摘要：2025年9月，有个大事在AI圈炸了，耶鲁、上海交大、牛津这些团队联合搞的Eigen-1，在HLE“人类最后考试”的Bio/ChemGold测试里，Pass@5第一次超过了60分。

2025年9月，有个大事在AI圈炸了，耶鲁、上海交大、牛津这些团队联合搞的Eigen-1，在HLE“人类最后考试”的Bio/ChemGold测试里，Pass@5第一次超过了60分。

更牛的是，它没靠那些闭源的超大模型，用的是开源的DeepSeekV3.1，比GPT-5、Grok4这些名气大的模型表现都好不少。

可能有人没听过HLE，这考试可不是随便考考的。

它是CenterforAISafety和ScaleAI一起弄的，里面全是博士级别的难题，覆盖数学、自然科学、工程学好多领域，总共3000道题，被当成AI推理能力的终极考验。

而Bio/ChemGold是里面的“黄金子集”，149道题全经过领域专家审核，没歧义也没错题，所以能在这上面破60分，含金量真的高。

Eigen-1能成，核心靠三个技术创新。

先说说Monitor-basedRAG，也就是隐式检索增强。

原来的RAG系统用工具的时候特麻烦，跟看视频老暂停似的，一需要知识就中断推理，还得重新整合上下文，研究团队管这叫“工具税”。

Eigen-1这个就不一样了，它有个“隐形助手”Monitor，默默盯着推理过程，发现不确定的地方就触发检索。

而且Querier会精准抓关键词，不瞎搜，Injector还能把找到的知识无缝掺进推理里，不生硬。

我之前看有些AI用传统RAG，光中断浪费的时间就不少，Eigen-1这个不仅没了“工具税”，token消耗还少了一半多，工作步骤也少了快一半，这波优化确实到位。

再看HSR，分层解法修复。

原来多智能体系统搞“民主投票”，所有方案一视同仁，好的容易被差的拉低。

Eigen-1不这么干，它让一个方案当“锚点”，其他的当参考，专门从逻辑、数值、方法、表达四个方面补漏洞。

这就跟咱们干活儿似的，找个主力牵头，其他人帮忙挑错改问题，比瞎投票靠谱多了。

比如有个昆虫识别加花朵计数的任务，锚点方案选了ResNet，但算错了部署时间，参考方案一修正，误差立马降下来了，效果特别直观。

还有QAIR，质量感知迭代推理。

它会先看方案的质量，从逻辑性、正确性、完整性三个角度打分，好的就早点停，不好的再接着改，不浪费算力。

我觉得这个设计特别聪明，之前有些AI不管方案好不好，都强制跑好几轮，纯属白耗资源。

Eigen-1这个“看菜下碟”的思路，既保证了准度，又省了力气，挺会过日子的。

光说技术可能有点干，咱们看看实际成绩。

Eigen-1不光在HLEBio/ChemGold厉害，其他科学测试也不含糊。

比如SuperGPQA的生物学难题，Pass@5快80%了；TRQA文献理解测试，Pass@5也快80%了，比同期很多模型都强。

而且最关键的是它用的是开源模型，DeepSeekV3.1参数70B，不是那些大公司捂着不放的闭源模型。

这就意味着中小团队也能拿过去改，不用只能看着大公司的模型眼馋，我觉得这点比分数本身还重要，开源才能让更多人参与到科学AI里来，不然就成了少数人的游戏。

团队还做了错误分析，发现Eigen-1的错误里，大部分是推理过程和知识应用没结合好，两者还大量重叠，反而理解指令和执行步骤的错误很少。

这说明现在AI搞科学推理，缺的不是“知道知识”或者“会推理”，而是“把知识用对推理里”。

就像咱们知道公式，但不知道啥时候用，再厉害的公式也白搭。

他们还测了每个组件的作用。

最开始的基线系统，没外部知识的时候准度很低，加了显式RAG准度上去了，但工作步骤快翻倍了，这就是“工具税”的坑。

加了Monitor之后，虽然准度稍降，但token消耗和步骤都少了很多；再加上Querier、Injector、HSR和QAIR，准度才到48.3%，还保持了高效。

这说明每个组件都不是凑数的，少一个都不行，不是随便堆技术就能成的。

还有个有意思的发现，信息检索任务里，解法越多样越准；但推理任务里，大家结论越一致越准。

本来想是不是越统一越好，后来发现得看任务类型，检索要多找不同角度，推理要大家都认可才靠谱。

这个结论给以后AI设计指了路，不用再一刀切了。

Eigen-1的团队说，接下来要把技术扩展到物理学、材料科学这些领域，还想整合到科学工作流里。

说实话，这才是科学AI该走的路，不是光在测试集上考高分，而是帮科学家干活儿，加速研究进度。

现在很多科研步骤还得人工来，要是AI能把文献理解、数据计算、推理验证串起来，能省不少事儿。

而且它基于开源模型，以后会有更多人在这个基础上改，可能会冒出更多有意思的应用。

比如有实验室已经用类似的隐式RAG技术分析基因序列，效率提了40%，要是以后在药物研发、新材料设计上用上，说不定能出更多成果。

总的来说，Eigen-1破了HLE的60分，不只是一个分数的突破。

它证明了开源模型能跟闭源模型掰手腕，还给出了一套解决“知识和推理结合”的方法。

科学AI不是靠堆参数、靠闭源垄断就能发展的，开源+精准协作才是王道。

HLE不是AI的最后一个考试，而是科学AI往实用走的新起点，以后说不定还能看到更多AI帮人类破解科学难题的事儿。

来源：乐娱侃事