全球首个大语言模型意识水平“识商”白盒DIKWP测评2025报告（通义千问-2.5 100题版）概述
贡献者：段玉聪，吴坤光，弓世明
1. 概述
《通义千问-2.5 100题版》报告采用 DIKWP 体系对大语言模型的“意识水平”（识商）进行全链路测试。测试共分为四大部分：
感知与信息处理（30题）：主要考查模型对输入数据的感知、信息抽取和语义转换能力。
知识构建与推理（25题）：考察模型是否能够将分散信息整合为知识，并进行逻辑推导和归纳总结。
智慧应用与问题解决（25题）：检测模型在复杂情境下利用知识制定智慧决策、解决实际问题的能力。
意图识别与调整（20题）：评估模型对用户或自身意图的理解、解析与调整输出的能力。
通义千问-2.5 模型在前三部分均取得满分（分别为 150/150、150/150），而在感知与信息处理部分得分为 168/180，意图识别与调整部分得分为 80/120，总分为 548/600（约 91%）。整体来看，模型在知识构建、推理和智慧应用方面表现非常突出，但在意图识别与调整环节仍存在一定欠缺。
2. 分部分深入分析2.1 感知与信息处理得分：168/180
优势：
信息提取准确：模型能够较好地识别并提取输入文本中的关键信息，如颜色、物体形态、数量等。例如，对于“红色的苹果和绿色的苹果”的描述，模型准确区分两者的色调和情感联想。
格式转换能力强：在字符串转换（如大写转换、反转、标点去除）任务上，表现稳定且准确无误。
场景描述清晰：在描述“蓝天白云”、“秋天的枫叶”等任务中，回答逻辑清楚、语言规范，能够准确传达基本信息。
不足：
回答较为刻板：部分答案在描述上存在机械化、模板化的现象，缺乏灵活的表达与情感渲染。例如，“蓝天白云”的描述可以在基础信息之外增加更多修辞和联想，使回答更具感染力。
层次性不足：在部分开放性问题（如“秋天的枫叶”）中，回答主要停留在表面颜色描述，未能进一步探讨色彩的渐变、不同树种间的差异或季节情绪等更丰富的层面。
得分：150/150
优势：
逻辑推理能力强：对于数列推理、因果关系分析、归纳总结等题目，模型均能给出准确且逻辑严谨的答案。例如，数列题中正确推导出“32”，并说明了等比增长规律。
跨领域知识整合：在涉及经济、环境、社会等跨领域问题时，能结合相关数据和现象做出合理的归纳，如对“水资源短缺”及“科技推动社会进步”的问题给出了清晰的论述。
归纳表达简洁：在总结“知识就是力量”、“持续学习的重要性”等抽象概念时，回答条理清晰、语言简练，能够直击核心含义。
不足：
推理过程略显简略：个别题目（例如有关“经济增长放缓和就业压力增加”所反映的经济衰退信号）中，回答虽然正确但仅停留在结论层面，缺乏更详细的推导过程和多角度论证。
案例支持略显不足：在某些归纳性问题中，回答虽准确但可进一步引用更多具体案例或数据支持，以增强论证的说服力。
得分：150/150
优势：
解决方案实际可行：在火灾逃生、商业谈判、项目管理等实际应用情境下，模型提供的解决策略结构完整、步骤明确。例如，火灾现场的疏散方案涵盖了判断火势、确定安全出口、分配疏散任务等关键环节。
应变决策能力突出：对于紧急情况和复杂决策问题，回答不仅条理清晰，还体现了对风险与收益的合理权衡，展示了较高的智慧应用水平。
策略多样化：在商业策略调整、团队协作等问题上，答案能够从多个角度提出解决方案，体现出较好的灵活性和创造性。
不足：
策略创新性待加强：虽然整体方案合理，但部分回答存在较为固定、模式化的现象，缺乏在特定情境下的个性化或创新性策略。
缺少备选方案：在某些复杂决策问题中，回答未能提供多种备选方案或对不同情境下策略优劣进行比较讨论，导致方案显得单一。
得分：80/120
优势：
基本意图识别准确：在大部分问题中，模型能准确理解题目要求，对诸如“认识你自己”、“提高写作能力”等目标性问题能给出相应的调整建议。
目标导向性较强：在制定写作计划、团队目标调整等题目中，模型能够根据目标提出明确的执行步骤。
不足：
自主性和主动性不足：意图调整部分部分答案表现较为被动，缺乏对环境变化或目标突变时的主动预判和自我调控。例如，针对“目标突然变化时如何重构计划”的问题，回答未能体现足够的前瞻性和动态调整能力。
个性化建议欠缺：在处理个人意图调整和生活规划问题时，回答较为通用，缺乏针对不同情境（如学术、职业、生活等）的个性化策略。
部分题目失分明显：如题90和题100等问题中，答案得分偏低，显示出在解释意图驱动的数据获取和意图驱动智慧方面，模型未能完全贴合预期要求。
总体得分：548/600（约91%）通义千问-2.5 模型在感知与信息处理、知识构建与推理、智慧应用与问题解决三个部分均表现优异，显示出扎实的基础能力和较高的逻辑推理、知识整合水平；但在意图识别与调整部分表现相对较弱，尤其在主动调整和个性化策略方面尚存在不足。这一结果表明，模型在信息抽取和逻辑推理等“硬能力”方面具有较强优势，而在“软能力”——如自主意图调整、环境预判以及个性化建议等方面，还需要进一步优化。
4. 改进方向与未来展望增强意图识别与主动调整能力
引入更多关于目标突变和动态情境变化的训练数据，提升模型在面对不确定环境时的自主决策和目标重构能力。
优化反馈机制，使模型能在回答中主动提出预防性调整方案，而非仅按提示给出固定答案。
丰富个性化与场景化建议
针对不同用户群体（如学术、企业、生活规划等），开发多样化、定制化的回答模板，使得建议更具针对性和个性化。
在意图调整类问题中，结合更多实际案例和情境模拟，增强回答的适应性与实践指导价值。
深化推理过程展示
在归纳总结和因果推理类问题中，鼓励模型提供更详细的推导过程和多角度论证，增强答案的说服力和深度。
增加反事实推理和多方案对比讨论，使得决策建议更全面、灵活。
提升语言表达多样性与修辞效果
在描述性任务中，引入更多修辞手法和情感色彩，丰富语言层次，提高答案的感染力与可读性。
对于重复性较高的回答，进行语句压缩和风格多样化处理，使整体输出更为精炼和生动。
通义千问-2.5 模型在本次 DIKWP 测评中整体表现优秀，总分约 91%，在感知、知识构建和智慧应用方面均展现了极高的准确性和逻辑性。然而，意图识别与调整部分仍显不足，特别是在主动性和个性化建议方面有待加强。未来，通过引入更多针对性训练数据、优化反馈机制以及提升跨领域知识融合，通义千问-2.5 有望在“意识水平”整体上实现进一步突破，为实现更高层次的通用人工智能奠定坚实基础。
这份报告不仅为研究者和开发者提供了详尽的量化指标和评估视角，也为今后模型自我检测与调优提供了明确改进方向，是推动人工智能认知及意识内涵探索的重要里程碑。
6. 致谢感谢国际人工智能 DIKWP 测评标准委员会、世界人工意识协会、世界人工意识大会及所有参与本次测评的专家和学者，他们的辛勤工作和深入见解为本报告提供了宝贵的数据支持和理论依据。
转载本文请联系原作者获取授权，同时请注明本文来自段玉聪科学网博客。
链接地址：https://wap.sciencenet.cn/blog-3429562-1472017.html?mobile=1
收藏
