OpenAI在2025年12月16日發(fā)布了一套新基準(zhǔn)FrontierScience，用來衡量AI在物理、化學(xué)、生物三門學(xué)科里，能否做到接近專家水準(zhǔn)的科學(xué)推理，而不只是背知識(shí)點(diǎn)。
OpenAI在文中把科學(xué)工作描述成一套更接近「持續(xù)試錯(cuò)」的流程。
提出假設(shè)，設(shè)計(jì)驗(yàn)證，推翻再重來，還要把不同領(lǐng)域的線索拼成同一張圖。
模型越強(qiáng)，問題就越尖銳，AI能不能把這種深推理用到真正的科研推進(jìn)上。
OpenAI提到，過去一年他們的系統(tǒng)在國際數(shù)學(xué)奧林匹克和國際信息學(xué)奧林匹克上達(dá)到了金牌級(jí)表現(xiàn)，同時(shí)更重要的變化發(fā)生在實(shí)驗(yàn)室和辦公室里。
研究者開始拿這些模型做跨學(xué)科文獻(xiàn)檢索，跨語言讀論文，也拿它們?nèi)ネ茝?fù)雜證明。
有些原本要耗掉幾天甚至幾周的工作，被壓到幾小時(shí)就能跑完一輪。
為什么需要FrontierScience？OpenAI給了一個(gè)對(duì)比。
2023年11月，GPQA這個(gè)由博士專家撰寫、強(qiáng)調(diào)「谷歌搜不到」的科學(xué)題庫發(fā)布時(shí)，GPT-4只拿到39%，低于專家基線74%。
兩年后，GPT-5.2在同一基準(zhǔn)上拿到92%。
當(dāng)舊題庫逐漸被刷穿，新的尺子就必須更長，否則你看不出模型還能往哪里發(fā)展。
FrontierScience的設(shè)計(jì)更像是給模型丟進(jìn)兩種不同的「科學(xué)難關(guān)」。
一類偏競(jìng)賽風(fēng)格，考你在約束條件下把推理做到干凈利落。
物理競(jìng)賽題示例
另一類更貼近研究現(xiàn)場(chǎng)，要求你在開放問題里把思路走通，哪怕沒有標(biāo)準(zhǔn)答案那么工整。
物理科研問題示例
這套評(píng)測(cè)總量超過700道文本型題目，其中160道屬于「黃金組」（Gold Set）題目。
競(jìng)賽賽道有100道題，強(qiáng)調(diào)短答案形式，便于核驗(yàn)對(duì)錯(cuò)。
研究賽道有60個(gè)原創(chuàng)研究子任務(wù)，由博士階段或更資深的研究者設(shè)計(jì)，用10分制評(píng)分，拿到至少7分才算通過。
題目質(zhì)量是有充足保障的：
競(jìng)賽賽道和42位前國際獎(jiǎng)牌得主或國家隊(duì)教練合作，總計(jì)109枚奧賽獎(jiǎng)牌；
研究賽道由45位合格科學(xué)家與領(lǐng)域?qū)＜覅⑴c，覆蓋從量子電動(dòng)力學(xué)到合成有機(jī)化學(xué)，再到進(jìn)化生物學(xué)等細(xì)分方向。
OpenAI還承認(rèn)了一個(gè)不那么「中立」的細(xì)節(jié)。
兩套題在制作流程里會(huì)刻意淘汰OpenAI自家內(nèi)部模型已經(jīng)能答對(duì)的題，因此這套評(píng)測(cè)對(duì)OpenAI自家模型可能更苛刻一些。
與此同時(shí)，他們開源了兩套賽道的「黃金組」題目，其余題目保留，用來追蹤數(shù)據(jù)污染。
OpenAI說，短答案適合機(jī)器判定，但研究型任務(wù)需要更細(xì)顆粒度的量表，于是他們用GPT-5充當(dāng)模型判卷員，對(duì)照短答案逐項(xiàng)打分。
理想狀態(tài)是請(qǐng)專家逐題批改，現(xiàn)實(shí)是規(guī)模不允許，于是規(guī)則被設(shè)計(jì)成盡量客觀且可被模型檢查，并配了驗(yàn)證流程來校準(zhǔn)難度與正確性。
成績單上，OpenAI給出了一輪初測(cè)對(duì)比。
他們?cè)u(píng)測(cè)了GPT-5.2、Claude Opus 4.5、Gemini 3 Pro、GPT-4o、OpenAI o4-mini、OpenAI o3等模型。OpenAI表示，GPT-5.2在競(jìng)賽題上得分77%，在研究題上得分25%，目前領(lǐng)先；Gemini 3 Pro在競(jìng)賽題上拿到76%，緊跟其后。
更值得注意的是失敗原因。
OpenAI從答題記錄里總結(jié)，前沿模型仍會(huì)犯推理、邏輯和計(jì)算錯(cuò)誤，會(huì)卡在冷門概念上，也會(huì)出現(xiàn)事實(shí)性偏差。
另一個(gè)很樸素的觀察也被寫進(jìn)正文：模型想得更久，準(zhǔn)確率往往更高。
OpenAI對(duì)FrontierScience的邊界也直言不諱。
它把科研切成可控的題目，這讓評(píng)測(cè)更標(biāo)準(zhǔn)化，但也意味著它更像一張高清截圖，而不是科研的全景紀(jì)錄片。
尤其是它不評(píng)估模型能否提出真正新穎的假設(shè)，也不覆蓋它與多模態(tài)數(shù)據(jù)和現(xiàn)實(shí)實(shí)驗(yàn)系統(tǒng)打交道的能力。
接下來，OpenAI計(jì)劃迭代題庫、擴(kuò)展領(lǐng)域，并配套更多真實(shí)世界評(píng)估，看這些系統(tǒng)究竟讓科學(xué)家多做成了什么。
