共计 2026 个字符，预计需要花费 6 分钟才能阅读完成。
（温馨提示：本文基于歪歌社团第 2486 部视频作品《AI 能力年度大测评：2025 年度多维度综合排名出炉》的语音内容转写而成，随后由 AI（deepseek）进行整理，除了开头这句话外，未作任何人工干预。）
2025 年 9 月，全新一轮的 AI 年度评测正式开启。本次测试汇聚了包括豆包、DeepSeek、问小白等在内的 12 款主流 AI 模型，涵盖从基础知识到创造性思维、从逻辑推理到玄学解析等多个维度，全面展现了当前 AI 技术的进展。在测试伊始，我们通过摇卦的方式确定了一些命题方向，雷山卦与雷风卦的转变为这场技术竞赛增添了趣味与变化。
此次测试的规则直接针对 AI 的基本价值观：答对可得满分，拒绝回答则无分，答非所问则扣半分，而错误的回答将被判为零分——因为误导性的信息带来的危害远比沉默要大。今年的规则较往年更为严格，取消了 DeepSeek 在网络问题上的特殊豁免，并且所有支持联网的 AI 均默认开启该功能，力求还原最真实的应用场景。
根据测试结果分析，AI 在逻辑推理方面的进步尤为显著。去年的推理题曾让所有模型陷入困境，而今年却迎来了逆转：在“小数每天长 2 米、大树超 90 米就砍至 85 米，谁先到 100 米”的问题中，除了讯飞星火，其余 AI 均准确得出“小数先达标”的结论；而关于“国足若每场必 1:0 小胜能否世界杯夺冠”的假设，所有模型都清晰理解了“连胜即可夺冠”的核心逻辑，充分展现出对规则与因果关系的精准掌握。这种进步与 2025 年 AI 评估更注重动态推理能力的行业趋势相契合。
基础常识领域则呈现出“喜忧参半”的态势。去年全体模型未能答对的“北极熊毛为透明色”一题，今年所有参赛 AI 均答对，显示出基础自然知识的覆盖面显著提高。然而在细节辨析方面，仍然存在漏洞：在“小米第一款数字旗舰全面屏手机”的问题中，问小白、智谱清言等仍然混淆了“数字旗舰”与“概念机”的定义，错误回答为小米 mix；而“0.1 金币 = 1 元，1 元等于多少金币”的简单换算中，Kimi、讯飞星火等仍然犯去年的错误，显示出部分模型在基础认知上的固有缺陷。更令人遗憾的是，天工 AI 因“积分不足需充值”而提前退出，错失了后续的竞争机会。
“挖坑测试”则深刻揭示了 AI 的共同短板。当被询问“5 米竹竿是否能穿过 3 米高、2 米宽的限高架”时，多数模型陷入了“垂直通过”的思维定势，只有 Kimi、文心一言与 DeepSeek（尽管思考延迟，最终却回答正确）考虑到了倾斜放置的可能性。在影视细节陷阱题中，面对“央视版《水浒传》李瑞兰出场集数”这种“无解题”，只有豆包、DeepSeek 等少数模型明确指出“剧情未拍摄”，而问小白、智谱清言等则进行了盲目猜测，暴露出部分 AI 缺乏“存疑即核实”的审慎态度，这与人类智能的“批判性思维”仍存在差距。
创造性和理解力的表现则明显分化。在《天净沙·全球变暖》的创作中，仅有豆包、Kimi 等少数模型遵循了词牌格式，而多数模型因句式混乱而失分；而在“11 字汉字短句”的简单任务中，仍有一半的 AI 出现字数错误。最令人意外的是理解力测试中的“全军覆没”——“5 位汉字最多能数到多少”的答案本应为“一千零一十”，但所有模型却给出了“九万九千九百九十九”等错误答案，暴露了 AI 在语言与数字结合场景下的理解盲点。
多模态能力中的绘画功能表现也不容乐观。当要求绘制“长颈鹿舌头舔耳朵”的 16:9 真实风格图像时，无绘画功能的 DeepSeek、Kimi 等自然无法得分，而豆包、文心一言等虽然能生成图像，却均未能满足比例或写实要求。临时增加的“左手伸 4 指”任务更显得尴尬：有的分不清左右手，有的数错了手指数量，仅有阿里通义勉强做到手指数量正确但方向错误，证明了当前 AI 在空间感知与细节执行上的薄弱环节。
玄学测试意外地成为了“个性舞台”。在分析张碧晨生辰八字时，豆包精准关联了“2015 年财运与《花千骨》上映时间”，智谱清言则指出了“2014 年《中国好声音》夺冠”的关键节点，均取得满分；而曾在 2023 年独占鳌头的阿里通义，这次却在卦象识别中错误地将雷山卦与雷风卦搞反，令人感叹技术迭代中可能出现的能力波动。
最终，豆包以微弱的优势再次获得第一名，而 DeepSeek 则将分差缩小至 3 分，AI 领域的“双雄格局”逐渐显现。这场测试验证了 2025 年 AI 发展的核心特征：专项能力快速提升，但综合智能依然不平衡，在抗干扰和深度理解等“类人智能”的方面仍需长足发展。正如行业趋势所指出的，AI 评估已经从单一的性能指标转向多模态综合考量，明年的竞争或许会引入更贴近实际应用场景的新维度，谁能弥补短板，谁就可能实现弯道超车。
