物理基准塌了，AI评分还在刷——我们还在测对的东西吗？

物理基准已经塌了，但前沿模型的分数还在涨。这篇博文把问题摆得很直接：如果测试集本身不可靠，我们凭什么说GPT-5在物理学上进步了？我的判断是，当前物理领域的前沿模型评估存在系统性偏差——很多benchmark要么题目有漏洞，要么被模型过拟合了，要么压根没测到物理直觉的核心能力。一个能解微积分不等于理解物理。当我们还在用旧尺子量新东西时，那些漂亮分数不过是幻觉的精确复现。真正该问的问题是：你的模型在没见过的物理场景里，还能不能做对？如果连问题都设错了，答案再漂亮也没意义。

原文：Is Physics Dead: Broken benchmarks and re-evaluating frontier models in physics · 来源：Hacker News