的西席数据中从未出现过。这就像是为AI准备了场莫得参考谜底可以背诵的闭卷考试，只可依靠信得过的贯通和理才略来解答。

为了确保原创，征询团队还建设了套复杂的检测机制。每说念题目都需要通过检索增强系统的筛查，与海量的学术论文、聚积内容和现存测试题库进行对比，确保相似度填塞低。独一那些信得过具备新颖的题目才气进入下轮审核，这个过程就像是为每说念题目颁发"原创认文凭"。

跨学科交融是ATLAS的二个伏击特征。与传统测试不同，ATLAS的好多题目都刻意要求AI模子整多个学科的学问来贬虚拟题。比如说念材料科学题目可能需要同期愚弄化学反应道理、物理学中的热力学定律和数学中的微分程求解法。这种假想师法了委果科学征询的特，因为当代科学问题很少能够通过单学科的学问贬责。

在谜底表情面，ATLAS相持保真度原则，拒为了评测便利而简化问题。题主张谜底可能是复杂的数学公式、详备的化学反应过程、多设施的物理，或者需要用LaTeX表情抒发的复杂抒发式。这种假想确保了测试的委果，就像大夫执业考试不仅要求弃取正确的会诊，还要求给出详备的诊疗案样。

征询团队还迥殊预防题主张言语和结构特征。ATLAS中题主张平均字数约为65个单词，但形复杂科学场景的题目可能过2字。这种长度的假想迫使AI模子处理大宗的高下文信息，并从中索要重要信息进行理。同期，过5的题目接受复问题假想，包含多个互联系联的子问题，测试AI模子督察长程理链条和管制复杂教导的才略。

迥殊值得提的是ATLAS的双语特。通盘题目都提供中英文两个版块，这不仅扩大了测试的适用范围，也增多了题主张复杂。言语调动过程自己便是个考验，因为科学成见在不同言语中的抒发可能存在奥密互异，这要求AI模子具备强的言语贯通和成见调动才略。

在难度欺压面，ATLAS接受了个道理的假想理念：方针通过率低于2。这个表率是通过大宗臆度试详情的，征询团队让面前的AI模子尝试解答候选题目，独一那些能够"打败"大多数AI模子的题目才气终入选。这种法确保了ATLAS长期保持在AI才略的前沿规模上，就像个永远比学生水平略筹的淳厚，长期能够发现学生学问体系中的薄弱重要。

三、严苛的质地欺压体系

ATLAS的质地欺压过程可以比作场层层把关的严格弃取，每说念题目都须通过多轮筛选才气终进入测试平台。这个过程的严苛进度甚而过了好多学术期刊的同业评议表率，确保每说念题目都具备填塞的科学价值和挑战难度。

通盘筛选过程分为四个主要阶段，就像个四关斩六将的弃取赛。关是创作和初步筛选阶段。来自25个不同征询机构的博士以上负责创作题目，每说念题目都须包含齐全的表率谜底和详备的解题设施。这些就像是全心假想谜题的大家，他们不仅要确保题目具有填塞的挑战，还要保证题主张科学准确和阐述价值。

创作完成后，题目会立即进入自动化预筛选经由。系统会对题目进行表情考据、澄莹度检讨和初步的重迭筛查。这个过程就像是对新产物进行初步的质地检测，确保题目在表情上相宜基本要求。独一通过率低于7的题目才气进入下轮筛选，这个表率确保了题目具备填塞的挑战。

二关是顽抗筛选和迭代修订阶段。这个阶段的假想颇具创意，征询团队让面前的AI模子来"挑战"这些题目。每说念题目都会交给多个顶AI模子尝试解答1次，独一那些能够让这些AI模子的准确率保持在4以下的题目才气通过筛选。这就像是让题目与AI模子进行场顺利的对决，独一那些信得过"难倒"AI的题目才有履历赓续留在平台上。

道理的是，若是某说念题目莫得达到这个严格的表率，它并不会被顺利淘汰，而是会复返给原创进行修改和完善。可以增多题主张复杂度、修改问题表述或者调治谜底要求邢台铁皮保温施工，然后从头提交进行测试。这种迭代修订的机制确保了每说念题目都能在保持科学准确的前提下达到预期的挑战难度。

三关是多层东说念主工评议阶段。通过顽抗筛选的题目会进入严格的东说念主工审核经由，这个过程接受了肖似学术期刊的双盲评议轨制。每说念题目都会被分派给同域的三名匿名进行立评审，评审需要从内容表情、科学价值和难度等三个维度对题目进行分。

