本項(xiàng)目由北京大學(xué)物理學(xué)院朱華星老師、曹慶宏副院長統(tǒng)籌指導(dǎo)。基準(zhǔn)設(shè)計(jì)、項(xiàng)目管理以及數(shù)據(jù)整合的主要工作由學(xué)生核心團(tuán)隊(duì)完成，核心成員包括仇是、郭紹陽、宋卓洋、孫韞博、蔡則宇、衛(wèi)家燊、羅天宇等。項(xiàng)目還得到了北京計(jì)算科學(xué)研究中心羅民興院士和人工智能研究院張牧涵老師的鼎力支持。

PHYBench 項(xiàng)目匯聚了來自物理學(xué)院及兄弟院系的 200 余名學(xué)生，共同承擔(dān)題目編寫、審核及人類基準(zhǔn)測試等工作。這支高水平的參與者團(tuán)隊(duì)中，包含至少 50 位全國中學(xué)生物理競賽金牌得主，更有亞洲物理奧賽和國際物理奧賽的金牌獲得者。這場大規(guī)模、高質(zhì)量的協(xié)作，不僅充分展現(xiàn)了北大學(xué)子深厚的學(xué)術(shù)功底和卓越的組織協(xié)調(diào)能力，也為 PHYBench 產(chǎn)出高質(zhì)量成果提供了堅(jiān)實(shí)保障。

在大語言模型（LLMs）飛速發(fā)展的當(dāng)下，模型的推理能力儼然成為模型能力的代名詞。OpenAI 的 o 系列、DeepSeek R1 等前沿模型相繼發(fā)布，這些大模型憑借強(qiáng)化學(xué)習(xí)技術(shù)的助力，在許多科學(xué)評測基準(zhǔn)上頻頻刷新紀(jì)錄，甚至聲稱 “超越人類專家”。

但是，隨著模型能力和評測基準(zhǔn)的軍備競賽白熱化，越來越多的基準(zhǔn)不得不轉(zhuǎn)向生僻的知識點(diǎn)、或者抽象的數(shù)學(xué)競賽題。這些題目雖然能 “區(qū)分” 模型，但是逐漸脫離實(shí)際場景，可能難以真正反映模型的實(shí)際表現(xiàn)。

近日，北京大學(xué)物理學(xué)院聯(lián)合人工智能研究院等多個(gè)院系，推出了全新評測基準(zhǔn) PHYBench。PHYBench 包含 500 道經(jīng)過精心設(shè)計(jì)的高質(zhì)量物理題（如圖 1），難度橫跨高中物理、大學(xué)物理以及物理奧林匹克競賽。這些題目以真實(shí)的物理場景為基礎(chǔ)，對人類來說并不抽象，卻把一眾大模型考得七零八落。大模型在解決物理題時(shí)的思維鏈也暴露了它們在感知（Perception）和推理（Reasoning）能力上的缺陷。

• 論文鏈接：https://arxiv.org/abs/2504.16074
• 項(xiàng)目網(wǎng)址：https://phybench-official.github.io/phybench-demo/
• 數(shù)據(jù)集：https://huggingface.co/datasets/Eureka-Lab/PHYBench

也許，物理才是最適合考察 AI 推理能力的學(xué)科？PHYBench 的嘗試為評估大模型真正有效的推理能力提供了全新的工具和視角。

圖 1：題目樣例與兩種評估方法：表達(dá)式樹編輯距離、正確率。

表 1：與現(xiàn)有 benchmark 對比，PHYBench 在高難度數(shù)據(jù)集中，有著相對大的規(guī)模，同時(shí)引入了創(chuàng)新的分?jǐn)?shù)度量：表達(dá)式樹編輯距離。

評測方法創(chuàng)新

表達(dá)式樹編輯距離（EED Score） 

傳統(tǒng)基準(zhǔn)通常依賴 Accuracy 這一單一指標(biāo)：設(shè)置唯一正確答案，模型只有在完全匹配時(shí)才能得分。為了方便評分，問答題通常被改寫成選擇題或要求代入數(shù)值。這樣會(huì)導(dǎo)致答案的信息量被嚴(yán)重壓縮，而且給出過多條件可能導(dǎo)致模型 “根據(jù)選項(xiàng)猜過程”，或者缺乏使用解析表達(dá)式表達(dá)普適關(guān)系的能力。同時(shí)在高難度的樣本上，0/1 打分會(huì)使得所有模型在分?jǐn)?shù)層面都被歸零，強(qiáng)弱差異無從體現(xiàn)。

EED Score（Expression?tree Edit Distance）帶來了更貼近人類閱卷的方案。它將數(shù)學(xué)表達(dá)式解析成表達(dá)式樹，再計(jì)算模型答案與參考答案之間的編輯距離：樹的結(jié)構(gòu)越接近，得分越高。這一機(jī)制輸出的是連續(xù)、細(xì)粒度的分?jǐn)?shù)，能在更多題目上顯示區(qū)分度，顯著提高了統(tǒng)計(jì)效力。

