复旦大学反向期末考：学生设计难题让AI犯错，无人完全击败Claude

事件概述

复旦大学今年春季的数据挖掘课程期末考取消了传统试卷和监考，51名本科生面对电脑屏幕，任务不是回答问题，而是让全球最先进的AI模型犯错。考试使用的模型包括Anthropic的Claude、中国的DeepSeek和MiniMax。教授肖仰华将评分逻辑完全反转：学生每设计一道有效问题自动获得基础分，AI每答错一题额外加分——DeepSeek错误计1.5分，MiniMax错误计2分，Claude错误计3分。最终班级平均分85.7分，中位数88分。

核心数据与结果

• 51名学生中50人成功让至少一个模型答错。
• 仅4名学生设计的问题让某一个模型完全答错（零分）。
• 无人能让Claude得零分，该校被学生公认为最强模型。
• 得分最高的学生谢金树（音）获得97分，他使用GPT-5.5 Pro协同三个目标模型构建了一个自动化出题测试框架，经过四天反复测试才实现三模型全败。

学生破解AI的典型策略

• 高精度与海量数据：学生吴汉东（音）设计涉及数万条数据记录和数百个变量组合的问题，要求小数点后四位精度，人类约10分钟可以完成，AI反复出错。
• 逻辑陷阱：学生文嘉辰（音）设计所有选择题正确答案均为“以上全不对”，故意遗漏关键假设，人类能识别问题不可解，AI却常常陷入。
• 长链推理攻击：学生李钰佳（音）利用AI在长推理链条中忽略次要变量的问题，引导模型关注一个变量而忽视另一个关键条件，输出看似合理但完全错误。

教育意义与争议

教授肖仰华指出，传统计算机考试测试的多是AI已擅长的能力（如关联规则挖掘、决策树分类），继续如此考试等于在AI最强领域与其竞争。课程改革核心是培养学生成为AI的“评判者”而非“执行者”。

然而实验也暴露了AI的脆弱性——长链推理、极端数值精度、不完整信息和精心设计的逻辑陷阱仍是其薄弱点。但关键在于，能发现这些弱点的人必须先比机器更深刻地理解领域。这场考试本质上是对人类判断力的终极测试：在AI能力指数级增长的时代，人类能否守住“最终评判者”的位置。