PhysClosureBench：Claude Opus 5-5 局部科学得分最高，仅 32.7% 达成研究闭环

Shanghai-AI-Laboratory · hf · 2026-10-19

上海AI实验室、上海交大、港科大（广州）与南洋理工推出 PhysClosureBench：50 个专家验证、目标明确的强场/原子秒/邻域物理研究任务，agent 自主组织调查并生成验证证据。评估采用 20 准则 Atomic Score 衡量局部科学成就，Research Closure（RC0–RC4）评估研究问题是否被证据充分解决。七个前沿 LLM 中 Claude Opus 5-5 平均 Atomic Score 最高（6.29/10），但仅 32.7% 的尝试达到 RC4；基准整体上 36.2% 的尝试得分 8/10 以上仍达不到 RC4——局部科学产出强，但因证据不全和适用边界未定而无法完全闭环研究问题。