AI 代理解未發表理論物理難題 GPT-6-Astra 答對 98%

50 條未發表的物理難題

一個由 35 名物理學家組成的團隊在 10 月 9 日於 arXiv 發表論文，公開 TheoPhysEval 測試集：50 條研究級理論物理題目，全部未在文獻中發表，答案可以驗證。論文指，一名該領域的世界級專家一般用一天或更短時間可以解出一題，相鄰領域的專家則要花更長時間。作者包括國際理論科學中心（ICTS）的 Suvrat Raju，以及 Google DeepMind 的 Praneeth Netrapalli。

題目由各領域專家提供，橫跨 11 個主題，包括量子場論、引力與宇宙學、全息與糾纏、散射振幅和量子物態等。不少題目改編自出題者近期的論文，只是更換了參數；也有些來自未發表的研究筆記。

最好的代理答對 49 題

研究人員讓現成的 AI 代理在不給提示的情況下自行解題，並容許它們搜尋文獻和撰寫數值及符號運算程式。表現最好的是在 Codex 上運行的 OpenAI GPT-6-Astra，50 題答對 49 題，準確率 98%，平均每題成本約 2.33 美元。在 Claude Code 上運行的 Anthropic Opus 5.5 答對 46 題，準確率 92%。

其他代理落後得多：Gemini 3.8 Flash 答對 34 題，DeepSeek-V4.1-Flash 答對 27 題，GLM 5.3 答對 21 題。

不准上網，分數幾乎不變

研究人員再做一輪測試，不准代理上網搜尋，也不提供背景論文。GPT-6-Astra 仍答對 46 題，Opus 5.5 同樣是 46 題。論文認為這顯示模型已大量記住相關文獻。

會計算，但不懂選題

論文也嘗試解釋，為何代理解題能力這麼強，至今理論物理領域卻仍未出現由 AI 帶領的突破。作者指，解題只是物理研究的一部分，研究者還要挑選問題，並把問題轉化成計算。他們寫道，代理「似乎沒有同樣的品味」：被要求自行出題時，往往執著於人類覺得無趣的細節；原本的題目太難時，也不擅長轉向一個較簡單但同樣有意思的問題。因此作者認為，暫時仍要由人類專家為代理定下研究方向。

來源

• arXiv: TheoPhysEval: Assessing AI agents at autonomous theoretical physics problem solving (2026-10-09)