FrontierPhysics基准：没有AI模型在168次研究任务运行中通过超过46次

为何重要

FrontierPhysics要求智能体完成端到端物理研究任务，而非测验式答题。据arXiv预印本，168次运行中没有模型通过超过46项。这表明现有智能体即便在短基准上表现好，仍难胜任长科学流程。该文属于更难科学评测浪潮。关注后续榜单、哪些实验室尝试，以及带工具的智能体能否缩小差距。