FrontierPhysicsベンチマーク：168回の研究タスク試行で46回超を通過したAIモデルはなし

なぜ重要か

FrontierPhysicsはクイズ型ではなく、端到端の物理研究タスクをエージェントに課す。arXivプレプリントによると、168回の実行で46タスク超をクリアしたモデルはなかった。短いベンチで高得点でも長い科学ワークフローではまだ失敗することを示す。より厳しい科学評価の潮流に位置づく。後続リーダーボード、挑むラボ、ツール利用エージェントが差を縮められるかが焦点だ。