最近，视频会议软件公司 Zoom 发布了一条出人意料的消息：他们宣称在“人类最后的考试”（Humanity s Last Exam，简称 HLE）这个号称当前 AI 领域最具挑战性的基准测试上，取得了 48.1％ 的成绩，比此前由 Google Gemini 3 Pro（带工具）保持的 45.8％ 高出 2.3 个百分点。

这是什么概念？一家做视频会议起家的 SaaS 公司，跑去和 OpenAI、Anthropic、Google 这些 AI 前沿实验室在同一张考卷上比分数，而且还赢了（至少按他们自己的说法）。

消息一出，许多人的第一反应是：“谁，Zoom？”甚至有人好奇：“难道 Zoom 现在也是个前沿 AI 实验室了？”

图丨相关评论（X）

不过且慢，仔细看看，这个“SOTA”（state-of-the-art，最先进水平）的含金量，恐怕需要打个问号。

先说 HLE 这个基准测试到底是什么。它由 Scale AI 与 Center for AI Safety（CAIS，人工智能安全中心）联合推出，包含 2,500 道由全球近千位学科专家贡献的高难度问题，涵盖数学、物理、生物医学、人文社科、计算机科学等数十个领域。

设计初衷是应对“基准饱和”问题：此前流行的 MMLU 等测试，顶级模型早已刷到 90％ 以上，区分度几乎丧失。HLE 的难度足以让大多数当前模型的得分停留在个位数到两位数低端，被称为“为衡量 AI 进展而设计的最后一道封闭式学术测试”。

那么 Zoom 是怎么做到的？

根据 Zoom 首席技术官黄学东在官方博客中的介绍，核心在于他们的“联邦 AI 方法”（Federated AI Approach）。这套架构的思路说起来并不复杂：不依赖单一大模型，而是把 Zoom 自研的小型语言模型（SLM，Small Language Model）与 OpenAI、Anthropic、Google 等公司的闭源和开源模型组合起来，通过一套叫做“Z-scorer”的自研评分系统来选择或精炼不同模型的输出。

具体到这次 HLE 测试，Zoom 使用了一种名为“探索－验证－联邦”（explore–verify–federate）的智能体工作流：不是让单一模型生成长链推理，而是策略性地识别最有价值的推理路径，再由多个模型通过“辩证协作”来生成、挑战、修正答案，最终整合全部上下文做出判断。

所以，Zoom 并没有从头训练自己的前沿模型，只是在现有模型之上做了聚合和脚手架。这次 48.1％ 的成绩也并未出现在 HLE 官方排行榜上。Scale AI 维护的 HLE 官方榜单上，列出的是各家厂商提交的单一模型成绩，而 Zoom 的“联邦 AI 系统”严格来说是一个由多模型协作加自研编排层组成的复合系统。

图丨在 HLE 全集基准测试上的表现（Zoom）

有评论者直言，这不过是“把问题分发给三个顶尖模型，榨出几个百分点的提升，然后宣称自己达到 SOTA”的策略，确实是创意，但这跟“Zoom AI”本身有多大关系呢？

就在 Zoom 发布公告的同一天，另一家名为 Sup AI 的初创公司宣布以 52.15％ 的准确率超越了所有现有系统，同样采用的是多模型编排方案。HLE 官方排行榜还没来得及更新，这个“SOTA”就已经易主了。可见这种基于工具调用和模型聚合的测试成绩，也是一个相当卷的竞技场。

那么 Zoom 为什么要做这件事？

要回答这个问题，得先理解 Zoom 这几年的处境。疫情红利消退后，这家公司一直在寻找新的增长叙事，而 AI 成了最顺理成章的选项，为此，Zoom 挖来在微软工作 30 余年的黄学东担任 CTO。

