专家重评揭示物理基准测试失效与前沿模型近饱和状态
热点事件持续更新
专家重评揭示物理基准测试失效与前沿模型近饱和状态
1 篇报道1 个报道来源13 小时前更新
先了解这件事
AI 综述
arXiv论文作者团队发布重评研究，针对六大物理基准测试中多数原判错误案例进行复核，发现这些案例主要源于参考解错误或缺陷，而非模型物理推理失误。 数据显示，GPT-5.6-Sol在HLE-Physics基准的mean@4指标从47.3%提升至78.7%，在CMT-Benchmark中从61.0%升至87.2%，其在保留的54道CritPt挑战题中的修正后pass@4达到94.4%。 研究指出，现有基准严重低估了前沿模型解决明确物理问题的能力，这一发现凸显了构建更严苛专家验证评估体系的紧迫性。
AI 根据报道生成 · 3 小时前更新
最新进展10月20日 12:00
专家重新评分揭示物理基准测试失效与前沿模型近饱和状态报道时间线
沿着报道，了解事件的不同侧面。
10月20日
- arXiv · AI专家重新评分揭示物理基准测试失效与前沿模型近饱和状态
专家对六个物理基准的重新评分发现，多数原判错误实为参考解或题目缺陷。GPT-5.6-Sol在HLE-Physics的mean@4从47.3%升至78.7%，在CMT-Benchmark从61.0%升至87.2%。 现有基准严重低估了前沿模型解决明确物理问题的能力，凸显了构建更严苛专家验证评估的紧迫性。
本事件热度走势
- 可比范围当前
- 7
- 可比范围峰值
- 810月20日 22:00
- 近 24 小时变化
- –
02468
22:0023:0010月21日
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。