編輯丨coisini

推理能力是科學(xué)工作的核心?？茖W(xué)家不僅需要記憶事實，更要提出假設(shè)、驗證修正，并在跨領(lǐng)域間融合思想。隨著人工智能（AI）模型的能力不斷增強，核心問題在于它們?nèi)绾瓮ㄟ^深度推理推動科學(xué)研究。

OpenAI 認為：隨著模型推理與知識能力的持續(xù)擴展，我們需要更強大的基準(zhǔn)來量化和預(yù)測模型加速科研的潛力?，F(xiàn)有科學(xué)基準(zhǔn)多聚焦選擇題、已達性能飽和或未以科學(xué)能力為核心評估維度。

為填補這一空白，OpenAI 推出 FrontierScience：一個專為評估專家級科學(xué)能力構(gòu)建的新基準(zhǔn)。該基準(zhǔn)由物理學(xué)、化學(xué)和生物學(xué)領(lǐng)域的專家編寫驗證，包含數(shù)百道兼具難度、原創(chuàng)性與實質(zhì)意義的題目。

研究論文：https://cdn.openai.com/pdf/2fcd284c-b468-4c21-8ee0-7a783933efcc/frontierscience-paper.pdf

FrontierScience 設(shè)有兩個賽道：衡量奧林匹克式科學(xué)推理能力的奧賽賽道（FrontierScience-Olympiad），以及評估真實世界科研能力的研究賽道（FrontierScience-Research）。在初步評估中，GPT-5.2 在 FrontierScience - 奧賽賽道（得分 77%）和研究賽道（得分 25%）均領(lǐng)先于其他前沿模型。

FrontierScience 的評估維度與構(gòu)建方法

完整的 FrontierScience 評估包含 700 余道文本問題（其中 160 道構(gòu)成黃金標(biāo)準(zhǔn)集），涵蓋物理、化學(xué)和生物學(xué)。

FrontierScience - 奧賽賽道包含 100 道由國際奧賽獎牌得主設(shè)計的題目，通過約束性簡答形式評估科學(xué)推理能力，其理論問題難度不低于國際奧賽競賽題。

FrontierScience - 奧賽賽道化學(xué)題目示例

FrontierScience - 奧賽賽道物理題目示例

FrontierScience - 奧賽賽道生物題目示例

FrontierScience - 研究賽道包含 60 項由博士科學(xué)家設(shè)計的原創(chuàng)研究子任務(wù)，采用 10 分制評分標(biāo)準(zhǔn)。研究賽道旨在構(gòu)建具有獨立性、多步驟的研究子任務(wù)，其難度相當(dāng)于博士科學(xué)家在科研中可能遇到的挑戰(zhàn)。

FrontierScience - 研究賽道化學(xué)題目示例

FrontierScience - 研究賽道物理題目示例

FrontierScience - 研究賽道生物題目示例

奧賽題集采用簡答評分模式：答案以數(shù)字、表達式或模糊字符串匹配形式呈現(xiàn)，便于驗證準(zhǔn)確性。但這種驗證方式往往限制了問題的表達張力與開放程度。針對研究題集，F(xiàn)rontierScience 引入基于量規(guī)的評估架構(gòu)以應(yīng)對開放性任務(wù)。每道題目均配備包含多個獨立且可客觀評估條目的評分量規(guī)，總分 10 分。該量規(guī)不僅考察最終答案的準(zhǔn)確性，更關(guān)注推理步驟的正確性，從而支持對模型表現(xiàn)與失誤的細致分析。若模型獲得至少 7/10 的量規(guī)分值，即判定其解答「正確」。

模型表現(xiàn)

OpenAI 在 FrontierScience 上對多款前沿模型進行了評估：GPT?5.2、Claude Opus 4.5、Gemini 3 Pro、GPT?4o、OpenAI o4-mini 以及 OpenAI o3。

除 GPT?5.2 采用「極高」推理強度外，其余推理模型均以「高」推理強度運行。初步評估顯示，GPT?5.2 在兩個測試集中表現(xiàn)最優(yōu)：奧賽題集得分 77%，研究題集得分 25%，均領(lǐng)先于其他前沿模型。

值得注意的是，Gemini 3 Pro 在奧賽題集上與 GPT?5.2 表現(xiàn)相當(dāng)（得分 76%）。

評估表明：當(dāng)前模型在解答專家級問題 —— 尤其是開放式研究型任務(wù) —— 方面已取得顯著進展，但仍有提升空間。通過對錯誤案例的分析，OpenAI 發(fā)現(xiàn)前沿模型存在以下問題：推理邏輯與計算錯誤、對專業(yè)科學(xué)概念理解不足，以及事實性表述不準(zhǔn)確。

局限性與未來方向

盡管 FrontierScience 在科學(xué)基準(zhǔn)測試難度上邁進了一步，但仍存在諸多局限。例如，該測試集由問題陳述受限的題目構(gòu)成。

FrontierScience 雖能對模型在專家級難題上的推理能力提供更精細的評估，但尚不能完整反映實際科研工作的全貌，尤其是未能覆蓋科學(xué)研究的關(guān)鍵環(huán)節(jié)，例如，模型如何生成真正新穎的假設(shè)、如何處理現(xiàn)實實驗系統(tǒng)等多模態(tài)信息交互。

展望未來，OpenAI 預(yù)期科學(xué)推理能力的進步將來源于兩方面：更強大的通用推理系統(tǒng)，以及對科學(xué)專項能力的針對性提升。FrontierScience 等基準(zhǔn)測試有助于我們洞察當(dāng)前 AI 系統(tǒng)的薄弱環(huán)節(jié)，從而引導(dǎo)開發(fā)者著力打造能在科學(xué)探索中成為可靠伙伴的模型。

參考內(nèi)容：https://openai.com/index/frontierscience/