CogGym：人机认知大规模对比评估框架
原文标题：CogGym: Towards Large-Scale Comparative Evaluation of Human and Machine Cognition
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出 CogGym，一个基于认知科学的可扩展统一框架，通过半自动人机协同流程将实验标准化为 Experiment Markup Language，实现人机行为的大规模可比对。首版收录 100 篇论文的 258 个认知实验并评估 50 个大模型，发现模型在常识推理上进步远慢于数学与编程，最佳模型与人类拟合度 R² 仅 0.59（文本）。
- 问题
- 大模型与人类认知行为的可比性缺乏大规模、标准化的评估手段。
- 方法
- 用半自动人机协同流程把认知实验统一为 Experiment Markup Language，实现任务无关的可复现人机对比。
- 结果
- 首版含 100 篇论文的 258 个实验、评估 50 个模型；最佳模型与人类拟合 R² 仅 0.59（文本），远低于人类 0.93。
- 影响
- 提示常识推理仍是模型短板，做通用助手或评测体系时不能只看数学编程分数。
深读 · 结论先行AI 生成展开看要点与影响 ↓
CogGym用258个认知实验评测50个大模型，最佳模型与人类拟合R²仅0.59，远低于人类0.93。
- •框架将100篇论文的258个认知实验标准化为Experiment Markup Language，实现人机行为大规模可比对
- •评估50个大模型，发现模型越大越新越能复现人类判断，存在清晰scaling趋势
- •常识推理进步明显慢于数学、编程等形式推理基准
- •最佳模型文本拟合R²=0.59，人类split-half信度为文本0.93、图像0.95、视频0.92
为什么重要：首次用统一认知实验框架量化人机差距，说明LLM在常识推理上离人类仍有显著距离，为后续评测提供可复用基准。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。