前沿系統如今在 ImageNet、SuperGLUE、MMLU 等長期基準上達到或超越既定的人類基準，並在更難的推理測試上接近人類水準 — 博士級科學(GPQA Diamond)、多模態推理(MMMU)與競賽數學(AIME)。在 SWE-bench Verified 上，表現從 2024 年約 60% 上升到 2025 年接近人類基準的 100%。

前沿正在收斂 — 連跨國差距也是

• Arena 前四名模型如今相差不到 25 個 Elo 分數，一年前約為 97。Anthropic(1,503)、xAI(1,495)、Google(1,494)與 OpenAI(1,481)群聚在頂端，Alibaba(1,449)與 DeepSeek(1,424)僅小幅落後。
• 美中差距已實質消失。2025 年 2 月 DeepSeek-R1 僅落後頂尖美國模型 5 個 Arena 分數(0.4%)；截至 2026 年 3 月，頂尖美國模型領先頂尖中國模型 2.7%，全年都在個位數區間波動。
• 開放權重的差距在短暫收斂後再度拉開。頂尖封閉模型如今領先頂尖開放模型約 3.3%–3.4%，高於 2024 年 8 月的 0.5% — 但開放模型已遠比幾年前更具競爭力。

基準正在飽和 — 並面臨可靠性疑慮

原本設計要難住 AI 好幾年的評測，如今幾個月內就被刷爆。史丹佛對九個廣泛使用的基準所做的審查發現，無效題目比率從 MMLU Math 的 2% 到 GSM8K 的 42% 不等；另有研究指出，Arena 排行榜的名次可能部分反映對平台的適應，而非通用能力。當能力不再是明顯的區隔，競爭正轉向成本、可靠性與真實世界的實用性。

前沿模型在 Humanity's Last Exam(一個專為難住 AI、有利於人類專家而設計的基準)上單年躍升 30 個百分點，從不到 10% 攀升到 38.3%。在 GPQA Diamond 上，平均準確率達 93%，高出專家驗證者 81.2% 的基準 12 個百分點。在 MMMU 上，Gemini 3.1 Pro Preview 得 88.2%，與最強人類專家僅差 0.4 個百分點。

鋸齒狀智慧：IMO 金牌對上類比時鐘

• Gemini Deep Think 在 2025 年國際數學奧林匹亞(IMO)上拿到 35 分奪金，全程在 4.5 小時時限內以自然語言端到端作答 — 高於 2024 年 28 分的銀牌。
• 然而在 ClockBench 上，頂尖模型只有 50.6% 的時候能正確讀出類比時鐘，而人類為 90.1%。當模型看錯時間時，中位誤差約一到三小時，人類則僅三分鐘。
• 在 FrontierMath Tier 4 上，準確率自 2024 年以來從近 0% 升到 31.3% — 但最強模型在最難等級仍約每三題答錯兩題。在 MathArena 上，答案型準確率達 97%，但嚴謹的證明書寫仍遠遠落後。

AI 代理在 2025 年從回答問題進展到完成多步驟任務，但在結構化基準上仍約每三次嘗試失敗一次。在 OSWorld 上，準確率從約 12% 升到 66.3%，距人類僅 6 個百分點；在 WebArena 上達 74.3%，距 78.2% 的人類基準僅 4 個百分點；在 Cybench 上，無引導解題率達 93%，高於 2024 年的 15%。

實驗室大勝，居家慘敗

• 在受控模擬中，RLBench 上的機器人操作成功率達 89.4%(EquAct)，高於 2022 年的約 48%。但在 2025 年 BEHAVIOR-1K 居家挑戰中，最佳隊伍只完成 12.4% 的真實任務 — 鮮明地量出 AI 距離無結構的實體世界還有多遠。
• 在 ResponsibleRobotBench 上，當環境存在真實危險時，即使是最佳模型(GPT-4o，安全分數 0.64)也只能安全完成不到三分之一的任務。
• 人形硬體大量湧現：Figure AI 的 Figure 02 在一家 BMW 工廠累積超過 1,250 小時，跨越 30,000 多輛車裝載逾 90,000 個零件。但多數里程碑仍以未來企圖、而非已驗證的營運來陳述。

自駕車：已落地部署的例外

自駕車在 2025 年達到大規模部署。Waymo 在五個美國城市營運約 2,500 輛無人計程車，每週約 45 萬趟。在中國，百度的 Apollo Go 提供約 1,100 萬趟全無人駕駛載客 — 年增 175%，高於 2022 年的 150 萬趟。目前的部署集中在天候良好的地區，並有場外人員待命於必要時接手。