新闻详情

新闻详情

首页 / 资讯中心 / 详情

被误判的大模型:物理学专家复审揭示基准测试危机与AI能力的“近饱和”真相

发布时间:2026/11/16 6:47:47来源:尧图网络
被误判的大模型:物理学专家复审揭示基准测试危机与AI能力的“近饱和”真相
被误判的大模型物理学专家复审揭示基准测试危机与AI能力的“近饱和”真相耶鲁大学、剑桥大学和南加州大学联合发表名为How Good Are Frontier Models at Physics? Expert Re-Grading Reveals Broken Evaluations and Near-Saturation of Leading Benchmarks论文其研究探讨了前沿LLM在解决高级物理问题时的真实水平指出目前的评估标准严重低估了它们的实际能力。研究团队通过对六个主要物理基准进行专家级审计发现大量所谓的模型错误实际上源于题目定义模糊、参考答案错误或评分程序僵化。在修正了这些基准缺陷并排除问题题目后诸如GPT-5.6-Sol等模型的得分出现了大幅跃升在多个测试中接近满分。结果表明当前的闭口物理题目已趋于性能饱和难以有效区分顶尖 AI 的推理差异。作者因此呼吁开发更具挑战性且经过专家验证的新一代评估工具以准确衡量人工智能在科学探索领域的进步。另外前沿LLM在面对理论物理中的开放性未解难题Open Research Problems时明显遇到瓶颈需要新的方法和工具解决该问题。核心结论1. 现有物理基准测试严重低估了前沿大模型的真实水平论文指出此前行业报告中记录的大模型在物理测试中的“低分”主要源于评估流程破损Broken Evaluation Pipelines而非大模型物理推理能力的真实缺陷。2. 模型表现“不佳”主要是因为基准测试本身的缺陷与打分失误耶鲁大学等机构的物理专家对 250 个被传统评估系统判定为错误的回答进行了审查发现95.2% 的“失败案例”归咎于测试材料或打分机制题目/参考答案缺陷Benchmark Errors, 占 57.2%包括参考答案计算错误、题目未给出必要的物理假设如坐标/符号约定、边界条件或归一化常数、以及条件不自洽。评分器失误Grader Errors, 占 38.0%基于规则的传统评分器如 SymPy 或 EED过于机械拒绝了模型给出的数学等价表达、不同正负号约定或因子顺序变动。真实模型错误Model Errors, 仅占 4.8%在所有被拒回答中仅有 12 个是模型自身真正的物理逻辑或推导错误。3. 专家更正后大模型在主流物理基准上趋于“近饱和”状态当专家修复了有缺陷的题目和参考答案并允许数学上等价的表达后前沿模型如 GPT-5.6-Sol、Claude Fable 5、Gemini 3.1 Pro的得分出现了爆发式增长HLE-Physics人类最后考试-物理部分GPT-5.6-Sol 的平均准确率从 47.3% 暴涨至78.7%pass4 达到91.4%。CMT-Benchmark凝聚态理论测试得分从 61.0% 提升至87.2%pass4 达到98.0%。CritPt前沿物理关键点测试得分从 32.3% 跃升至87.5%pass4 达到94.4%。PRISM-Physics与PHYBench修正后得分分别高达94.6%和90.2%。4. 出现了“测试缺陷天花板”效应当模型的实际物理能力大幅提升、真实错误率降至极低水平时测试得分不再由模型能力决定而是受限于基准测试自身的缺陷率20%~50%。这意味着对于所有表述清晰、有标准答案的闭卷物理题closed-ended physics problems前沿大模型的能力已经达到或接近饱和天花板。5. 闭卷题饱和 vs 开放性科研难题的瓶颈论文同时强调闭卷测试的饱和并不意味着大模型已经具备独立开展前沿物理研究的能力。当研究人员使用智能体框架Agentic Harnesses让大模型尝试攻克理论物理中的开放性未解难题Open Research Problems时模型尚未能完整解决任何一个未解难题。因此作者呼吁学术界建立经专家严格验证、难度更高的新一代物理基准测试。https://arxiv.org/html/2609.13009v1
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/15 4:54:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/15 2:04:12

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/16 19:23:38

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/16 6:47:19

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/16 17:28:18

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