# 顶尖模型物理其实不差，是考题和评分标准本身出了大问题

> 原标题：How good are frontier models at physics?

- 来源：Hacker News 首页
- 发布时间：2026-09-16T19:19:08.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/56934
- 原文：https://arxiv.org/abs/2609.13009

## 摘要

arXiv 论文对六个常用物理基准做专家重评，发现多数被判错的案例源于评分错误、参考答案错误或题目表述不清，而非模型物理推理出错。

## 推荐理由

耶鲁等机构的研究者请物理专家重评六个常用物理基准，发现多数判错案例源于评分程序、参考答案或题目表述问题，而非模型推理出错。

## 锐评

47.3% 跳到 78.7%，涨的这 31 个点跟模型能力一点关系都没有，全是评分和参考答案的锅。HLE-Physics 这种被拿来排座次的榜，错判率能到三成，那之前所有"模型物理不行"的结论都得重看。做 benchmark 的人该脸红，出题、写参考答案、写评分脚本，三样里错一样，整个榜就废了。我自己的判断是这类专家重评会越来越多，凡是靠自动评分跑出来的分数，先看它有没有人工抽检过，没有就当参考值看。