图丨黄学东（WikiPedia）

2023 年 9 月，Zoom 推出了 AI Companion 功能，提供会议摘要、待办事项提取、实时问答等能力，并且对原付费用户免费开放，无需额外加购。

背后支撑这些功能的，正是 Zoom 所谓的联邦 AI 架构。简单说，他们不是一味调用最贵的模型来处理所有任务，而是建了一套路由机制：简单任务交给自研的 20 亿参数小模型，复杂任务才调用外部大模型；同时用 Z-scorer 来判断初次输出的质量，如果不达标再让第二个模型来修正。这样一来，每次 API 调用的平均成本就被压下来了。Zoom 自己在 2023 年底宣称，这套方案能以 GPT-4 约 6％ 的推理成本达到接近的输出质量。

2024 年起，Zoom 进一步深化了这个思路。今年 10 月，他们与 NVIDIA 合作，把 Nemotron 推理模型接入了联邦架构，并且自研了一个 490 亿参数的中等规模 LLM。尽管规模不大，但足以在其所涉及的企业协作场景里把事情干得更稳、更快、更便宜。

这其实也是 2024 年以来企业 AI 领域一个越来越清晰的趋势。对于绝大多数 SaaS 公司来说，从头训练一个前沿大模型既不现实也没必要。于是，它们面临两条路：要么深度绑定某一家大模型厂商，要么走多模型编排路线，在上层建立自己的调度和优化能力。

Zoom 选择了后者，而且走得相当激进。它不仅同时接入 OpenAI 和 Anthropic 的模型，还自研了用于特定任务的小模型，再加上 Perplexity 提供的网络搜索能力。这套架构的好处是灵活：新模型出来了可以快速接入，不同任务可以选用最合适的模型，成本也可以通过灵活的策略来控制。

所以，与其说 Zoom“战胜”了 OpenAI 和 Google，不如说他们验证了另一条路径的可行性：不造巨型模型，而是做好模型的调度和协同。

谁能把不同模型、工具调用、企业数据与工作流拼成稳定、可控、高质量的生产力输出，谁就能在企业市场占据优势。这和微软 CEO 纳德拉提出的“AI 成为业务应用的逻辑编排层”思路一致，也类似于 Salesforce 试图通过 Agentforce 把 AI Agent 深度嵌入 CRM 流程的策略。

只不过，微软背后有 Azure 和 OpenAI，Salesforce 有自己的 Data Cloud 和收购来的技术资产，而 Zoom 的护城河主要在于它庞大的会议用户基础和对“会议场景”的深度理解。

这家公司在 2025 年 9 月的 Zoomtopia 大会上正式发布了 AI Companion 3.0，主打智能体 AI（Agentic AI）能力：不仅能总结会议、提取待办事项，还能主动分析日程、自动安排会议、跨平台（包括 Microsoft Teams 和 Google Meet）抓取信息、与 ServiceNow 等第三方 Agent 协作。黄学东将其定位为从“被动助手”到“主动协作者”的跃迁。

按 Zoom 的说法，这套系统底层依然是联邦多模型架构，前端则通过统一的 AI Companion 入口呈现给用户。

这意味着什么？意味着 Zoom 正在把 AI 能力从单点功能升级为平台级服务。它不再满足于“帮你总结会议”，而是试图成为企业工作流中的 AI 中枢，一个能够理解上下文、调用多种模型和工具、在不同应用间穿梭执行任务的智能层。这和微软、Salesforce、ServiceNow 等巨头的愿景高度重合，只不过各家的起点和路径不同。

在大模型能力快速商品化的背景下，差异化竞争的焦点正在向“编排能力”和“场景整合能力”转移。训练一个万亿参数的基础模型需要数亿美元和数万块 GPU，这注定是少数玩家的游戏；但如何把现有模型用好、用对、用便宜，这是每一家企业软件公司都可以、也必须认真思考的问题。Zoom 的联邦 AI 路线，本质上是对后一个问题的回答。

参考资料：

1.https://www.zoom.com/en/blog/humanitys-last-exam-zoom-ai-breakthrough/?utm_source=social&utm_medium=organic-social

2.https://www.zoom.com/en/blog/federated-ai-approach-best-quality-for-most-popular-features/?utm_source=social&utm_medium=organic-social&DeviceId=92a0a21e-4914-432c-b54c-91f0bcba09eb&SessionId=1765775112166

运营/排版：何晨龙