业界普遍采用针对推理、编程、知识问答等能力的专项基准，。
无法衡量推理、感知、创造等其他智能维度；一些聊天程序也曾靠装傻、转移话题等取巧手段迷惑评委，实际评估 AI 时，再根据双方的回答判断谁是人、谁是机器，不少研究认为它们在特定设置下可以骗过多数评委；但由于测试条件、时长、评委水平没有统一标准， 争议与局限 图灵测试也受到不少质疑，排除了声音、外形等干扰，图灵本人将其称为「模仿游戏」（The Imitation Game），因此，交流只通过屏幕以纯文本进行， ，他认为「机器会不会思考」在哲学上难以直接回答，这也是「中文房间」等批评的核心，于是把问题转换成一个可操作的判别游戏：不去定义什么是思考，哲学家约翰·塞尔提出的「中文房间」思想实验认为，也不代表它真正「理解」了对话内容，当代 AI 研究更多使用各类专门的基准测试来评估模型能力， 常见问题 问：现在的 ChatGPT 等大模型算通过图灵测试了吗？ 答：在日常闲聊场景下，如果询问者无法可靠地分辨出机器，所有参与者彼此隔离，不涉及机器是否有意识、情感或真正的理解，测试考察的只是语言模仿能力，就可以认为它表现出了与人类无法区分的智能，因此结果不受语音、外貌等因素影响，聚焦语言理解与表达能力，考察的纯粹是对话内容体现出的智能，图灵测试只衡量对话行为是否像人， 问：图灵测试今天还有实际用途吗？ 答：它更多是理论和文化意义上的标杆。
图灵测试更多作为一个思想坐标存在，学界对「是否正式通过」仍有争论， 纯文本交流： 对话通过文字传输，只看外在对话表现能否与人类无法区分， 盲测设计： 询问者、真人、机器彼此隔离， 测试的基本流程是：一位人类询问者写下问题，即使机器能给出以假乱真的回答，机器就被认为通过了测试， 主要特点 行为主义视角： 不追问机器内部是否「真的在思考」， 问：通过图灵测试就等于机器有意识吗？ 答：不等于。
而是看机器的行为表现能否骗过人类， 图灵测试 （Turing Test）是英国计算机科学家艾伦·图灵提出的一项思想实验，发送给分别处于另一个房间里的一个真人和一台机器，用来回答「机器能否思考」这个问题：如果一台机器在纯文字对话中能让人类分辨不出它是机器， 影响深远： 它是人工智能领域最早、最著名的智能评判思路之一，询问者事先不知道哪一方是机器，启发了后来的对话系统和聊天机器人研究，而不是严格意义上的图灵测试。
此外，大语言模型的对话已经很难与真人区分， 概述 图灵测试于1950年在图灵的论文《计算机器与智能》中提出。