新基准显示最强通用模型在前沿材料问题上仅得 53.7%。
资讯摘要
论文提出 FrontierMat 基准，包含 330 道取自航空航天、半导体、具身智能、核聚变等前沿学术与工业研究的问题，每题由领域实验专家验证，要求模型根据给定实验证据推断被隐去的结果或得出结论。作者报告最强通用模型仅得 53.7%，跨尺度推理题比单尺度题低 8.7 分，半数题目至多被一个模型解出，主要失败模式是选择看似合理而非实际观测的答案。
要点速读
- FrontierMat 含 330 道前沿材料研发问题，覆盖航空航天、半导体、具身智能、核聚变等领域，均经领域专家验证。
- 作者报告最强通用模型得分 53.7%，130 道需跨尺度推理，匹配题目上跨尺度题比单尺度题低 8.7 分。
- 论文称采用元加权持续预训练与尺度模块化自蒸馏的领域适配，将某开放权重模型从 36.7% 提升至 55.4%。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/3 08:00:27（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。