arXiv 自然语言处理· Qituan Zhang, Guo Chen, Linfeng Zhang, Wenlong Zhang·· 10 小时前AI 评分39
PHYRD：面向复现与拓展理论物理研究的动态评测基准
PHYRD: A Living Benchmark for Reproducing and Extending Theoretical Physics Research
AI 导读
理论物理推理评测基准 PHYRD 正式推出，包含 63 个推导复现题与 43 个条件拓展题，五款模型全题准确率分别在 49.21% 至 68.25% 和 18.60% 至 74.42% 之间。用于构建任务的 FormulaForest 还可作为合成数据，在 OpenAI 的 FrontierScience 评测中将 Qwen-35B-A3B 准确率从 61% 提升至 72%。
来源：arXiv 自然语言处理 · arxiv.org