OpenAI推出可衡量專家級科學推理能力的AI基準測試FrontierScience

OpenAI周二（12/16）發表全新研究基準FrontierScience，用於評估AI在物理、化學與生物等領域中，執行專家級科學推理與研究任務的能力。

OpenAI解釋，一項由博士級專家撰寫的科學基準GPQA在2023年11月推出時，GPT-4僅獲得39%的成績，低於人類專家70%的平均值，但2025年的GPT-5.2在GPQA已拿到92%。顯示出模型能力的快速進化，已使既有以選擇題為主、難度趨於飽和的科學評測，不足以用來衡量AI是否真能加速科學研究。

由物理、化學及生物領域專家撰寫並驗證的FrontierScience基準測試，包含了數百道具備高難度、原創性與實質意義的題目，它設計了兩種不同的測試方向，一是用來衡量奧林匹亞競賽風格之科學推理能力的Olympiad，它是由國際奧林匹亞競賽獎牌得主設計的短答題，用於評估模型在受限條件下，是否能進行精確、嚴謹且可驗證的科學推理。

二是衡量真實世界科學研究能力的Research，它由博士級研究人員設計，題型為多步驟、開放式研究任務，要求模型分析問題、展開推論並給出完整解釋，並透過10分制量表評估其推理過程與結論是否合理。

GPT-5.2在Olympiad的得分為77%，領先Gemini 3 Pro的76.1%、Claude Opus 4.5的71.4%與Grok 4的66.2%；在Research的得分為25%，大幅領先Claude Opus 4.5的17.5%、Grok 4的15.9%，以及Gemini 3 Pro的12.4%。對科學家而言，這代表現有模型已能支援研究中涉及結構化推理的部分，但在開放思考方面仍有大量改進空間。

OpenAI認為，衡量AI科學能力最重要的標準，應是它能促成多少全新的科學發現，FrontierScience並非最終驗證工具，用來在研究成果出現之前，檢視模型推理能力進展、辨識不足之處的評測基準，協助研究團隊確認模型是否朝正確方向發展。