一个人工智能模型完成了解答 50 道未发表的研究级理论物理题的任务——并解出了其中的 49 道。

这一结果来自一份名为 TheoPhysEval 的新预印本论文，背后的模型是 GPT-6-Astra。在开启网络搜索的条件下，该系统得分 98%——这种成绩通常能让一名研究生获得导师的握手肯定和更重的科研任务。

基准测试到底考了什么

这篇题为《TheoPhysEval: Assessing AI agents at autonomous theoretical physics problem solving》的论文于 2026 年 10 月 9 日发布在 arXiv 上。它引入了一套包含 50 道此前从未发表的理论物理题的基准测试，题目涵盖从流体力学到量子场论共 11 个子领域。

测试的目的是观察 AI 智能体在完全无人干预的情况下能达到什么水平。没有人从旁提示模型，也没有人中途修正它们的错误。“智能体”这一称呼很重要：这些系统是自主执行多步骤任务的——在这里是搜索信息并推导出完整解答——而非一次性回答单个提问。

这项工作由来自 ICTS 和 Google DeepMind 等机构的物理学家主导，作者名单包括来自多家研究机构的 35 人。团队评估的是现成模型而非定制的研究系统——这意味着结果反映的是通用模型的能力，而非专为物理问题专门设计的工具——并设计了贴近专家级理论物理学家所需技能的评分标准。

计分板

测试分为两条赛道，旨在衡量外部信息的价值。“现实”赛道允许模型像实际工作的研究人员一样搜索网络，而“隔离”赛道则将模型与互联网完全切断。

在现实赛道上，GPT-6-Astra 解开了 50 道题中的 49 道，总成本为 116.28 美元。在隔离赛道上，其得分降至 46/50。换言之，网络访问的价值相当于三道题。

Opus 5.5 在两条赛道上均得分为 46/50。赋予它网络访问权对其成绩没有任何影响。

然后是那道“钉子户”：所有受测模型都未能攻克的唯一一道题。在全部五十道题中，只有一道题难倒了整个领域。

当学生修正了标准答案

或许最引人注目的发现并不是任何得分。根据该研究，模型的解题过程促使部分人工编写的参考解答得到了修正。

使用未发表过的题目在这里同样重要。从未出现在出版物中的题目更难被模型从训练数据中记住，因此正确的答案更有可能反映真正的推理能力，而非单纯的记忆。

为何这在实验室之外同样重要

成本数字也值得关注。现实赛道上 116.28 美元的运行成本，与人类专家团队解答 50 道研究级问题所需的时间相比微不足道，不过论文的研究范围是性能表现，而非完整的成本对比。

需要注意的局限性依然存在。这是一份预印本，意味着它尚未经过正式的同行评审。该基准测试也只有 50 道题——这是对理论物理领域有意义但有限的样本。

而且，解答一道表述清晰的问题，与选择该解答哪道问题并不是一回事。该基准测试衡量的是自主解题能力，而非提出新问题的创造性工作——后者仍是理论物理学家工作的核心部分。这两点都留下了值得持续关注的问题：研究结果能否通过正式同行评审的检验，以及未来的运行能否攻克那道难倒了所有受测模型的唯一难题。