AGI雖在實際應(yīng)用中仍存局限性，但曙光現(xiàn)已成為今年行業(yè)的共識。在一系列技術(shù)任務(wù)中，從ChatGPT到Gemini，許多世界領(lǐng)先的AI模型正超越人類基準(zhǔn)線：據(jù)斯坦福大學(xué)《2025年AI指數(shù)報告》，AI已在7項測試中超越人類基準(zhǔn)線，這些測試衡量的任務(wù)包括：圖像分類、視覺推理、中等閱讀理解、英語語言理解、多任務(wù)語言理解、競賽級數(shù)學(xué)、博士級科學(xué)問題。

目前，AI系統(tǒng)唯一尚未趕上人類的領(lǐng)域是多模態(tài)理解與推理，而這項任務(wù)涉及跨多種格式和學(xué)科（如圖像、圖表、圖解）進(jìn)行處理和推理。不過，這一差距正在迅速縮小。

MMMU數(shù)據(jù)集的四大特性 —— 全面性：涵蓋六個廣泛學(xué)科領(lǐng)域與30個大學(xué)科目，包含1.15萬個大學(xué)難度級別的問題；圖像類型高度異質(zhì)：包含極其多樣化的圖像類型；圖文并茂：文本與圖像交錯混合，需要跨模態(tài)理解；專家級感知與推理：要求具備扎根于深厚學(xué)科知識的專家級感知與推理能力。

MMMU基準(zhǔn)測試，是評估模型在需要大學(xué)學(xué)科知識的跨學(xué)科任務(wù)上的表現(xiàn)，目前此基準(zhǔn)測試日益飽和。在2023年底，谷歌Gemini的得分僅為59.4%；到2024年，OpenAI的o1模型取得了78.2%的分?jǐn)?shù)；今年，Gemini 3 Pro在增強(qiáng)版MMMU-Pro上取得了89.8%的得分。

令人矚目的是，有研究者在3B參數(shù)模型上以低于30美元的成本復(fù)現(xiàn)了DeepSeek-R1-Zero的強(qiáng)化學(xué)習(xí)訓(xùn)練方案。通用人工智能測試基準(zhǔn)ARC-AGI-1，最佳成績超過近90%；ARC-AGI-2上，AI超過了人類平均水平。

DeepSeek年度最大黑馬

DeepSeek-R1成為歷史上第一個通過同行評議的大模型，喜登Nature封面；創(chuàng)始人梁文鋒入選Nature年度10大人物。對比中國開源模型的崛起，Llama卻徹底出局。

值得注意的是，Mamba雖然在理論上展現(xiàn)出潛力，在初期備受關(guān)注后逐漸淡出視野，在研究之外缺乏實際應(yīng)用。Transformer模型已在硬件和軟件層面深度優(yōu)化，使得用未經(jīng)驗證的架構(gòu)重新訓(xùn)練大型模型在經(jīng)濟(jì)上難以證明其合理性，特別是當(dāng)結(jié)果與現(xiàn)有模型相當(dāng)或更差時。成熟的Transformer軟件生態(tài)系統(tǒng)帶來了巨大的轉(zhuǎn)換成本，且Mamba的固定狀態(tài)內(nèi)存無法選擇性地檢索被忽略的token。

而在計算機(jī)視覺領(lǐng)域，Vision Transformer是否已取代CNN的問題仍存在爭議。顯然Transformer在許多任務(wù)中越來越受青睞，并在大數(shù)據(jù)集上表現(xiàn)出色，但CNN和混合架構(gòu)在小數(shù)據(jù)集、醫(yī)學(xué)影像和特定領(lǐng)域仍具競爭力。不過，ConvNeXt是強(qiáng)有力的替代方案，Transformer需要更多內(nèi)存且難以處理可變圖像分辨率，數(shù)據(jù)集質(zhì)量比架構(gòu)選擇更重要。