评分表率其详备和严格。在内容表情面，需要检讨题目表述是否澄莹准确、谜底是否齐全正确、表情是否相宜范例。科学价值评估则眷注题目是否能够测试伏击的科学成见、是否具有阐述意旨、是否能够促进跨学科想考。难度等评估要求判断题目是否达到了预期的挑战水平，是否能够有诀别不同才略水平的解答者。

独一在通盘三个维度都得到3.分以上（满分5分）的题目才气进入终阶段。若是之间的评分存在著互异，题目会被提交给元评审进行终裁决。这种严格的评议轨制确保了每说念通过的题目都经过了充分的同业考据。

四关是终谜底精炼和考据阶段。即使题目自己通过了通盘审核，征询团队还会对提供的表率谜底进行卓越的精炼和化。这个过程使用AI助手匡助索要谜底的中枢身分，从头组织谜底结构，确保谜底既准确齐全又澄莹易懂。

经过精炼的谜底还要进行多重考据，包括事实准确检讨、逻辑致考据和科学理评估。征询团队甚而会进行后的聚积搜索，确保题目莫得在公开渠说念出现过，杜数据羞辱的可能。

这套严苛的质地欺压体系固然复杂繁琐，但确保了ATLAS中每说念题目都是惜墨如金的品。从初的题目创作到终入选，正常独一不到3的题目能够通过一都筛选经由。这种淘汰率固然裁减了题生疏产率，但保证了测试平台的质地和。

四、测试内容的丰富组成

ATLAS的题目构建设像是个全心假想的科学学问河山，涵盖了当代科学征询的各个伏击域。征询团队弃取了七个中枢学科算作测试的主要向，这些学科的弃取并非狂放，而是基于它们在AI科学应用中的伏击和代表全心挑选的。

数学算作通盘科学的基础言语，在ATLAS中占据了伏击地位。数学题目不仅查考基础的野心才略，预防抽象想维和逻辑理。比如代数几何中的题目可能要求AI模子贯通复杂的几何变换，分析题目则可能波及多变量函数的值求解，微分程题目要求AI模子掌持动态系统的建模和求解法。这些题目就像是想维的体操，锻真金不怕火AI模子的抽象理才略。

物理学题目则加预防对当然法规的度贯通和应用。从经典力学到量子力学，从热力学到电磁学，每个分支都有全心假想的挑战题目。比如说念量子力学题目可能要求AI模子分析粒子在势阱中的波函数，这不仅需要数学野心才略，需要对量子力学基本道理的刻贯通。流膂力学题目则可能波及复杂的流场分析，要求AI模子既掌持表面学问又具备试验应用才略。

化学题主张假想迥殊强调反应机理和分子结构的贯通。有机化学题目可能要求AI模子臆度复杂分子的反应旅途，机化学题目则可能波及晶体结构和电子构型的分析。物理化学题目是将化学与物理学的学问交融在起，要求AI模子贯通分子能源学、热力学平衡和反应能源学等复杂成见。这些题目就像是化学宇宙的考查案件，需要AI模子愚弄各种陈迹来断分子的步履。

生物学题目则体现了人命科学的复杂和多头绪。分子生物学题目可能波及基因抒发调控机制，细胞生物学题目要求贯通细胞内复杂的信号传聚积，疫学题目则可能查考AI模子对疫系统精密转变机制的贯通。这些题目反应了人命系统的精密和复杂，要求AI模子具备系统想维才略。

野神思科学题目在ATLAS中具有度意旨，因为它们顺利关系到AI模子的"老本行"。但这些题目并不是绵薄的编程熟识，而是度的算法假想和复杂分析问题。比如说念算法题目可能要求AI模子分析某个排序算法在不同输入条款下的平均时期复杂度，这不仅需要编程才略，需要厚的数学功底和表面分析才略。

地球科学和材料科学算作相对较新的学科域，在ATLAS中也有充分体现。地球科学题目可能波及大气环流模式、地壳畅通机制或海洋环流分析，要求AI模子贯通地球系统的复杂互相作用。材料科学题目则可能查考晶体劣势对材料能的影响、新材料的假想道理或材料加工工艺的化法。

在题目类型散播面，ATLAS呈现出明的实用向。野心类题目占据了71.4的比例，这类题目要求AI模子进行复杂的数学野心或逻辑，接近委果的科学征询责任。弃取判断类题目占12.2，铁皮保温主要查考AI模子的学问掌持和判断才略。解释形类题目占1.2，要求AI模子用当然言语解释复杂的科学征象或道理。结构复类题目固然只占6.1，但它们频频是具挑战的，要求AI模子综愚弄多种才略来贬责复杂的综问题。

