2025年12月16日，OpenAI正式推出FrontierScience基准，聚焦物理、化学、生物三大学科，以博士级难题实测AI的专家级科学推理能力，而非单纯知识记忆 。核心结论：奥赛赛道模型接近顶尖人类，研究赛道差距仍大，GPT‑5.2以77%（奥赛）/25%（研究） 暂居双赛道第一。 一、核心定位与设计亮点 - 定位：填补传统基准不足，打造“专家级科学推理”的高清标尺，区分“奥赛解题”与“真实科研”能力 。 - 规模：总计700+文本题，含160道黄金组核心题（防数据污染，已开源）。 - 双赛道设计： - 奥赛赛道（Olympiad）：100道短答，42位前奥赛奖牌得主（109枚奖牌）设计，难度对标国际奥赛，测约束下精准推理。 - 研究赛道（Research）：60个原创子任务，45位博士/教授设计，开放场景无标准答案，10分制评分（≥7分通过） 。 - 评分机制：研究赛道用GPT‑5自动评分，对照专家量规逐项判定，保证客观。 二、关键测试结果 - 模型排名（奥赛赛道）：GPT‑5.2 77%、Gemini 3 Pro 76%、Claude 3 Opus 72%、R1 69%。 - 模型排名（研究赛道）：GPT‑5.2 25%、Gemini 3 Ultra 22%、Claude 3 Opus 20%，整体距“专家线（70%）”差距明显 。 - 关键发现：思考时间与准确率正相关，充分推理可提升15-20个百分点；奥赛强≠科研强，开放任务仍是AI硬伤。
