专家重评：前沿模型物理能力被低估

How good are frontier models at physics?

主流评测显示前沿模型在物理领域表现平平，但这可能源于评测本身的缺陷。研究团队邀请领域专家对 HLE-Physics、CMT-Benchmark 等六大基准进行重评，发现大量初始判错的案例实为题目歧义或参考答案错误。经过修正后，GPT-5.6-Sol 在多项指标上大幅提升，部分任务甚至接近满分。这一发现表明，当前评测体系严重低估了模型解决良构物理问题的能力，亟需更严谨的专家验证。