迥殊值得提防的是，ATLAS中的好多题目都具有明的跨学科特征。比如说念生升天学题目可能同期波及化学反应机理和生物系统的转变机制，说念材料物理题目可能需要愚弄量子力学道理来解释材料的电学质。这种假想反应了当代科学征询的跨学科趋势，也对AI模子的综才略淡薄了要求。

五、评测法的改革破损

评估ATLAS这样复杂的科学理测试面对着前所未有的挑战，就像要为场莫得表率谜底的申辩赛分样郑重。传统的自动化评分法在面对复杂的科学理谜底时过劲不从心，而东说念主工评分又面对资本昂和致难以保证的问题。征询团队为此开辟了套改革的评估workflow，私密地讨好了东说念主工智能支持评估和严格的质地欺压机制。

这套评估系统的中枢想想是"让AI来评判AI"，但这个过程远比听起来复杂。征询团队弃取了两个的理模子算作评判官：OpenAI o4-mini和GPT-OSS-12B。这些模子就像是训诲丰富的科学评委，具备填塞的学问储备和理才略来贯通复杂的科学谜底。

评估过程被假想成四个精密的设施。先是臆度生成阶段，被测试的AI模子需要按照严格的表情要求生成谜底。系统会要求AI模子将终谜底以JSON表情输出，这种表率化处理为后续的自动化评估奠定了基础。这就像是要求通盘参赛者把谜底写在指定的答题卡上，便于统处理和评分。

接下来是谜底领会阶段，系统会自动从AI模子的回答中索要中枢谜底内容。这个过程需要处理各种复杂情况，比如有些AI模子可能给出冗长的理过程，有些可能在谜底中包含不联系的信息。领会系统就像个训诲丰富的阅卷淳厚，能够从冗长的答卷中准确识别出重要的谜底身分。

三步是判断生成阶段，这是通盘评估过程的中枢。评判AI模子会摄取原始题目、表率谜底和被评估的谜底，然后进行详备的比拟分析。评判过程不是绵薄的文本匹配，而是要求评判模子贯通谜底的科学含义，判断不同表述式是否在科学上等价。

比如，当表率谜底是"2n log n(1 + o(1))"而被评估谜底是"2n ln n(1 + o(1))"时，评判模子需要贯通在算法复杂度分析中，对数函数的底数弃取并不影响渐近复杂度的暗意，因此这两个谜底在科学上是等价的。这种判断需要厚的学科学问和准确的贯通才略。

后的判断领会阶段会将评判遵守表率化处理，生成终的评分遵守。通盘过程都接受JSON表情进行结构化处理，确保遵守的致和可重迭。

为了考据这种AI评判法的可靠，征询团队进行了大宗的对比实验。他们发现不同评判模子之间照实存在定的互异，这主要体当今对规模情况的判断上。比如在个野神思科学问题中，当被评估谜底给出"tn = 2n ln n(1 + o(1))"而表率谜底是"tn = 2n log n(1 + o(1))"时，GPT-OSS-12B正确识别出了这两个抒发式的等价，而Qwen3-235B-A22B却舛误地以为它们不相当。

这种互异反应了不同AI模子在业学问掌持面的辞别，也揭示了AI评判法的局限。为了尽可能减少这种偏差，征询团队接受了多种策略。先，他们弃取了才略强、学问面广的AI模子算作评判官。其次，他们为评判过程假想了详备的指原则，明确了各种规模情况的处理法。

征询团队还发现，AI评判法在处理数值野心题目时发扬尤为出。关于那些有明确数值谜底的题目，AI评判官能够准确识别不同暗意表情的等价，比如将16N和1.6×1?N识别为相通的谜底。但在处理需要主不雅判断的形问题时，AI评判法的致就会有所着落。

为了提评估的自制，征询团队还执行了严格的谜底索要质地欺压。他们统计了不同AI模子在谜底生成过程中的截断率和表情舛误率，发现大部分模子都能很好地革职谜底表情要求，JSON领会舛误率险些为。但在输出长度欺压面，不同模子发扬互异较大，有些模子会产生过于冗长的理过程致谜底被截断。

这套改革的评估法固然不成替代东说念主工评估，但大大提了评估的率和致。伏击的是，它为处理复杂绽放问题的自动化评估探索了条新旅途，这种法的价值不仅在于ATLAS自己，在于它为通盘AI评估域提供的新想路和新用具。

