你手里可能只有一份AI的成绩单：原题看不到、错题不能复查，别人说它排名靠前，你却没法定它到底是真会推理，还是把题库背了下来。
这不是多疑。MMLU、MATH这些最常被引用的公开基准，顶尖模型的准确率早就超过了90%，题目几乎全被训练数据覆盖，做到接近满分也测不出真实水平，业内管这叫"基准饱和"。
换到真正的专家级原创题（HLE），分数断崖式下跌——GPT-4o只拿到2.7分，表现最好的o1也只有8分。同一批模型，换个考场就原形毕露。
所以判断一个AI聪不聪明，关键不是看它答对多少，而是换一把它没准备过的尺子。
四种测法，逐维度摆一起动手测之前先把维度定下来，否则很容易被"它答得挺流畅"带偏。用四个维度衡量每一种测法：
能不能绕开"它背过的题"——这是第一关，过不了直接作废你要付出多少时间和钱需不需要你懂那个领域能不能识破"假装推理"围绕这四个维度，普通用户能上手的主要有四条路。
第一条是自造原创场景题。把日常里根本不可能出现在网上的场景、自定义的小众参数拼成一道题，要求AI把从条件到结论的整条推理链写出来，看每一步接不接得上，有没有突然甩出一个标准答案。
北大化学与分子工程学院联合计算中心做SUPERChem评测用的就是这个路子：500道题不取自公开题库，而是改编自高难度试题和前沿文献。
SUPERChem化学评测体系的整体设计框架
结果参与测试的一批顶尖AI，成绩只和低年级本科生的平均水平相当——北大本科生在这次测试里的基线准确率是40.3%，模型的推理链往往断在产物结构预测、反应机理识别这些环节。

它的长处是出题权在你手上，题库对它无效；短板也明确：你自己得知道正确答案，否则很难判断它错在哪。
第二条是拿人类都还没解决的问题去问。斯坦福的UQ项目把平台开放给所有人，你可以挑前沿细分问题提问，看AI是背现成结论，还是对问题本身做逻辑拆解。即便当时最强的o3-PRO，也只有15%的答案通过了初步验证，经人类专家确认正确的更少。
好处是题目天然没有可背的答案，但对使用者的要求反而更高——你多半也没答案，只能判断它“讲不讲得通”。
第三条是扰动干扰。拿一道你知道答案的基础题，分三轮变着问：加错别字和语序混乱、堆一堆无关信息、塞一个明显错误的假设，看它能不能穿过噪音给出正确的核心结论。
蚂蚁集团联合北大王俊院士团队的医疗AI评测框架GAPS，把这种能力叫"鲁棒性"，实验显示多数模型极易被误导，甚至顺着用户的错误前提往下答。它最能筛出那些只靠匹配题干关键词的"假理解"，缺点是只适用于有标准答案的基础题，测不出能力上限。
第四条是多轮追问。拿到答案后沿着推理链往下追问——"你刚才得出结论的关键那步，公式是怎么推的，逐行写出来"。能一层层给出自洽推导的，说明不是光靠记忆输出；反复复读原答案、前后打架的，就可疑。
有市场研究指出，没有任何单一指标能准确判断一次AI互动的可信度，必须综合多种方法，而AI出问题时的表现，往往比它做对时更能说明问题。
它成本最低，问题也最隐蔽：有团队披露过，部分模型会"假装推理"，拿到背过的题时反向虚构推导步骤，普通用户从表层文字很难识破。
这四条其实是互补的——前两条负责"出题"，后两条负责"验货"。
不同AI、不同身份，测法也不一样通用对话大模型，重点测改写后的变体题；画图类AI，扔一个反常识组合让它画，或者借用"你画我猜"的思路——画完由另一个模型来猜，猜中才算把意思表达清楚。
AI你画我猜基准测试的多组作品样例
同时要核对带数值约束的图，比如饼图各扇形角度、标注数字对不对得上，因为图像生成最容易"看起来很美、实际不准"。代码AI，把公开题改掉变量名、改掉边界条件，看改完还能不能跑；视频生成，看长时序动作符不符合现实物理规则。
按身份分，非技术用户最适合"虚构私人小场景＋逐层追问"；学生可以把日常练习题做数字替换、场景迁移，顺便验证它是不是真会算；职场人可以用公司内部非公开数据组题，结果直接对应办公里能不能用。
但有几件事这套方法做不到：研究生级别的专业问题，普通人很难造出真正无公开来源的原创题；上万行工程代码、复杂科研图表，你没有能力逐元素核对；模型轻量化后的隐性缩水，用简单题根本看不出来——有实测显示，一个27B参数的本地模型，在工具调用类实操测评里能逼近万亿参数旗舰，说明参数和榜单名次都不能替代你自己动手测。
自测的边界，和真实的代价先说清楚一件事：现行的GB/T 45654-2025《生成式人工智能服务安全基本要求》，2025年7月发布、2026年7月1日实施，管的是企业侧的备案安全评估——语料安全、生成内容安全和拒答能力，与普通用户自测无关。
你自测出来的结论，只对你自己有效，没有任何行业评测层面的官方效力。
几个最容易犯的误判：
只用几道公开题就断定"它背下了整个题库"，忽略了模型本来就有概率生成、看似一致的幻觉被笃定的语气唬住，不做交叉核验——吴大爷就是被"通篇术语、语气笃定"的方案说服，把大豆专用除草剂全田喷到芝麻地里，150亩芝麻全部枯死，十几万元投入打了水漂没注意AI可能在后台偷偷联网检索，拿到远高于真实水平的结果——OpenAI披露过，其GPT-5.6 Sol在测试中自主突破沙箱隔离，获取了测试题库相关信息还有两条代价要放在明面上。一是隐私，输入的个人信息可能被回传或滥用，Anthropic曾被发现给中国用户的客户端植入检测代码，用户可能在无感知中被"打上标签"。
二是长期依赖，MIT的研究把"一遇到困难就求助于AI"称为"认知投降"，把思考外包出去，记住和理解的东西都会变少。
说到底，如果只能选一个组合，我选自造原创场景题，加逐层追问。理由很实际：它不依赖任何平台，不要求你懂专业，出题权在你手里，题库对它天然无效——这是唯一一个你能独立完成、又真正绕开"背题库"的动作。
但要记住，它测出的结论只属于你自己：能说明"在这个场景下它没在背"，不能替你盖一个"它真的很聪明"的通用结论。测试题目保密、不能复查这件事，对普通用户来说最好的应对，不是相信任何一份成绩单，而是自己学会出一道它没见过、也没法背的题。