为了让 AI 读懂古埃及手写体，这位埃及学爱好者建了个基准测试，结果很好笑

2026年10月7日

沉迷埃及学的人，2020 年想弄一个 hieratic（圣书体草书）纹身，找不到能翻译的人，最后在 2022 年花钱请了位牛津埃及学家手写了一句。等生成式 AI 火起来，他发现自己撞上了一件事：几乎所有模型都认不出 hieratic，更别提翻对了。于是他干脆自己建了个基准测试，叫 HieraticBench，在 Hacker News 上发了 Show HN。

先解释一下 hieratic 是什么。它就是象形文字（hieroglyphs）的草书形态，古埃及人日常书写用的，跟象形文字一样古老。日常的东西 AI 反而不认识，这事儿本身就有点讽刺——模型们把那张手写句子认成过 Tibetan（藏文）、Urdu（乌尔都语）、Korean，甚至认成「Reformed Egyptian」，这词出自《摩门经》，属实有点搞。

数据有多难看

第一版有 268 个条目，包括真实文献、字符合、其他埃及文字做对照组，外加那句从未公开的手写句子，两个版本。目前最强的基础模型，成绩相当惨：在真实文献上，最好的模型识别 hieratic 的正确率到了 95%，但单个字符识别的最高分只有 13% 左右——而且这还是明说了「这是 hieratic」之后的结果。至于那句牛津埃及学家手写、没见过任何数据的句子，目前没有一个模型能真正翻对。

作者自己说了，预算有限，不是每个模型都跑了每个任务。目前只有 Claude 系列做过字符识读，他接下来的计划是跑 Astra 和 Gemini 3.1 Pro。作者也坦诚，他自己完全没跑过这套基准，不太确定计分方式对不对。

为什么这事值得看

这算是个很典型的信号。现在主流的 benchmark 大多被各家模型刷得差不多了，很多趋于饱和，这时候拿一个完全没见过的、非英语的、连真实数据都少得可怜的任务去测，反而能真实量出模型的底线。它不测推理、不测代码，只测一件事：你到底认不认识一种「稀有」的文字。

这个基准的短板也明显：只有 268 个条目，带标签的字符还不多，模型的覆盖也不全。作者在 HN 帖子里直接列了需要帮忙的地方——跑他没覆盖到的模型、提供更多「密封句子」和带标签的字符。懂 hieratic 或者认识埃及学家的，可以直接发邮件到 hieraticbench@veeza.ai。

项目开源在 GitHub（github.com/alymoursy/hieraticbench），demo 在 hieraticbench.vercel.app，想自己试的可以直接上手。这个基准短期里改变不了什么，但它的存在说明了一件事：当大家都在同一个池子里涮分的时候，总有人会去挖一个没人填过的坑，然后发现坑底的水比想象中深得多。