六、令东说念主不测的测试遵守

当征询团队将ATLAS进入试验测试时，遵守让东说念主既畏缩又想。那些在其他测试中发扬出的顶AI模子，在ATLAS面前就像际遇了"滑铁卢"，即使是发扬好的模子也只可免强达到4多的准确率。这种遵守就像是让奥运会的游水去挑战马里亚纳海沟样，即使是强的选手也过劲不从心。

OpenAI GPT-5-High在这场"科学理马拉松"中跑，但也只是取得了42.9的准确率。这意味着即使是咫尺的AI模子，面对ATLAS的挑战时也有过半的题目法正确解答。Gemini-2.5-Pro和Grok-4分别取得了35.3和34.1的收货，紧随后来。这些数据明晰地标明，面前的AI时刻距离信得过掌持科学理还有相当大的差距。

特真谛的是不同模子在各个学科上的发扬互异。Grok-4在野神思科学域发扬凸起，这大致反应了它在处理算法和编程联系问题上的势。OpenAI GPT-5-High则在大部分学科上都保持了相对褂讪的先势，展现出了较为平衡的科学学问掌持才略。而些在其他测试中发扬可以的模子，在ATLAS面前却得"偏科"严重。

从具体的舛误类型分析中，咱们可以看到AI模子在科学理中的典型短处。数值野心舛误是常见的问题，占通盘舛误的27。这些模子在处理波及精准野心的问题时正常出现少量点位置舛误、单元换算造作或者近似值处理不妥等问题。就像个成见贯通很好但野心粗鲁的学生样，这些模子频频能贯通问题的实质，但在具体野心重要出现间隙。

数学抒发式舛误排在二位，占16.5。好多AI模子在处理复杂的数学公式时会出现项的遗漏、整个舛误或者璀璨搞错等问题。比如在个物理公式时，模子可能贯通了基本的物理道理，但在数学变换过程中出现了代数运算舛误。

缺失重要组件的舛误占13，这反应了AI模子在处理多设施理问题时的不及。就像作念菜时健忘了某个伏击调料样，这些模子频频能完成理的主要部分，但会遗漏些重要的中间设施或终论断的某个伏击面。

结构不匹配问题占11，这主要体当今谜底的表情和组织式上。有些模子固然得出了正确的论断，但谜底的呈现式与表率谜底的结构要求不符，就像写稿文时内容很好但表情不范例样。

迥殊值得眷注的是，即使是的模子在处理跨学科问题时也发扬出明的郑重。那些需要同期愚弄多个学科学问的题目频频成为通盘模子的"滑铁卢"，这标明面前的AI模子在学问整和跨域理面还存在压根的局限。

输出预算对模子能的影响亦然个道理的发现。征询团队发现，当将输出token限制从32k增多到64k时，大部分模子的能都有所进步，但进步幅度有限。这阐明关于信得过郑重的科学理问题，只是增多想考空间是不够的，伏击的是理才略自己的进步。

谜底索要的获胜率分析也揭示了不同模子的"答题风俗"。OpenAI o4-mini发扬出了的答题范例，截断率为，阐明它能很好地欺压输出长度并革职谜底表情要求。而Grok-4的截断率达1.38，阐明它在解回复杂问题时频频会产生过于冗长的想考过程，反而影响了谜底的齐全。

这些测试遵守不仅揭示了面前AI时刻的局限，也为将来的发展向提供了明确的指导。它们告诉咱们，信得过的科学理才略不单是是学问的积存，需要在复杂情况下活泼愚弄学问、进行多设施理和跨学科整的才略。ATLAS的测试遵守就像面镜子，让咱们看清了AI在科学理说念路上还需要走多远。

七、ATLAS的将来愿景

ATLAS形态的贪图远不啻于创造个测试平台那么绵薄，征询团队的终方针是造个不竭演进的科学理才略评估生态系统。就像维基百科从个绵薄的在线百科全书发展成为民众学问分享的伏击平台样，ATLAS也讨论从面前的静态测试集发展成为个动态的、社区驱动的评估平台。

这个愿景的中枢是建设个绽放的配生态系统。征询团队讨论邀请民众的科学、AI征询者和阐述责任者共同参与ATLAS的发展。每个参与者都可以凭据我方的业域孝顺新的题目，就像为个不休成长的题库保驾护航。这种众包模式不仅能够快速广ATLAS的领域，能够确保测试内容长期跟上科学发展的新前沿。

为了保证质地，这个绽放平台会秉承现存的严格质地欺压机制。每说念新提交的题目都需要经过一样严格的多轮审核，包括原创锻真金不怕火、难度标定、评议和顽抗测试。这就像个永远运转的质地检测工场，确保进入平台的每说念题目都相宜ATLAS的表率要求。

