关注 霍格沃兹测试学院公众号，回复「资料」, 领取人工智能测试开发技术合集

当一个模型在 Codeforces 拿到 3455 Elo，在 **ARC-AGI-2 达到 84.6%**，并在多项奥赛级别基准测试中逼近或达到金牌水准时，它已经不只是“写代码快”那么简单。

这次的主角，是 Google 旗下 Google DeepMind 推出的 Gemini 3 Deep Think 升级版。

它的关键词不是“更聪明一点”，而是：高强度推理 + 科研级问题求解 + 显著成本下降。

 

 

---

目录

1. Deep Think 是什么？

2. 核心成绩：几个关键基准意味着什么？

   • 2.1 ARC-AGI-2：84.6%

   • 2.2 Codeforces：3455 Elo

   • 2.3 国际奥赛级别表现

3. 参与者：姚顺宇

4. 科研应用案例：从论文审稿到晶体生长

5. 工程能力：从草图到 3D 打印模型

6. 行业真正该关注的三件事

7. 对测试 / 技术从业者的现实意义

8. 开放情况

9. 结语：AI 会解题，人类要出题

---

一、Deep Think 是什么？

Deep Think 是 Gemini 系列中的“高计算推理模式”。 简单说，它不是日常聊天模型，而是专门用来解决：

• 数学证明

• 复杂算法设计

• 物理 / 化学理论推导

• 工程建模与结构优化

这一模式更接近“计算型研究助手”，而不是文本生成器。

 

---

二、核心成绩：几个关键基准意味着什么？

1）ARC-AGI-2：84.6%

ARC（Abstraction and Reasoning Corpus）是抽象推理能力测试。 它不是靠背题库，而是考模型是否真正理解模式。

• ARC-AGI-2：84.6%

• ARC-AGI-1：96.0%

• 单任务成本：13.62 美元（AGI-2）

对比一年多前的 OpenAI o3-preview 高算力版本：

• ARC-AGI-1 约 88%

• 单任务成本 2000–3000 美元

成本下降 近 300 倍级别。 这不是优化一点点，是算力利用率结构级变化。

 

---

2）Codeforces：3455 Elo

Codeforces 是全球竞技编程平台。 3455 Elo 意味着什么？

• 进入全球前 10 级别区间

• 约等于“世界排名第八”的竞技程序员水平

• 之前最佳 AI 成绩约 2727（排名 175）

这意味着：

在标准算法竞赛环境下，AI 已进入人类顶级选手区间。

注意，这不是“刷 LeetCode”，而是实时对抗式竞赛。

---

3）国际奥赛级别表现

官方披露：

• 数学奥林匹克金牌级别

• 物理奥赛笔试金牌级

• 化学奥赛笔试金牌级

• CMT-Benchmark（理论物理）：50.5%

这代表它具备：

• 多步严密逻辑链推导

• 高等数学结构处理

• 理论物理抽象建模能力

这里的核心不是“会做题”，而是：

能够长链条稳定推理。

---

三、参与者：姚顺宇

此次模型升级的参与者之一，是来自 Tsinghua University 物理背景、后加入 Google DeepMind 的研究者姚顺宇（Shunyu Yao）。

 

在大模型进入“科研协作阶段”的今天，物理、数学背景的研究人员参与模型架构与推理系统设计，本身就是一个信号：

前沿模型正在向科学工具演化。

---

四、科研应用案例：从论文审稿到晶体生长

1）数学论文逻辑缺陷识别

罗格斯大学数学家 Lisa Carbone 使用 Deep Think 审阅高能物理相关数学论文。

结果：

• 发现人工评审未发现的逻辑漏洞

这意味着模型已具备：

• 形式化结构审查能力

• 推理链一致性检查能力

---

2）半导体材料晶体生长优化

杜克大学实验室利用 Deep Think：

• 优化晶体生长流程

• 设计 >100 微米薄膜工艺方案

这不是生成报告，而是：

参与实验方案设计。

---

五、工程能力：从草图到 3D 打印模型

Deep Think 可以：

• 分析草图

• 生成三维建模结构

• 输出可 3D 打印文件

它把“语言推理”扩展到了“工程建模”。

这意味着：

模型正在进入 结构设计辅助阶段。

---

六、真正值得行业关注的三件事

1）推理稳定性提升

不是偶尔对，而是长链推理可控。

2）成本级别下降

300 倍量级的成本差距，让科研级推理不再是实验室专属。

3）能力结构变化

从“文本生成器”转向：

• 抽象推理器

• 科研辅助系统

• 工程设计支持者

---

七、对测试 / 技术从业者的现实意义

这部分比成绩更重要。

当模型：

• 能写高强度算法

• 能做数学推导

• 能进行结构建模

那么测试工程师未来的核心能力将转向：

1. 复杂场景构造能力

2. 边界条件设计能力

3. 模型行为验证能力

4. 评测体系设计能力

简单说：

AI 会解题，人类要出题。

未来测试工作更接近：

• 构建 adversarial 场景

• 构建高维异常组合

• 设计跨系统验证路径

---

八、开放情况

目前：

• 已上线 Gemini 应用

• 订阅 Google AI Ultra 可使用

• 部分研究人员可通过 Gemini API 调用

是否会大规模开放，还要看成本曲线与推理算力调度能力。

---

结语

如果 Codeforces 3455 只是一个数字，那 ARC 成绩和科研应用案例说明了一件更本质的事：

模型已经从“回答问题”，进化到“参与解决复杂科学问题”。

行业真正的变化，不是模型超过了多少人类选手，而是：

• 复杂推理成本下降

• 科研协作门槛降低

• 工程设计能力机器化

下一阶段的竞争，将从“谁模型更强” 转向：

谁能设计更难的验证体系。

而这，恰恰是工程与测试领域的新战场。

关于我们

霍格沃兹测试开发学社，隶属于 测吧（北京）科技有限公司，是一个面向软件测试爱好者的技术交流社区。

学社围绕现代软件测试工程体系展开，内容涵盖软件测试入门、自动化测试、性能测试、接口测试、测试开发、全栈测试，以及人工智能测试与 AI 在测试工程中的应用实践。

我们关注测试工程能力的系统化建设，包括 Python 自动化测试、Java 自动化测试、Web 与 App 自动化、持续集成与质量体系建设，同时探索 AI 驱动的测试设计、用例生成、自动化执行与质量分析方法，沉淀可复用、可落地的测试开发工程经验。

在技术社区与工程实践之外，学社还参与测试工程人才培养体系建设，面向高校提供测试实训平台与实践支持，组织开展 “火焰杯” 软件测试相关技术赛事，并探索以能力为导向的人才培养模式，包括高校学员先学习、就业后付款的实践路径。

同时，学社结合真实行业需求，为在职测试工程师与高潜学员提供名企大厂 1v1 私教服务，用于个性化能力提升与工程实践指导。

​