OpenAI 推出科学基准 FrontierScience：测物理化学生物，开源 160 道难题

两年前，专门用来难倒大模型的博士级科学基准 GPQA 刚出来时，GPT-4 只能考 39 分，连人类专家 70 分的及格线都摸不到。到了 GPT-5.2，这个分数已经被刷到了 92 分。

老考卷基本被刷爆了，OpenAI 只能自己重新出一套更难的考卷。12 月 16 日，OpenAI 正式发布了专为物理、化学、生物学设计的专家级推理基准 FrontierScience。

这套基准的目的很明确：不再测那些死记硬背的选择题，而是看看 AI 到底能不能帮人类科学家搞科研。

奥赛压轴题与博士的真实课题

FrontierScience 总共包含 700 多道题目，OpenAI 开源了其中的 160 道黄金测试集，其余题目封存起来防止模型刷题污染。

整个测试集被清晰地切成了两条赛道：Olympiad 和 Research。

Olympiad 赛道包含 100 道题，题目全部由 42 位国际奥赛奖牌得主和国家队教练操刀，这群出题人手里总共握着 109 枚国际奖牌。这些题目都是高难度的短答题，难度至少对标国际奥赛竞赛题，答案可以用数值或表达式直接校对。

Research 赛道则更贴近真实的实验室日常。45 位在读博士、博士后和教授设计了 60 个多步骤的子任务，涵盖量子电动力学、有机合成化学到演化生物学等专业领域。

为了给开放度极高的科研任务打分，OpenAI 引入了一套 10 分制的评分量表，不仅看最终结论，还要逐项检查中间推导步骤，拿到 7 分以上才算答对。因为人类专家不可能挨个去批改海量答案，这些评分量表最终交由 GPT-5 模型来担任阅卷老师。

搞竞赛拔尖，进实验室抓瞎

测试结果展现出非常剧烈的反差。

在以结构化推理为主的 Olympiad 赛道上，顶尖大模型已经游刃有余。GPT-5.2 跑出了 77% 的高分，Gemini 3 Pro 也紧咬在后，拿到了 76%。

但一进到真实的 Research 赛道，所有模型立刻现了原形。成绩最好的 GPT-5.2 在极高推理算力下，得分也仅有 25%。

通过对模型做题记录的复盘，OpenAI 发现即使是最聪明的前沿模型，在处理多步骤长链条的真实科研问题时，依然会犯低级的逻辑漏洞、出现基础计算错误、对小众学术概念理解偏差，甚至直接编造事实。

测试阵容还包括了 Claude Opus 4.5、OpenAI o3 以及 o4-mini 等模型，但无一例外，面对开放式的科研推导，大家都还有巨大的差距。

为什么重要

在用户价值层面，这项测试给科研人员泼了一盆恰到好处的冷水，也指明了工具的边界。如果你从事基础科学研究，现在的顶尖模型完全可以充当高水平的数理推导助理，替你推导几个复杂的数学证明、跨语言跨学科梳理文献，把原本几天的工作压缩进几小时；但指望它像博士生一样独立接手一个研究子课题，目前看成功率只有四分之一，人工的方案设计与反复核验依然不可或缺。

从行业竞争来看，以往各家大厂拿来宣传的科学基准已经全面饱和，甚至沦为了刷榜玩具。OpenAI 推出 FrontierScience，实际上是在把大模型竞赛的战场从做选择题，强行拉入高门槛的专业推理与长步骤解决问题能力。这会逼着 Google、Anthropic 等对手不得不把后训练的重点，从通识问答进一步转向硬核科研逻辑。

我们认为，OpenAI 这种把解题与真实科研拆成两条线的做法非常清醒，它承认了模型在封闭约束下是天才、在开放世界里是新手的现状。但这里也有一个隐患：让 GPT-5 来给其他模型在 Research 赛道里的步骤打分，虽然解决了人工批改的成本问题，但在缺乏物理实体验证的前提下，评分员自身的认知偏见很可能会反向误导评估结果。毕竟真正的科学突破从来不是靠在预设的评分表上拿满分，而是在物理世界里做出前所未有的发现。