不竭新机制是ATLAS将来发展的另个伏击特征。跟着AI时刻的快速发展，今天看起来郑重的题目可能在来日就变得过于绵薄。因此，ATLAS需要像个灵敏的温度计样，长期能够准确反应AI才略的新水平。平台会依期评估现存题主张挑战进度，实时淘汰那些已经失去诀别度的题目，同期补充新的具挑战的内容。

学科掩饰范围的广也在将来讨论之中。固然咫尺ATLAS注于七个中枢科学域，但征询团队已经在沟通将测试范围广到多新兴学科，比如神经科学、药学、环境科学等。这种广不是绵薄的数目增多，而是要确保每个新增域都有填塞的代表和伏击，能够为AI科学理才略的评估提供特的视角。

任务表情的各种化是另个发展向。除了咫尺的问答表情，将来的ATLAS可能会包含各种的任务类型，比如假定生成、实验假想、文件综述等。这些新的任务表情将加接近委果的科学征询责任经由，能够地评估AI在科学发现过程中的潜在孝顺。

化作亦然ATLAS发展策略的伏击组成部分。征询团队讨论与民众的主要AI征询机构和科学组织建设作关系，共同动科学理评估表率的建设和完善。这种作不仅能够收集民众的灵敏资源，也能够确保ATLAS的评估表率得到和世俗应用。

时刻基础设施的不竭修订一样伏击。跟着参与领域的扩大和任务复杂度的进步，ATLAS需要渊博的时刻平台来维持。这包括智能的题目管制系统、准确的自动化评估算法、方便的用户界面等。征询团队已经在开辟新代的平台架构，力求为用户提供好的使用体验。

阐述应用的拓展也在沟通范围内。ATLAS不仅可以用于评估AI模子，也可以算作阐述用具匡助东说念主类学生提科学理才略。征询团队正在探索如何将ATLAS的质题目滚动为教学资源，为科学阐述孝顺力量。

耐久来看，ATLAS但愿能够成为AI科学理才略发展的"北星"，为通盘域的卓越提供明确的向指导。当AI模子在科学征询中施展越来越伏击的作用时，咱们需要确保这些AI助手信得过具备可靠的科学理才略。ATLAS便是要为这种确保提供客不雅、准确、不竭新的评估表率。

这个愿景的已毕需要时期和发愤，但征询团队对此充满信心。正如任何伟大的科学形态都需要耐久的相持和不休的修订样，ATLAS也将在将来的发展中不休完善，终成为AI科学理域的伏击基础设施。

说到底，ATLAS代表的不单是是个测试平台，是对AI将来发展向的种期待和引。它告诉咱们，信得过灵验的AI不应该只是会背诵学问的"学霸"，而应该是能够进行度想考、改革理的"科学"。固然面前的AI模子在ATLAS面前还过劲不从心，但这恰是咱们前进的能源。就像登山者需要看到远的山岭才知说念向那儿攀缘样，AI征询者也需要像ATLAS这样的挑战来指导前进的向。

ATLAS的意旨越了时刻层面，它代表着东说念主类对AI发展的联想考和审慎气魄。在AI才略快速进步的今天，咱们需要这样的"压力测试"来确保AI的发展向是正确的、安全的、有意的。毕竟，独还是过严格考验的AI才气信得过成为东说念主类科学探索的可靠伙伴。

Q&A

Q1：ATLAS评测平台主要测试AI的哪些才略？

A：ATLAS主要测试AI模子在科学理面的才略，包括数学野心、跨学科学问整、复杂问题的多设施理等。它掩饰数学、物理、化学、生物、野神思科学、地球科学和材料科学七大域，要求AI不仅要掌持各学科学问，要能够像信得过的科学样进行度理和分析。

Q2：为什么面前的AI模子在ATLAS上发扬这样差？

A：主要原因是ATLAS的题目都是全新原创的，AI模子在西席时从未见过这些题目，法依靠记挂来作答，只可依靠信得过的理才略。此外，ATLAS的题目需要跨学科学问整、多设施理和复杂的数学，这些都是面前AI模子的薄弱重要。好的模子也独一4多的准确率，阐明AI在科学理面还有很大进步空间。

Q3：ATLAS与其他AI测试有什么不同？

A：ATLAS的大特是题目一都原创、难度、预防跨学科理。与传统测试的弃取题不同，ATLAS要求给出齐全的理过程和复杂的谜底，接近委果的科学征询责任。它接受AI评判AI的改革评估式，能够处理复杂的绽放谜底。伏击的是，ATLAS门针对科学理才略假想，方针是评估AI是否具备成为科学征询助手的后劲。