FrontierPhysics：评估端到端物理研究能力的智能体
FrontierPhysics 是一项端到端基准测试，包含 56 项任务，覆盖理论、计算和实验物理的九个领域，由 42 位物理学家根据自身研究设计。智能体需要查阅文献、制定研究计划、开展研究与实验，并产出结构化结果和科学论文。该基准结合确定性验证器与专家编写的评估标准。在对 22 个模型、26 种配置的测试中，没有任何配置在 168 次运行中通过超过 46 次。智能体的主要弱点是推理不够严谨、缺乏专家直觉，而非物理知识不足或执行错误。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。