OpenAI 推出科學基準 FrontierScience：測物理化學生物，開源 160 道難題

兩年前，專門用來難倒大模型的博士級科學基準 GPQA 剛出來時，GPT-4 只能考 39 分，連人類專家 70 分的及格線都摸不到。到了 GPT-5.2，這個分數已經被刷到了 92 分。

老考卷基本被刷爆了，OpenAI 只能自己重新出一套更難的考卷。12 月 16 日，OpenAI 正式釋出了專為物理、化學、生物學設計的專家級推理基準 FrontierScience。

這套基準的目的很明確：不再測那些死記硬背的選擇題，而是看看 AI 到底能不能幫人類科學家搞科研。

奧賽壓軸題與博士的真實課題

FrontierScience 總共包含 700 多道題目，OpenAI 開源了其中的 160 道黃金測試集，其餘題目封存起來防止模型刷題汙染。

整個測試集被清晰地切成了兩條賽道：Olympiad 和 Research。

Olympiad 賽道包含 100 道題，題目全部由 42 位國際奧賽獎牌得主和國家隊教練操刀，這群出題人手裡總共握著 109 枚國際獎牌。這些題目都是高難度的短答題，難度至少對標國際奧賽競賽題，答案可以用數值或表示式直接校對。

Research 賽道則更貼近真實的實驗室日常。45 位在讀博士、博士後和教授設計了 60 個多步驟的子任務，涵蓋量子電動力學、有機合成化學到演化生物學等專業領域。

為了給開放度極高的科研任務打分，OpenAI 引入了一套 10 分制的評分量表，不僅看最終結論，還要逐項檢查中間推導步驟，拿到 7 分以上才算答對。因為人類專家不可能挨個去批改海量答案，這些評分量表最終交由 GPT-5 模型來擔任閱卷老師。

搞競賽拔尖，進實驗室抓瞎

測試結果展現出非常劇烈的反差。

在以結構化推理為主的 Olympiad 賽道上，頂尖大模型已經遊刃有餘。GPT-5.2 跑出了 77% 的高分，Gemini 3 Pro 也緊咬在後，拿到了 76%。

但一進到真實的 Research 賽道，所有模型立刻現了原形。成績最好的 GPT-5.2 在極高推理算力下，得分也僅有 25%。

通過對模型做題記錄的復盤，OpenAI 發現即使是最聰明的前沿模型，在處理多步驟長鏈條的真實科研問題時，依然會犯低階的邏輯漏洞、出現基礎計算錯誤、對小眾學術概念理解偏差，甚至直接編造事實。

測試陣容還包括了 Claude Opus 4.5、OpenAI o3 以及 o4-mini 等模型，但無一例外，面對開放式的科研推導，大家都還有巨大的差距。

為什麼重要

在使用者價值層面，這項測試給科研人員潑了一盆恰到好處的冷水，也指明瞭工具的邊界。如果你從事基礎科學研究，現在的頂尖模型完全可以充當高水平的數理推導助理，替你推導幾個複雜的數學證明、跨語言跨學科梳理文獻，把原本幾天的工作壓縮排幾小時；但指望它像博士生一樣獨立接手一個研究子課題，目前看成功率只有四分之一，人工的方案設計與反覆核驗依然不可或缺。

從行業競爭來看，以往各家大廠拿來宣傳的科學基準已經全面飽和，甚至淪為了刷榜玩具。OpenAI 推出 FrontierScience，實際上是在把大模型競賽的戰場從做選擇題，強行拉入高門檻的專業推理與長步驟解決問題能力。這會逼著 Google、Anthropic 等對手不得不把後訓練的重點，從通識問答進一步轉向硬核科研邏輯。

我們認為，OpenAI 這種把解題與真實科研拆成兩條線的做法非常清醒，它承認了模型在封閉約束下是天才、在開放世界裡是新手的現狀。但這裡也有一個隱患：讓 GPT-5 來給其他模型在 Research 賽道里的步驟打分，雖然解決了人工批改的成本問題，但在缺乏物理實體驗證的前提下，評分員自身的認知偏見很可能會反向誤導評估結果。畢竟真正的科學突破從來不是靠在預設的評分表上拿滿分，而是在物理世界裡做出前所未有的發現。