当 AI 在数学竞赛上频频刷分之后，下一个被摆上考卷的是理论物理。
发生了什么
据 The Decoder 报道，在一个名为 TheoPhysEval 的基准测试中，GPT-6-Astra 解出了 50 道未发表的理论物理计算题中的 49 道，准确度与领域内顶尖专家相当，单题成本约 2.40 美元。
值得注意的是失败样本的处理方式：在部分看起来"做错"的题目上，研究人员比对后发现，专家给出的参考答案本身存在错误。也就是说，模型的"错误"未必是错误——这在此类基准评测中并不常见，它意味着评测的参照系本身需要重新校准。
但研究者并未给出乐观结论。他们明确表示，物理学还没有出现数学领域那样的突破，原因在于智能体缺乏"taste"——即判断哪个问题值得做、哪条路径有前途的品味。报道同时提到，研究者仍然认为这类智能体具备自主推进研究的潜力。
为什么重要
这条新闻的价值不在"49/50"这个分数，而在它揭示的评测范式转变。
过去的基准大多基于已有题库，模型可能见过、记过、拟合过。TheoPhysEval 用的是未发表的计算题，且以专家解答为对照——这更接近真实科研场景：没有标准答案可查，只有同行评议。当参考答案本身被证明有误时，评测就从"模型对不对"变成了"人和模型谁更对"，这是质的区别。
另一个信号是成本。2.40 美元一题，意味着一次完整的理论推导尝试已经进入"可批量试错"的价格区间。科研中的大量工作是排除错误路径，如果试错成本低到可以忽略，研究者的时间分配方式就会改变。
至于"taste"，这不是修辞。数学与物理的突破性工作，往往始于选对问题，而非解对问题。当前的智能体擅长在给定框架内搜索，不擅长判断框架本身是否值得进入。研究者把这一点单独拎出来，说明他们清楚能力边界在哪里。
影响与看点
对科研工具链而言，这类智能体最现实的落点是"第一轮计算"：把繁琐的符号推导、量纲检查、极限情形验证交给模型，人类负责判断结果是否有物理意义。这不会立刻带来诺奖级发现，但会压缩从想法到可验证结论的周期。
对开发者来说，值得关注的是评测方法本身——用未发表问题、允许参考答案出错、按单题成本计价，这套组合比分数更有参考价值。如果 TheoPhysEval 的方法论被复制到化学、生物、材料等领域，我们可能会看到一批"反拟合"基准出现。
需要克制的是对"突破"的期待。解出 49 道题，说明模型能复现专家级推导；但物理学史上真正稀缺的，是知道该往哪里推导的人。在"taste"被解决之前，这类系统更像是能力极强的计算助手，而不是能独立开辟方向的研究者。
一个独立判断：这条新闻真正的信息量，不在模型有多强，而在评测者开始承认——参考答案也可能是错的。当评测标准本身变得可质疑，AI 科研评测才算真正开始。
