OpenAI发布FrontierScience基准测试：GPT-5.2博士级科学推理正确率仅25%，揭示AI独立科研能力短板

OpenAI于2025年12月16日正式推出FrontierScience基准测试，旨在通过物理、化学、生物三大学科的700余道博士级难题，系统评估人工智能系统的专家级科学推理能力。测试结果显示，当前最先进的AI模型在复杂科研场景中仍存在显著短板，距离成为独立科研主体尚有较大差距。

该基准分为竞赛赛道与研究赛道两大模块。竞赛赛道包含100道短答案题，模拟国际奥赛环境，要求模型在严格约束条件下完成精准推理；研究赛道则设置60个开放式子任务，涵盖量子电动力学、合成有机化学等前沿领域，采用10分制评分标准，7分以上视为通过。其中160道”黄金组”题目已对外开源，其余题目作为数据污染追踪保留。测试团队特别强调，所有题目均经过严格筛选，确保OpenAI自家模型无法通过训练数据直接作答。

在题目设计层面，OpenAI组建了跨学科专家团队。竞赛赛道与42位国际奥赛奖牌得主及国家队教练合作，累计覆盖109枚国际奖项；研究赛道由45位活跃科研人员参与命题，涉及进化生物学等细分领域。这种设计使评测体系既具备专业深度，又能反映真实科研的复杂性。

最新测试数据显示，GPT-5.2在竞赛赛道取得77%正确率，但在研究赛道仅获25%得分。对比其他主流模型，Anthropic的Claude Opus 4.5在两项测试中分别获得71.4%和17.5%，谷歌Gemini Pro 3为76.1%和12.4%，xAI的Grok 4则为66.2%和15.9%。这一结果印证了AI作为”顶级做题家”在标准化测试中的优势，但在需要持续试错、跨领域融合的真实科研场景中仍显不足。

OpenAI指出，科学工作的本质是”提出假设-设计验证-推翻重来”的循环过程，现有AI系统尚难实现这种动态推理。尽管GPT-5.2在GPQA钻石测试中达到93.2%准确率，较两年前GPT-4的39%有显著提升，但公司强调需要更强大的基准来持续推动AI科研能力发展。该基准的推出，为量化AI模型加速科学发现的潜力提供了新工具，同时也揭示了当前技术瓶颈所在。