2026年4月，谷歌AI研究团队正式推出基于大语言模型（LLM）的新型技能测评方法Vantage，瞄准教育领域长期存在的痛点——协作、创造力、批判性思维等“持久技能”一直缺乏可扩展、严谨有效的评估工具。Vantage通过大语言模型模拟真实团队互动，平衡了测评的真实感与可重复性，弥补了传统测试及过往方案的不足，为软技能评估提供了新的技术路径。
从升学考试到企业招聘笔试，传统标准化测评可以准确测量测评对象对知识点的掌握程度——你是否掌握了微积分公式，能不能读懂复杂文本，这些都可以通过固定题型给出清晰评分。但对于越来越受重视的协作沟通、创意产出、批判性分析等能力，传统测试几乎无能为力。
这些能力被谷歌研究团队称为“持久技能”，是个人在长期工作生活中更核心的竞争力，但持久技能的测评一直被困在两难矛盾里：要获得贴近真实场景的测评结果，就得用真人互动，不仅成本高，结果也没法重复和横向对比；如果追求测评的严谨性和可重复性，就得像PISA 2015的协作问题解决评估那样，用固定脚本和选择题控制变量，又会失去真实互动的质感，测评结果参考价值大打折扣。
谷歌研究团队此次推出的Vantage，就是瞄准这一矛盾给出的大语言模型原生解法。Vantage的核心是“执行LLM”架构，利用单一大语言模型生成测评场景中所有角色的互动内容，既能模拟出真实团队协作中意见分歧、思路碰撞的自然状态，让测评对象身处接近真实的协作场景中发挥能力，又能保证整个测评过程的规则统一，结果具备可重复性和可比性，刚好实现了生态有效性与心理测量学严谨性的平衡。
不同于传统测试只能测评静态知识，Vantage可以全程记录测评对象的互动过程，从协调分歧、提出创见到批判性反思的全流程表现都可以被系统量化评分，从技术层面解决了传统测评无法覆盖软技能的核心痛点。
目前Vantage还处于研究推出阶段，但其应用前景已经受到业内关注。除了K12和高等教育领域的学生能力评估外，这项技术还可以延伸到企业招聘、人才培养等场景——当前企业群面等软测评方式不仅成本高，也容易受面试官主观因素影响，Vantage如果成熟，就可以实现大规模、标准化的软技能批量测评，大幅降低测评成本，提升评估准确性。
当然，这项技术也仍待进一步验证：大语言模型本身的偏见会不会影响评分公平性，模拟场景和真实场景的差异会不会影响测评结果，这些问题都需要后续更多真实场景测试来优化解答。
本文基于公开信息分析整理，仅供参考。更多AI工具动态与行业解读，请持续关注本站更新。
滇公网安备 53252802528133号