Mô hình AI hàng đầu giỏi Vật lý đến đâu? Nghiên cứu mới chỉ ra các bài kiểm tra hiện hành đang đánh giá sai

Một nghiên cứu trên arXiv với sự tham gia của hơn 50 tác giả đã rà soát lại sáu bộ benchmark Vật lý phổ biến và phát hiện phần lớn câu trả lời bị chấm sai đến từ lỗi của đề bài hoặc đáp án tham chiếu, chứ không phải do mô hình suy luận kém. Sau khi hiệu chỉnh, điểm của GPT-5.6-Sol tăng vọt, cho thấy các mô hình hàng đầu đang tiến gần mức bão hòa trên những bài kiểm tra Vật lý hiện có.