耶鲁物理学家重评前沿模型：多数物理基准被评错，几乎全部饱和
inductionheads · x · 2026-09-15
新论文《How Good Are Frontier Models at Physics?》由耶鲁物理学家对现有基准进行专家重评，发现很多「失败」其实是基准题错了。
- 按现有基准，前沿模型物理表现不佳（如 GPT5.6-sol 在 Humanity's Last Exam 物理部分仅 47.3%），但这与物理学家实际使用体验不符
- 团队将模型被判「失败」的题目交由耶鲁物理学家重新评分，发现问题多出在基准本身而非模型
- 修正后，模型几乎在所有基准上饱和，包括 HLE 物理部分和 CritPt
结论：当前多数物理类评测基准已失效，不能再用它们衡量前沿模型能力。
所属事件:耶鲁物理学家重评:前沿模型物理基准已近饱和(6 条相关)→
「模型」频道最新
- 别再按月租智能了:Anthropic 服务端新规再掀开模型之争 — alex_verem · 2026-11-02
- Epoch AI 实验：GLM 5.3 连续攻破 6 个 Firefox 版本，单次成本约 1000 美元 — rohanpaul_ai · 2026-11-02
- SemiAnalysis：安全分类器压分，Opus 5.5 与 GPT-6 Astra 排名被低估 — morqon · 2026-11-02
- 1.7B 本地模型 LFM3 在 MacBook 上首次答对曼城赛程查询 — NielsRogge · 2026-11-02
- Similarweb：Claude 升级页流量 9 月回升至 1760 万，逼近 5 月峰值 — firstadopter · 2026-11-02
- 开源 GLiNER-PII 单卡 550ms 抓出病历 13 项身份标识,仍漏医院名 — MaziyarPanahi · 2026-11-02