實(shí)驗(yàn)表明，采用 EED Score 的 500 題，其區(qū)分能力相當(dāng)于 1500 道使用 0/1 Accuracy 的題目。上圖（圖 1）展示了同一道題三種不同答案在 Accuracy 與 EED Score 下的對比：前者只能給出 “全錯(cuò) / 全對” 的粗糙評價(jià)，而后者則定量刻畫了模型解答與正確答案之間的 “距離”。

實(shí)驗(yàn)結(jié)果

前沿模型與人類專家的差距

PHYBench 團(tuán)隊(duì)招募了 81 名北大學(xué)子，在 3 小時(shí)時(shí)限內(nèi)做 8 道題目，與最先進(jìn)的 AI 模型展開了一場 "人機(jī)大戰(zhàn)"。

結(jié)果顯示，即使是最強(qiáng)的 Gemini 2.5 pro，也只能答對 36.9% 的題目，EED 評分 49.5%。而 “人類專家” 們則輕松碾壓，平均正確率高達(dá) 61.9%，EED 評分高達(dá) 70.5%。 排名前 25% 的受試者更是達(dá)到了 71.4% 的正確率 —— 幾乎是最強(qiáng) AI 的兩倍。其他模型與人類的差距則更為顯著。這一顯著差距揭示了現(xiàn)階段 LLM 在在物理推理場景中的瓶頸。

PHYBench 對模型的能力也進(jìn)行了細(xì)粒度的對比。可以看到，Gemini 2.5 pro、o3 等強(qiáng)推理模型雖然和人類還有較大差距，但是相比前代推理模型已經(jīng)有了明顯的進(jìn)步。DeepSeek-V3 等基座模型雖未能超越主流推理模型，但也展現(xiàn)出了亮眼的成績。QwQ-32B 和 DeepSeek32B 蒸餾模型等小型推理模型在 PHYBench 上的表現(xiàn)很令人失望，這可能歸因于其物理感知能力的不足。

基于思維鏈的錯(cuò)因分析：PP × RR

PHYBench 團(tuán)隊(duì)對模型的錯(cuò)誤進(jìn)行了系統(tǒng)性總結(jié)分析，將模型的推理過程和推理能力劃分為了兩個(gè)關(guān)鍵模塊：物理感知（Physical Perception，PP）和魯棒推理（Robust Reasoning，RR）：

• 物理感知（PP）：在此階段，模型進(jìn)行密集的文字推理，模型需要識別問題相關(guān)的物理對象、變量和動(dòng)力學(xué)關(guān)系，定性判斷哪些物理效應(yīng)是重要的，哪些可以忽略不計(jì)。若 PP 出錯(cuò)，后續(xù)整個(gè)推理都會(huì)偏離軌道。（示例 1 展示典型 PP 失誤）
• 魯棒推理（RR）：在此階段，模型寫下大量的 “草稿”，一步步化簡表達(dá)式，解方程。現(xiàn)階段的推理模型在此階段的推理效率尚不高，“草稿” 長度遠(yuǎn)長于人類，而且經(jīng)常犯 “低級錯(cuò)誤”。（示例 2 展示典型 RR 失誤）

PP 和 RR 交替進(jìn)行，組成了典型的物理解題思維鏈。

未來展望

推動(dòng) AI 的物理理解與推理能力發(fā)展

PHYBench 的愿景遠(yuǎn)不止于 “評測”，更在于 “引領(lǐng)” AI 探索物理世界的無限可能。

PHYBench 的發(fā)布，不僅為評估大語言模型在物理感知與推理方面的能力提供了一個(gè)全新且權(quán)威的基準(zhǔn)，更為未來 AI 系統(tǒng)的發(fā)展指明了攻堅(jiān)方向。我們精心設(shè)計(jì)的真實(shí)、復(fù)雜的物理場景，旨在深度激發(fā)并驗(yàn)證 AI 理解世界并進(jìn)行可靠推理的能力，推動(dòng) AI 系統(tǒng)真正實(shí)現(xiàn)對世界的認(rèn)知、融入與變革。

面向未來，PHYBench 團(tuán)隊(duì)將持續(xù)致力于數(shù)據(jù)集的拓展與創(chuàng)新，計(jì)劃納入更多前沿物理課題、跨學(xué)科交叉內(nèi)容，甚至挑戰(zhàn)人類尚未解開的科學(xué)謎題。我們相信，通過提供更具深度和廣度的物理挑戰(zhàn)，PHYBench 將有力催化 AI 向著突破認(rèn)知邊界、探索未知領(lǐng)域的 “智能伙伴” 或 “超級助手” 發(fā)展。