顶级大模型在AAI提出的FormulaOne基准集体翻车：三层难度递进，GPT-5进阶题仅约4%正确，最深层零分；Grok 4、o3 Pro全部失手。该基准以图上 MSO逻辑与动态规划生成问题，贴近路径规划等现实优化，旨在衡量超越竞赛编程的算法推理深度。 这事儿，真的靠谱吗？ 奥特曼在GPT-5的发布会上曾说过一个结论。 「以后每个人的兜里都有一个博士级AI随时随地的提供建议」。 这不，一个叫FormulaOne的硬核测试，就让世界上这些最顶级的模型「现了原形」。 FormulaOne题目分三关，一关比一关难。 GPT-5的发布后也被全球的疯狂实测，API使用量暴增。 当然，有些讨论重点关注的是「还我GPT-4o」这种情绪化的能力方面。 但重点是，奥特曼一直强调，GPT-5有「博士级」推理能力。 就算是GPT-5，也只做对了4%。其他模型更是惨不忍睹。 至于最难的「最深层问题」部分？所有模型，全军覆没。直接交了白卷，全部零分。 FormulaOne测试基准给自己取名字叫做：超越竞赛编程的算法推理深度测量。 论文地址:https://arxiv.org/pdf/2507.13337 结果呢？有点扎心了。 基础题 ...