TheoPhysEval基准发布并公布五模型成绩

TheoPhysEval 出题团队发布理论物理解题基准，用 50 道取自 35 位研究者未发表笔记的计算题评测 AI 智能体，并公布五个模型成绩：GPT-6 Astra 在 Codex 环境解出 49/50，Opus 5.5 在 Claude Code 中 46/50，Gemini 3.8 Flash 34/50，DeepSeek-V4.1-Flash 27/50，GLM 5.3 21/50。 据该基准解读，Astra 跑完全套 50 题总花费 116 美元，单题约 2.33 美元；有搜索时答对 49/50，切断搜索后降至 46/50。评分只比对最终数值与参考答案，不检查中间推导是否自洽、不记录求解耗时，也不判断模型是否理解涉及的物理图像；出题团队明确排除尚无已知解法的前沿开放问题。 另据该解读，出题人算错系数后，Astra 的成绩从 88% 跳到 98%。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。