该团队测试了市售的 AI 智能体，并且没有给它们任何人工提示。在 OpenAI 的 Codex 编程环境中运行的 GPT-6-Astra 拔得头筹。它在 50 道题中答对了 49 道，正确率 98%，平均每道题成本不到 3 美元，整个基准测试总成本略低于 116 美元。

该基准测试考查的是常规研究工作，而非重大挑战

该题集刻意排除了重大未解问题，聚焦于作者所称的“按部就班”型问题，即研究人员将已知方法应用于稍作修改的问题。贡献者往往会对他们自己近期某篇论文中的计算改动几个数值，使新结果无法从旧结果中猜出。据研究人员称，这类问题常被交给博士生，作为进入研究领域的第一步。

一个来自黑洞研究的例子显示了这些问题仍然有多高的难度。解决它意味着要找到一篇较早的论文，把其中的方程从五维时空搬到四维时空，然后用一个自制程序计算结果。协调人 Suvrat Raju 是那篇较早论文的合著者，他花了大约一天时间。作者估计，在现代智能体出现之前，只有少数专家同时具备这些物理知识和使用这些计算方法的经验。即便是他们，也需要好几天。

这些问题横跨理论物理的十一个子领域，从流体流动、生物过程到粒子物理和宇宙学。每个智能体都运行了两次测试，一次是在有网络搜索的现实条件下，一次是在没有互联网接入的隔离环境中。

Anthropic 的 Opus 5.5 在 Claude Code 中运行，以 92% 的成绩位列第二。Google 的 Gemini 3.8 Flash 得分 68%，而开源权重模型 DeepSeek-V4.1-Flash 和 GLM 5.3 分别达到 54% 和 42%。较弱的模型有时会犯下专家一眼就能看出的错误。在黑洞那道题上，Gemini 和 GLM 在网络搜索运行中直接照搬了那篇较早论文中的公式，未作改动。那些公式适用于五维，而非所需的四维。

联网带来的差异小得惊人。在没有网络搜索的情况下，Astra 和 Opus 各得 92 分。许多问题依赖于研究论文中的公式，而模型通常并未见过这些论文。作者将此视为一个迹象，表明领先的语言模型实际上已经记住了理论物理学文献的很大一部分。

在使用网络搜索的情况下，Astra 解出了所有问题，只有一个问题难倒了所有模型。它要求给出一个能产生给定曲线的方程。专家的解法依赖于一些特殊的数学形式，这些形式只有在更宽泛的意义上才算作所需的微分方程。作者承认这个问题可能看起来“不公平”，但他们认为它是现实的，因为研究人员常常不得不从不精确的数据中推断出背后的物理原理。

若干 AI 的失误其实是答案本身有错

对于若干问题，与专家进一步核对后发现，他们的参考答案中存在细微且难以察觉的错误。一旦修正这些错误，Astra 的答案每次都是正确的。

这一模式也可以解释一个表面上的矛盾。这些智能体在 TheoPhysEval 上的表现好于在其他一些物理基准测试上，例如CritPt，尽管作者认为他们自己的问题平均而言更难。一项近期研究发现，一些理论物理基准测试的评分有误，在某些情况下严重低估了模型的能力。

任何想核查结果的人都可以下载这些问题和测试设置，作为一个数据集在 Hugging Face 上获取。

为什么强大的计算能力尚未带来物理学突破

作者写道，当前一些最强的模型在具体计算上可能已经超越了最优秀的人类研究者，即便是在专业领域也是如此。他们称这是一个重大里程碑。

他们指出，这种影响在数学领域更为明显，AI 智能体已经在那里解决了重要的未解问题。据OpenAI称，这包括关于描述流体流动方程的 Navier-Stokes 问题，它是著名的千禧年大奖难题之一。理论物理学尚未出现可比的突破。

作者解释说，只有到了研究过程的最后，才会出现一个结果可验证的具体计算。在此之前，必须有人先建立一套理论，并向它提出“正确”的问题。当一个问题被证明太难时，优秀的研究者会转向一个更简单但同样有趣的相关问题。当前的智能体并不擅长这一点。

物理学家还共享一种关于什么问题才算有趣的共识——尽管远非完全一致。智能体似乎还不具备这种“品味”。当被要求设计新问题时，它们会迷失在人类会觉得无聊的细节中。

研究人员强调，这些观察无法量化，也不是对 AI 发展方向的预测。他们认为 AI 智能体可能在不久的将来独立完成顶级研究，但这需要的不仅仅是解决问题的能力。

AI 已经在改变物理学家如何训练，以及谁能够参与竞争

作者已经看到了对训练的影响。直到最近，一些基准测试问题本可以很好地作为早期职业研究者的第一个研究项目。如今这已不再合适，除非目标明确只是把材料过一遍。

他们还指出了一个结构性问题：理论物理学在历史上所需的资金远少于实验研究，这使该领域的机会相对平等。有能力的 AI 智能体可能会改变这一点。基准测试问题目前解决起来仍然便宜，Astra 的完整运行成本约为 116 美元。不过对于更难的问题，作者预计资源需求会急剧上升。到那时，一个研究团队的预算可能会对其能取得什么成果有更大的话语权，即便在理论物理学中也是如此。作者表示，这引发了关于该领域获取机会和机会平等的问题。

数学界已经在进行这些辩论，例如围绕Leiden Declaration。作者认为，在 AI 颠覆该领域之前，理论物理学也应该展开这些辩论。至少物理学中的一个思想流派迄今一直敦促研究人员“闭嘴，去计算”。如果品味和远见开始变得更加重要，物理学家或许需要转而“停下来思考”。