这项由普林斯顿大学和InteractiveBench团队联合开展的突破性研究于2026年3月发表，论文编号arXiv:2603.04737v1。有兴趣深入了解的读者可以通过该编号查询完整论文。研究团队提出了一个全新的AI评价框架——交互式基准测试（Interactive Benchmarks），这个框架就像给AI安排了一场"主动学习考试"，而不是传统的"被动答题考试"。

传统的AI评测就像让学生做填空题，给定题目和选项，AI只需要选出正确答案。但现实世界中，真正聪明的人工智能应该像优秀的侦探一样，知道在什么时候提出什么问题，如何通过有限的线索获取最有用的信息。这项研究正是要测试AI是否具备这种"主动获取信息"的能力。

研究团队发现，目前广泛使用的AI评测方法存在三个严重问题。首先是"天花板效应"，就像考试题目太简单，优秀学生都能得满分，无法区分谁更优秀。其次是主观判断问题，就像让不同的老师评阅作文，每个人的标准都不一样。最后是泛化能力差，就像只会做练习册上题目的学生，遇到新题型就束手无策。

为了解决这些问题，研究团队设计了两种全新的测试场景。第一种叫做"交互式证明"，就像让AI扮演侦探，通过向知情人提问来破解谜案。第二种叫做"交互式游戏"，就像让AI参与长期的策略对战，需要在不确定的环境中做出最优决策。

一、逻辑推理的侦探游戏

在交互式证明的测试中，研究团队设计了一种叫做"情境谜题"的挑战。这类谜题就像是简化版的侦探小说，给出一个看似矛盾或不合理的情境，AI需要通过提出巧妙的问题来找出合理的解释。

比如有这样一个谜题：一个人有两个哥哥，三人从小睡在同一张床上。某天二哥病死了，不久后这个人杀死了大哥。为什么他不但不伤心，反而很高兴？乍一看这个情境完全不合理，但通过巧妙的提问，可以发现原来这两个哥哥是连体双胞胎，死去的二哥让他无法适应床上的空缺，所以他产生了一个可怕的想法：如果把剩下的大哥分成两半，放在自己两侧，就能重新感受到被夹在中间的舒适感觉。

在这个测试中，AI不能直接看到答案，只能向"法官"（一个知道正确答案的AI系统）提出是非问题。每次提问都会消耗预算，就像侦探的调查经费有限，必须精打细算地提出最有价值的问题。研究团队发现，所有测试的AI模型在不进行交互的情况下，准确率都是零，这意味着成功完全依赖于交互能力。

在46个精心设计的谜题中，Gemini-3-flash表现最佳，准确率达到30.4%，平均需要13.3轮对话就能解出谜题。GPT-5-mini紧随其后，准确率为17.4%。令人意外的是，Qwen3-max的表现最差，准确率仅为4.3%。这说明不同AI系统在主动信息获取方面存在巨大差异。

二、数学推理的师生互动

在数学领域的交互式证明中，研究团队革新了传统的数学评测方式。传统方法就像让学生反复做同一类题目，看看能对几道，这种"重复试验"的方式既浪费计算资源，又无法真实反映AI的推理能力。

新方法则像是师生之间的互动教学，AI可以在推理过程中随时向"数学老师"询问某个中间步骤是否正确。比如在解一道关于密码学的复杂题目时，AI可以问："我认为这里需要21个比特来表示坐标，这个判断对吗？"老师会给出"是"、"否"、"既是又否"或"无关紧要"的回答，帮助AI及时纠正错误的推理方向。

这种方法的优势非常明显。传统的重复试验方法在相同的计算预算下，各个AI模型的表现都比交互式方法低20%到50%。这就像是一个学生如果能在解题过程中及时得到老师的指导，比单纯地反复做题效果要好得多。

在52道高难度数学题的测试中，Grok-4.1-fast表现最佳，准确率达到76.9%，平均8.2轮对话就能解决问题。GPT-5-mini紧随其后，准确率为73.1%。相比之下，Kimi-k2-thinking的准确率只有34.6%，表明不同AI系统在数学推理的交互能力上差距显著。

三、德州扑克中的心理博弈

在交互式游戏的测试中，研究团队选择了德州扑克作为测试平台。扑克游戏就像现实世界的缩影，充满了不确定性、心理博弈和长期策略考虑，是测试AI策略推理能力的理想选择。

在模拟的5000手牌局中，六个不同的AI模型围桌而坐，进行激烈的博弈。每个AI都需要在每个决策点考虑多种因素：手牌强度、位置优势、对手行为模式、投注赔率等等。这就像是一场需要同时具备数学计算、心理分析和风险管理能力的综合考试。

Gemini-3-flash在这场AI扑克大战中脱颖而出，平均每手牌盈利31.8筹码，而且在多桌测试中表现稳定。Grok-4.1-fast和GPT-5-mini分别以27.9和22.2的平均盈利紧随其后。有趣的是，GPT-5-mini展现出最激进的游戏风格，参与率高达23.7%，折牌率只有71.4%，就像是一个敢于冒险的激进玩家。相比之下，DeepSeek-v3.2则表现得异常保守，参与率只有9.0%，折牌率高达90.5%，更像是一个谨慎的守财奴。

