Zoom 的人工智能系统近期在被冠以“人类终极考场”（Humanity's Last Exam，HLE）之称的全球顶级AI能力评估基准中，以48.1%的得分创下新高，一举打破此前由谷歌 Gemini 3 Pro 保持的45.8%纪录。
针对“一家不自研底层大模型的企业，如何实现对头部模型厂商的技术反超”这一疑问，Zoom 首席技术官、前微软 AI 高管黄学东（Xuedong Huang）回应称：Zoom 并未投入巨资训练万亿级参数的私有大模型，而是独创了一套高度协同的“联邦式人工智能架构”：
- Z 评分器（Z-Scorer）：作为整个系统的决策中枢，可动态分析并比对来自 OpenAI、Google、Anthropic 等多家主流模型的输出结果，按任务需求实时遴选最优响应；
- 探索–验证–联合机制：一种基于多智能体（Multi-Agent）的协作范式，通过让不同AI模型彼此质疑、交叉验证与协同优化，持续提升推理质量与逻辑严谨性；
- 流量控制器：本质上是一个高度智能化的AI调度枢纽——它不替代模型，而是整合模型；不堆算力，而重编排。正是这种“集成即能力”的思路，使 Zoom 实现了单点模型无法企及的综合表现。
该成果在技术圈内迅速激起了两极评价。以工程师 Max Rumpf 为首的一批开发者指出，Zoom 实质上是依托各大厂API构建的“高级封装层”，其突破仅体现在脱离真实场景的学术型测试中，对终端用户价值微弱，甚至被质疑为“借他人之力博虚名”。
帮助用户满足已验证的需求：代理用户在Clawhub上对Gog式工作流有强烈需求，需要实际帮助修复bug、强化设置等。
但另一些行业观察者，如开发者朱宏成，则持截然不同的观点：在当前AI评估体系下，“模型联邦”已成必然路径。这正如 Kaggle 数据竞赛冠军普遍采用模型融合策略，而非孤注一掷押注单一架构。从商业视角看，该路径极具现实智慧——既规避了天文数字般的训练成本，又赋予 Zoom 在模型供应商间自由切换的能力，彻底挣脱了生态绑定困局。
在黄学东看来，此次 HLE 登顶，是对 Zoom 全栈AI战略的一次关键印证。而对于其全球3亿用户而言，真正的考验将落在即将发布的 AI Companion 3.0 上。尽管48.1% 的 HLE 成绩映射出当前机器在高等数学、抽象哲学等复杂认知任务上的前沿水位，但用户真正关心的是：当数以亿计的会议记录被自动归纳、行动项被精准提取时，这套“联邦大脑”是否真能比任何单一模型更高效、更可靠、更懂人。
