PHYRD 基准发布：测试模型复现与扩展理论物理研究的能力

arXiv 论文介绍 PHYRD，一个针对理论物理推理的动态基准，包含 63 道 Reproduce 和 43 道 Discover 题。Reproduce 要求推导已发表结果，Discover 要求在修改理论条件后推导新结论，任务由 FormulaForest 系统构建并附带子问题级评分标准。五个模型在 Reproduce 上的整题准确率为 49.21% 到 68.25%，在闭卷 Discover 上为 18.60% 到 74.42%。使用工具后四个模型完成更多 Discover 题，但仍存在概念性错误和论证缺失。FormulaForest 还可用作合成数据，将 Qwen-35B-A3B 在 OpenAI 的 FrontierScience 基准上的准确率从 61% 提升到 72%。