这个结果揭示了一个重要现象：在复杂的策略环境中，适度的激进程度能带来更好的收益，但过于保守或过于激进都不是最优策略。最成功的AI往往能在风险和收益之间找到最佳平衡点。

四、信任博弈中的合作智慧

研究团队还设计了一个信任博弈实验，就像是测试AI在重复互动中的合作策略。这个游戏类似于囚徒困境，两个AI需要在多轮游戏中选择合作或背叛，每个选择都会影响双方的长期收益。

在这个测试中，研究团队还加入了两个简单的规则策略作为对比基准：一个是"冷酷扳机"策略，开始合作但一旦对方背叛就永远报复；另一个是"以牙还牙"策略，第一轮合作，之后总是重复对方上一轮的行为。

结果显示，大多数AI模型的表现都不如这两个简单的规则策略，这个发现颇为令人意外。只有Qwen3-max和GPT-5-mini的表现超越了基准策略。Qwen3-max展现出极高的合作倾向，合作率高达97%，背叛率仅为2%，就像是一个极其值得信赖的合作伙伴。GPT-5-mini也表现出相似的合作态度，合作率同样达到97%，背叛率为0。

相比之下，Gemini-3-flash和DeepSeek-v3.2表现出更多的投机行为，合作率分别为82%和73%，背叛率均为7%。这说明在需要建立长期信任关系的场景中，一些AI系统可能过于注重短期利益，而忽视了长期合作的价值。

五、传统评测方法的局限性

通过这一系列创新实验，研究团队深刻揭示了传统AI评测方法的根本缺陷。传统方法就像是让学生做标准化考试，所有信息都已给定，学生只需要从中选择正确答案。但现实世界中的智能任务往往需要主动收集信息、识别关键问题、在不确定中做出决策。

以往广泛使用的数据集如GSM8K和MMLU已经出现饱和现象，就像考试题目被做烂了，优秀的AI都能得满分，无法区分能力差异。而基于人类偏好的评测方法如ChatBot Arena虽然能反映用户喜好，但缺乏客观标准，就像让不同口味的美食评委评选最佳菜品，结果往往带有很大主观性。

更重要的是，传统评测忽略了智能的一个核心特征：主动信息获取能力。真正聪明的系统应该知道自己不知道什么，知道应该问什么问题，知道如何通过有限的交互获取最有价值的信息。这就像是区分死记硬背的学生和真正会学习的学生之间的差别。

六、创新评测框架的深层价值

交互式基准测试的价值远不止于提供新的评测工具，它实际上重新定义了我们对人工智能能力的理解。传统评测关注的是"给定信息下的表现"，而新框架关注的是"信息获取和利用的智慧"。这种转变就像是从考察"记忆力"转向考察"学习能力"。

在交互式证明场景中，AI需要展现出类似科学家的素质：提出假设、设计实验（问题）、分析结果、调整策略。成功的AI不仅要有强大的推理能力，还要有敏锐的问题意识和高效的信息筛选能力。

在交互式游戏场景中，AI需要在动态变化的环境中平衡多个目标，这更接近现实世界的决策场景。无论是自动驾驶汽车在复杂交通中的导航，还是智能客服在处理客户投诉时的应对，都需要这种在不确定性中进行长期优化的能力。

这个框架还揭示了一个重要现象：即使是当前最先进的AI系统，在需要主动交互的场景中仍有巨大提升空间。这为未来的AI研究指明了方向，提示我们不应该只关注模型的参数规模和训练数据量，更应该关注模型的交互学习能力和适应性。

说到底，这项研究最大的价值在于提醒我们重新思考什么是真正的智能。智能不仅仅是回答问题的能力，更是提出正确问题的智慧。在一个信息爆炸的时代，知道该获取什么信息、如何获取信息，往往比单纯处理既定信息更加重要。这个新的评测框架为我们提供了一个更加全面、更加贴近现实的AI能力衡量标准，必将推动人工智能向更加实用、更加智能的方向发展。对于关注AI技术发展的读者来说，这项研究不仅展示了当前AI技术的真实水平，更为理解未来AI的发展方向提供了重要启示。

Q&A

Q1：交互式基准测试和传统AI评测有什么区别？

A：传统AI评测就像标准化考试，给AI固定题目和选项让它选择答案。交互式基准测试更像是让AI主动提问来解决问题，测试的是AI获取信息和互动学习的能力，而不仅仅是处理既定信息的能力。

Q2：为什么现有的AI评测方法不够准确？

A：现有方法存在三个主要问题：一是题目过于简单导致优秀AI都能满分，无法区分能力差异；二是依赖主观判断，缺乏客观标准；三是测试场景与现实应用差距太大，AI在测试中表现好但实际应用效果有限。

Q3：交互式基准测试对AI发展有什么意义？

A：这种新评测方法重新定义了AI智能标准，从"回答问题的能力"转向"提出问题和获取信息的智慧"。它揭示了当前AI在主动学习方面的不足，为未来AI研究指明了更贴近现实需求的发展方向。