GPT-6-Astra 以每个约 2.40 美元解出 50 道物理研究题中的 49 道

在 TheoPhysEval 基准上，GPT-6-Astra 以每个问题约 2.40 美元的成本，解决了 50 道未发表理论物理计算题中的 49 道，准确度与顶尖专家相当。部分看似失败之处，专家参考解本身被发现有误。研究人员认为物理领域尚未出现数学领域那样的突破，因为智能体缺乏“品味”，但判断自主的顶级 AI 研究可能很快到来，并已观察到对年轻物理学家培养和机会平等的影响。

此前 AI 在物理研究任务上的能力缺少可对照的公开评测。这次使用 50 道未发表题目，且部分专家参考解被检出错误，说明模型在部分高难计算上已接近专家水平，并首次把单题成本量化为约 2.40 美元，使“AI 参与物理研究”从演示走向可计价的评测结果。

TheoPhysEval 用未发表的理论物理计算题做封闭评测，避免训练数据泄漏；智能体以单题约 2.40 美元的成本产出解答，并由专家与参考解对照核验。研究者指出模型缺乏“品味”，即选题与判断哪条路径有价值的能力，因此能力集中在既定题目的求解环节，而非自主提出研究方向。

单题约 2.40 美元的定价让高难理论计算可作为按次付费的服务被核算，研发团队可把这类智能体接入计算验证与推导流程，替代部分人工重复推导。同时评测暴露专家参考解的错误，提示在流程中需要引入独立校验环节，而不是直接采信模型或人工任一方输出。

• 围绕 TheoPhysEval 这类未发表题目评测，搭建面向科研机构的按题计费求解与验证服务，并标注单题成本。
• 开发针对理论推导的交叉校验工具，自动比对智能体输出与专家参考解，标记双方可能出错的位置。
• 面向物理等学科的实验性培训产品，把智能体作为推导练习的对照方，同时保留人工判断选题方向的环节。

• TheoPhysEval 基准的具体题目构成、评分标准和专家人数尚未在证据中说明。
• 单题约 2.40 美元成本的计算口径（是否含多次采样、人工校验与算力）未明确。
• 研究人员所称智能体缺乏“品味”的具体判定依据，以及自主顶级 AI 研究“很快到来”的时间预期缺乏细节。
• 该结果是否经过独立第三方复现，目前仅见单一信源报道。