推理能力是科学工作的核心。科学家不仅需要记住事实，更要提出假设、不断验证与修正，并在不同领域之间整合观点。随着模型能力不断提升，我们面临的关键问题是：它们如何进行更深入的推理，从而真正推动科学研究。

过去一年里，我们的模型取得了重要突破，包括在国际数学奥林匹克和国际信息学奥林匹克中达到金牌水平。同时，我们也开始看到，最先进的模型（如 GPT‑5）正在大幅提升科研速度。研究人员利用这些系统跨学科、跨语言检索文献，或处理复杂的数学证明。在许多情况下，模型将原本需要数天甚至数周的工作压缩到数小时。相关进展记录在我们于 2025 年 11 月发布的论文利用 GPT‑5 加速科学研究的早期实验⁠中，该论文展示了 GPT‑5 能够显著加快科研速度的初步证据。

加快科研速度是人工智能造福人类最具潜力的方向之一。因此，我们持续提升模型在高难度数学与科学任务上的表现，并开发能帮助科研人员充分利用这些模型的工具。

当由博士专家撰写、旨在“防谷歌搜索”的科学基准 GPQA⁠（在新窗口中打开） 于 2023 年 11 月发布时，GPT‑4 的得分为 39%，低于专家基线的 70%。两年后，GPT‑5.2 的得分为 92%。随着模型的推理与知识能力不断提升，更具挑战性的基准对于评估和预测模型加快科研速度的潜力变得愈发重要。此前的科学基准大多集中于多项选择题，而且已趋于饱和，或并未真正聚焦于科学本身。

为弥补这一缺口，我们推出了 FrontierScience：一个用于衡量专家级科学能力的新基准。FrontierScience 由物理、化学、生物等领域的专家撰写并审核，包含数百道兼具难度、原创性与科学意义的问题。它分为两个方向：Olympiad（评估类似奥赛的科学推理能力）和 Research（评估真实科研场景中的研究能力）。更深入地了解模型的科学能力，有助于我们追踪进展，并实现 AI 为科学研究提速。

在我们的初步评测中，GPT‑5.2 在 FrontierScience 的 Olympiad 方向（得分 77%）和 Research 方向（得分 25%）均取得了目前最好的成绩，领先其他前沿模型。我们看到，模型在解决专家级问题上进步明显，同时仍存在提升空间，尤其是在开放式、研究型任务上。对科学家而言，这意味着当前模型已经能够支持部分需要结构化推理的研究环节，但也凸显了在提升其开放式思考能力方面仍需大量工作。这些结果与科学家目前使用 AI 的方式高度吻合：利用模型有效缩短科研流程，同时依靠人类判断来界定问题并验证结果；越来越多地借助模型探索那些原本需要更长时间才能发现的思路与联系。这包括，在某些情况下由模型提出新见解，再由专家进行评估与验证。

归根结底，衡量 AI 科学能力最重要的标准，是它能帮助产生多少新的科学发现；这才是对科学与社会真正重要的成果。FrontierScience 为专家级科学推理提供了一个“上游”参考点，让我们能够在标准化的问题集上测试模型、观察其成功与不足，并确定改进方向。当然，FrontierScience 在某些重要方面相对有限（例如主要聚焦于专家撰写的受限问题），无法覆盖科学家日常工作的全部内容。但科学领域确实需要更具难度、原创性和意义的基准，而 FrontierScience 正朝这一方向迈出重要一步。

FrontierScience 评测包含 700 多道文本题目（其中 160 道属于金集），涵盖物理、化学、生物的多个子领域。该基准由 Olympiad 与 Research 两个部分组成。FrontierScience-Olympiad 包含 100 道由国际奥赛奖牌获得者设计的问题，旨在通过受限的简答形式评估科学推理能力。该题集专门设计为至少达到国际奥赛难度的理论问题。FrontierScience-Research 则由博士科研人员（博士生、教授或博士后）设计的 60 个原创研究子任务构成，并采用 10 分制评分标准。这些任务旨在模拟博士科研人员在研究过程中可能遇到的、具有自洽性且需要多步推理的高难度问题。

