10 万人 vs 九款大模型：GPT-4 平均分夺冠，最有创造力的人仍领先 AI

一场四分钟的「写十个不相关名词」小游戏，把 10 万名人类和九款主流大模型放到了同一张成绩单上。结果显示：GPT-4 的平均分超过了人类均值，但创造力最强的前 10% 人类，依然领先所有被测模型。这项研究于 2026 年 1 月发表在《Scientific Reports》上，由蒙特利尔大学认知神经科学家 Karim Jerbi 领衔，图灵奖得主 Yoshua Bengio、魔术师兼心理学家 Jay Olson、Google DeepMind 的即兴喜剧研究者 Kory Mathewson 等共同参与。

研究设计与参赛选手

这场对比用的是 2021 年发表在《美国国家科学院院刊》上的「发散联想任务」（Divergent Association Task，简称 DAT）。规则很简单：写下 10 个英文名词，彼此语义距离越远越好。十词两两之间的平均语义距离即为得分。评分由算法自动完成，绕开了传统创造力测评中评委标准不一的问题。

被测的九款模型涵盖 GPT-3.5、GPT-4、GPT-4-turbo、Claude 3、Gemini Pro，以及 Vicuna 等四款开源小模型。它们与 10 万名年龄覆盖 18 至 60 岁以上的人类答卷在同一坐标系下排名。

关键结果：平均分赢的是机器，极高分赢的是人

按默认设置答题，九款模型的平均分排名如下：

GPT-4：平均分最高，显著超过人类均值；
Gemini Pro：与人类平均分无显著差异；
其余七款（含 Claude 3）：均低于人类平均。

然而，把 10 万人按分数排序后画分布图，情况发生变化：前 50% 人类的平均分仍高于所有模型；前 10% 人类与模型的差距进一步拉大。每款模型的分数都集中在很窄的一段区间内，而人类的分数从 30 一直铺到 95 以上，右端高分区没有一款模型够得着。

研究者还挑选 GPT-3.5、Vicuna 和 GPT-4 加测了三道写作题——俳句、电影故事梗概、微型小说。方向一致：机器写得有模有样，但始终不及最会写的那批人。

值得注意的是，GPT-4 的后继版本 GPT-4-turbo 得分反而比前辈低了不止一截，甚至不如规模更小的 Vicuna 和 GPT-3.5。至少在这批模型上，参数规模与版本新旧并不直接换算成创造力分数。

温度与提示词都能拉分

模型分数并非一成不变。研究者做了两项干预实验：

调温度：把 GPT-4 的温度从 0.5 升到 1.5，分数随之上行，最高档平均分达到 85.6，超过 72% 的人类答卷；
改提示词：加入「从词源入手找不相关词」的指令，GPT-3.5 和 GPT-4 的成绩均超过原版指令；换成「查同义词典」的提示，分数几乎不变。

研究者在论文中由此指出，提示与交互本身已成为创作过程的一部分。

四路质疑

学界对这类测评的怀疑从未停止，主要集中在四方面：

题目本身：创造力通常要求「又新又有用」，DAT 能衡量发散程度，却无法衡量「有没有用」，出题人 Olson 在原论文中已承认这一点；
答案趋同：不同公司出品的模型答起题来高度相似，2025 年的一项研究指出，模型彼此答案的相似度远高于人与人之间的自然差异；
数据污染：DAT 题目公开可查，无法排除模型训练数据中已包含这些题目或近似内容；
测验条件偏差：2025 年的重做实验表明，只要给人更多时间、把题目要求写清楚，人类就能追平机器，原先差距部分来自条件设置。

结论与展望

在「限时想出一批不落俗套的联想」这一狭义任务上，最强模型的平均分已超过人类均值，但创造力最强的那批人类依然领先。Jerbi 在新闻稿中表示，与其纠结 AI 是否替代人类创作者，不如把它当作创造力的工具——它将如何改变创作，取决于下一批研究，也取决于使用它的人。

读者如果好奇自己的排名，DAT 测验官网 datcreativity.com 目前仍开放，四分钟即可出分。