一個人工智慧模型完成了 50 道從未公開、研究級的理論物理難題，並解開了其中 49 道。

這項結果來自最新的預印本論文 TheoPhysEval，背後的模型是 GPT-6-Astra。在開啟網路搜尋的情況下，該系統得分 98%——這種成績通常會讓研究生獲得一句讚賞，以及更繁重的工作量。

這項基準測試實際測了什麼

這篇題為「TheoPhysEval: Assessing AI agents at autonomous theoretical physics problem solving」的論文於 2026 年 10 月 9 日發表於 arXiv。它提出了一個包含 50 道從未公開的理論物理難題的基準測試，題目橫跨 11 個子領域，從流體力學到量子場論。

測試的目的在於觀察 AI 代理人在完全沒有人工干預的情況下能有什麼表現。沒有人從旁提示模型，也沒有人在中途修正它們的錯誤。「代理人」這個標籤很重要：這類系統能自主執行多步驟任務——在本例中是搜尋資訊並逐步推導出完整解答——而非一次性回答單一提問。

這項工作由來自 ICTS 與 Google DeepMind 等機構的物理學家主導，作者名單橫跨多個研究機構、共 35 人。團隊評測的是現成模型而非客製化研究系統——意味著結果反映的是通用型模型的能力，而非專為物理打造的工具——並設計了近似專業理論物理學家所需技能的評分標準。

計分板

測試分為兩條賽道，旨在分離外部資訊的價值。「擬真」賽道允許模型像真正的研究人員一樣搜尋網路，「隔離」賽道則完全切斷網路。

在擬真賽道上，GPT-6-Astra 以總成本 116.28 美元解開了 50 道題目中的 49 道。在隔離賽道上，其成績下滑至 46/50。換言之，網路存取值三道題。

Opus 5.5 在兩條賽道上皆得 46/50。開放網路存取對其成績毫無影響。

此外還有一道遺珠之題：研究人員測試的所有模型都無法解開同一道題。在全部五十道題目中，僅此一題足以難倒整個領域。

當學生修正了標準答案

或許最引人注目的發現根本不是分數。根據這項研究，模型的工作促成了部分人類撰寫參考解答的修正。

使用未公開的題目在此也至關重要。從未發表過的題目較難被模型從訓練資料中背誦下來，因此正確答案更可能反映真正的推理能力，而非記憶提取。

為何這在實驗室之外也很重要

成本數字同樣值得關注。擬真賽道上 116.28 美元的運行成本，相較於人類專家隊解開 50 道研究級難題所需耗費的時間可謂微小，不過該論文的範疇是效能表現，而非完整的成本比較。

仍需留意幾點保留意見。這是一篇預印本，意味著尚未經過正式同儕審查。基準測試也只有 50 道題目——樣本雖有意義，但對理論物理的全貌而言仍屬有限。

而且，解開一道條件完整的題目，與選擇該解開哪道題目並不相同。這項基準測量的是自主解題能力，而非提出新問題的創造性工作——後者仍是理論物理學家的核心職責。這兩點都留下了值得持續追蹤的問題：結果能否通過正式同儕審查的檢驗，以及未來的運行是否能解開那道難倒所有受測模型的題目。