Olympiad 题目由 42 位相关领域的前国际奥赛奖牌获得者或国家队教练共同编写，编写者累计拥有 109 枚奥赛奖牌。Research 题目则由 45 位具备资质的科学家与领域专家合作完成。所有参与的科研人员均为博士生、博士后或教授，他们的专业背景覆盖一系列重要且高度专业化的科学学科，包括量子电动力学、有机合成化学和进化生物学等。

在两个题集的构建过程中，我们都会根据 OpenAI 内部模型的表现进行一定筛选（例如，剔除模型已能正确回答的题目，因此相较其他模型，这些评测可能对内部模型略有不利偏向）。我们已开源 Olympiad 金集的 100 道题目和 Research 金集的 60 道题目，其余题目则留用于监测潜在的数据污染。

Olympiad 题集可以通过简答形式评分：答案可以是数字、表达式，或通过模糊字符串匹配判断正确性。这种方式便于验证答案，但也会在一定程度上限制题目的表达空间与开放性。对于 Research 题集，我们采用基于评分细则 (rubric) 的架构来评估开放式任务。每道题都配有包含评分细则（由多个独立、可客观判断的评分项组成），总分为 10 分。评分细则不仅考察最终答案是否正确，也评估中间推理步骤的合理性，从而实现更细致的模型性能分析与错误诊断。若某个解答分数至少为 7/10，则被视为“正确”。

模型的回答由基于模型的评分器 (GPT‑5) 进行评估，依据的是简答答案或评分细则。理想情况下，我们希望由人类专家逐题评分，但这种方式难以规模化，因此我们设计了可由模型评分器执行的评分细则。我们还开发了验证流程，以确保评分细则与题目在难度与正确性方面校准良好。

我们在 FrontierScience-Olympiad 和 FrontierScience-Research 上评测了多款前沿模型：GPT‑5.2、Claude Opus 4.5、Gemini 3 Pro、GPT‑4o、OpenAI o4-mini 和 OpenAI o3。除 GPT‑5.2 以 “xhigh” 推理强度运行外，其余推理模型均以 “high” 推理强度评测。在我们的初步评测中，GPT‑5.2 在 FrontierScience 的 Olympiad 方向（得分 77%）和 Research 方向（得分 25%）均取得了目前最好的成绩，领先其他前沿模型。Gemini 3 Pro 在 Olympiad 部分的表现与 GPT‑5.2 接近 (76%)。

我们观察到，模型在解决专家级问题方面取得了显著进展，尤其是在开放式研究类任务上，但仍有提升空间。从失败案例的记录来看，前沿模型仍会出现推理、逻辑或计算错误，对某些小众科学概念理解不足，或产生事实性错误。

尽管 FrontierScience 在科学基准的难度上迈出了重要一步，但仍存在不少局限。FrontierScience 的题目采用受限的问题形式，主要关注最终答案的正确性 (Olympiad) 或完成研究任务的推理过程 (Research)。此外，对于篇幅较长的任务，使用包含多个评分项的细则，其客观性仍不如直接核对最终答案。

FrontierScience 能够更清晰地呈现模型在专家编写的高难度问题上的推理表现，但它并不能全面反映科学研究在现实中的运作方式。尤其是，它并未评估科研中至关重要的一部分：模型如何提出真正新颖的假设，或如何处理多模态信息，包括视频数据以及物理世界中的真实实验系统。

展望未来，我们预计科学推理能力的提升将来自两方面：更强的通用推理系统，以及更专注的科学能力改进。FrontierScience 只是众多工具之一。随着模型不断进步，我们计划持续迭代这一基准，将其扩展到更多领域，并与更贴近现实的评测结合，关注这些系统在实际科研中真正能帮助科学家完成的工作。像 FrontierScience 这样的基准有助于我们识别当今 AI 系统的不足，从而聚焦于如何让模型成为科学探索中的可靠合作伙伴。