password
Created time
Dec 14, 2025 03:14 AM
type
status
date
slug
summary
tags
category
icon
✍️ 引言 (Hook)
就在昨天（2025年12月10日），科技圈发生了一件看似"魔幻"却又在意料之中的事：那个你每天用来开会的Zoom，在AI领域最硬核的考试——"Humanity's Last Exam" (HLE) 中，拿下了全球第一。
你没听错，Zoom的AI架构以 48.1% 的得分，击败了Google的 Gemini 3 Pro (45.8%) 和 Anthropic 的 Claude Opus 4.5。这不仅是一个分数的超越，更是一个信号：单纯依赖“更大参数量”的单体模型时代正在终结，智能编排（Orchestration）的联邦AI时代已经到来。
我深入研读了Zoom CTO黄学东发布的最新技术博文，发现这次胜利并非偶然，而是工程化思维对纯科研思维的一次降维打击。
🎯 核心要点
- HLE新王登基： Zoom以48.1%的SOTA成绩，证明了应用层公司在特定高难度推理任务上可以超越基座模型厂商。
- 联邦AI (Federated AI) 胜利： 核心不是训练了一个最强的模型，而是通过“联邦”架构，指挥了包括开源、闭源及自研小模型在内的多支“军队”。
- 新范式： 提出了 "Explore–Verify–Federate"（探索-验证-联邦）的Agentic工作流，取代了传统的单一推理路径。
📖 文章正文
1. 告别MMLU，拥抱"人类最后一次考试" (HLE)
如果说2023-2024年的MMLU是小学生的期末考，那么2025年普及的 Humanity's Last Exam (HLE) 就是博士资格答辩。
传统的Benchmark早已被各大模型刷爆（分数普遍90%+），失去了区分度。而HLE由全球各领域专家设计，不仅要求知识储备，更要求多步推理（Multi-step reasoning）、跨领域知识综合以及极其严苛的闭卷能力。
- Gemini 3 Pro得分： 45.8%
- Zoom AI得分： 48.1%
在这样的高难度下，2.3%的提升不仅仅是统计学上的差异，而是推理稳定性上的质变。
2. 解密Zoom的"核武器"：联邦AI (Federated AI)
Zoom之所以能赢，是因为他们没有试图去造一个"神"，而是组建了一个"专家委员会"。
核心架构：Z-Scorer系统
Zoom并未依赖单一模型，而是构建了一个名为 Federated AI 的系统。这套系统的核心逻辑是：不求单个模型全知全能，但求调度机制精准无误。
- 混合编队： 系统内部集成了Zoom自研的领域特定小模型（SLMs）、先进的开源模型以及顶级的闭源模型（如GPT-4o/5, Claude等）。
- Z-Scorer (Z评分器)： 这是一个元模型（Meta-model），专门负责评估哪个模型在当前任务上表现最好，或者如何组合多个模型的输出。
3. 胜负手：Explore–Verify–Federate 工作流
这是Zoom技术博客中最值得深挖的干货。他们抛弃了简单的 Chain-of-Thought (CoT)，采用了一种类似人类系统2 (System 2) 的慢思考机制：
- 探索 (Explore)： 不是生成一条推理路径，而是发散性地生成多条可能的推理路径。
- 验证 (Verify)： 引入极其严格的验证模块（Verifier），对每一条路径进行逻辑校验和事实核查。
- 联邦 (Federate)： 通过辩证协作（Dialectical Collaboration），让不同模型相互挑战、修正，最后由系统综合出最优解。
💡 技术洞察： 这实际上是将**Agentic Workflow（智能体工作流）**内化为了模型的基础推理能力。Zoom证明了，与其等待模型本身变聪明，不如先通过优秀的流程设计让模型"显得"更聪明。
4. 从AIC 1.0 到 AIC 3.0 的进化逻辑
Zoom的AI Companion (AIC) 演进路线图，清晰地展示了企业级AI的发展趋势：
- AIC 1.0 (基础辅助)： 也就是我们熟悉的会议摘要、待办事项提取。
- AIC 2.0 (连接者)： 引入跨平台数据（Gmail/Outlook）和联网搜索（Perplexity）。
- AIC 3.0 (智能体)： 即本次发布的版本，具备了复杂推理、主动写入和工作流自动化能力。
5. 类比
- Google Gemini/GPT 就像一位极其厉害的全科医生，什么都懂，智商极高。
- Zoom的联邦AI 则是一个三甲医院的会诊中心。遇到疑难杂症（HLE难题），它不会只让一个人看，而是先让实习生（小模型）整理病历，再请内科、外科、影像科专家（不同大模型）分别给出意见，最后由科室主任（Z-Scorer/Verifier）拍板。虽然单个专家的智商可能不如那位全科医生，但会诊机制保证了结果的准确性。
💡 关键洞察
- 应用层的逆袭： AI技术护城河正在从"模型层"上移到"架构层"。掌握场景和工作流设计的公司，即便不训练千亿参数模型，也能在特定任务上超越基座厂商。
- 推理成本的经济账： Zoom明确提到，联邦架构允许他们大量使用"高精度的自研小模型"，只在必要时调用昂贵的大模型。这在商业上比"All-in一个超级大模型"更加可持续。
- 未来的AI是协作的： 正如黄学东所言，AI的未来在于"Orchestration"（编排）。我们不需要每一个模型都是爱因斯坦，我们需要的是一个能把一群普通人和几个天才组织起来的高效系统。
🚀 行动建议
- 对于开发者： 还是不要只靠单一SOTA模型。开始研究 DSPy 或 LangChain 等的高级编排模式，尝试构建自己的 "Router" 和 "Verifier"。
- 对于CTO/架构师： 在企业内部落地AI时，不要只看基座模型评分，要开始评估RAG架构的深度和**多模型路由（Model Routing）**的策略。
- 对于产品经理： 关注"慢思考"的用户体验设计。为了更高的准确率，用户是可以容忍系统多思考几秒钟的（Explore-Verify的过程）。
原文：
ZoomZoom AI sets new state-of-the-art benchmark on Humanity's Last Exam
Zoom
Zoom AI sets new state-of-the-art benchmark on Humanity's Last Exam
Federated innovation driving breakthrough results in complex AI testing