TheoPhysEval基准：最强AI智能体以98%准确率解决未发表理论物理难题

最新发布的TheoPhysEval基准测试显示，当被赋予搜索文献和编写脚本等现实工具时，表现最佳的AI智能体GPT-6-Astra（通过Codex调用）在50个未发表的研究级理论物理问题上达到了98%的最终答案准确率，平均每个问题的成本低于3美元。

该基准旨在评估AI在无人类提示下自主解决专业科学问题的能力。这些问题由领域专家设计，通常需要一个世界顶尖专家花费约一天时间才能解决，而相邻领域的专家则需要更长时间。这一结果填补了此前缺乏针对“未发表”且“可验证”的高级科学推理任务的系统性评估空白。

值得注意的是，当禁止AI访问网络搜索和背景论文时，其准确率仅出现小幅下降。这表明模型在很大程度上依赖于对现有文献的记忆，而非从零开始的逻辑推导。尽管AI在具体计算上表现出色，但研究者指出，这并未转化为理论物理领域的实质性突破，暗示当前的AI智能体仍难以产生全新的科学洞见。