FrontierPhysics：让AI真正走完一遍物理研究流程

2026年11月5日阅读约 3 分钟

导语

AI正在进入物理研究的真实工作流，但“会答物理题”并不等于“能开展物理研究”。现有基准往往聚焦固定问题、单一子任务，或要求模型按照已知方案复现实验，难以判断智能体能否从开放问题出发，形成可靠、可检验并具有科学价值的研究成果。

论文提出的 FrontierPhysics，试图把评测尺度推向更接近真实科研的端到端流程。

任务来自物理学家的真实研究经验。 基准包含56项任务，由42位物理学家设计，覆盖理论、计算和实验物理九个领域。素材没有披露每项任务的具体内容，但其设计目标是模拟研究者面对问题时的完整工作链条。
评测的不只是最终答案。 智能体需要先完成文献调研，再制定研究计划，开展研究与实验，最后提交结构化结果和科学论文稿件。换言之，模型既要“做对”，也要说明为什么这样做、证据是否充分。
正确性与可发表性并重。 FrontierPhysics结合确定性验证器和专家制定的评分标准。前者用于检查可明确判定的结果，后者则评价研究过程、论证质量以及成果是否达到可发表水平。
当前模型通过率仍然有限。 在22个模型、26种配置的测试中，没有任何配置能在168次运行中通过超过46次。这说明端到端科研任务对智能体提出了远高于单项能力测试的要求。
主要问题不只是知识不足。 对智能体轨迹的人工分析显示，前沿模型更常见的障碍是推理不够严谨、缺少专家式研究直觉，而不是完全不了解物理知识或无法执行操作。

FrontierPhysics的重要性，在于它重新定义了“AI能否做科学”的判断标准。一个模型即便能够检索论文、调用工具并生成看似合理的文字，也可能在问题拆解、假设控制、证据链构建或结果解释上出现致命漏洞。只有把这些环节放进同一项任务，评测才更接近科研实践。

这项工作也提醒模型开发者，单纯扩大知识覆盖或提升工具执行成功率，未必能直接转化为高质量研究能力。未来的物理智能体需要更强的自我检查、实验设计、反事实推理和不确定性表达能力，同时还要学会识别哪些结果值得继续追踪、哪些结论尚不足以下定论。

当然，FrontierPhysics并不意味着一次性解决了科研智能体评测问题。专家评分仍可能带有领域判断，任务覆盖也不可能代表全部物理研究。但它提供了一个更严格的方向：把“生成答案”升级为“提出并完成可审查的研究”。