GPT-5全面领先，OpenAI发布FrontierScience，「推理+科研」双轨检验大模型能力
💡
原文中文，约3600字，阅读约需9分钟。
📝
内容提要
OpenAI推出FrontierScience基准测试，评估AI在科学推理和研究中的能力。GPT-5.2表现优异，但在复杂科研任务上仍有不足。该测试强调原创性和专家参与，为AI改进提供新参考。
🎯
关键要点
- OpenAI推出FrontierScience基准测试，旨在评估AI在科学推理和研究中的能力。
- GPT-5.2在FrontierScience-Olympiad和Research任务中表现优异，但在复杂科研任务上仍有不足。
- FrontierScience测试强调原创性和专家参与，提供了新的AI改进参考。
- 该基准测试由物理、化学和生物学领域的专家编写，包含奥林匹克题型和研究类题型。
- FrontierScience-Research包含60道原创研究子任务，难度与博士科研过程相当。
- OpenAI指出FrontierScience具有局限性，无法涵盖科学家日常工作的全部内容。
- 研究团队构建了FrontierScience评测数据集，用于系统性评估大模型在科学推理与科研子任务中的能力。
- 数据集分为Olympiad和Research两个子集，分别对应封闭式精确推理与开放式科研推理能力。
- 评测任务采用严格的评测流程和评分机制，确保模型输出仅基于内部知识和推理能力。
- 在Olympiad子集上，多数前沿模型得分较高，但在Research子集上表现明显偏低。
- OpenAI强调FrontierScience为后续模型改进和科学智能研究提供了新的参照坐标。
❓
延伸问答
FrontierScience基准测试的主要目的是什么？
FrontierScience基准测试旨在评估AI在科学推理和研究中的能力。
GPT-5.2在FrontierScience测试中的表现如何？
GPT-5.2在FrontierScience-Olympiad和Research任务中分别得分25%和77%，表现优异。
FrontierScience测试的局限性是什么？
FrontierScience具有范围较窄的局限性，无法涵盖科学家日常工作的全部内容。
FrontierScience数据集是如何构建的？
FrontierScience数据集由专家原创设计，包含Olympiad和Research两个子集，旨在系统性评估大模型的能力。
FrontierScience-Olympiad和Research子集有什么区别？
Olympiad子集侧重封闭式精确推理，Research子集模拟真实科研过程，包含更开放的问题。
OpenAI对FrontierScience的未来发展有什么看法？
OpenAI认为FrontierScience为后续模型改进和科学智能研究提供了新的参照坐标，强调原创性和专家参与。
➡️
