OpenAI于周二（12月16日）发布了全新的科学基准测试FrontierScience，用于评估AI在物理、化学与生物等领域执行专家级科学推理与研究任务的能力。

OpenAI解释，2023年11月推出的由博士级专家撰写的科学基准GPQA中，GPT-4仅获得39%的正确率，低于人类专家70%的平均分；而到2025年，GPT-5.2在GPQA上已取得92%的分数。这显示出模型能力的快速进化，使得原有以选择题为主、难度趋于饱和的科学测评已不足以衡量AI是否真正能够加速科学研究。

FrontierScience的双轨评估体系

由物理、化学及生物领域的专家撰写并验证的FrontierScience基准测试，包含数百道具有高难度、原创性与实质科学意义的题目，设计了两种不同的评估方向。

一是衡量奥林匹克竞赛风格科学推理能力的Olympiad模块，题目由国际奥赛奖牌获得者设计，为短答题形式，用于评估模型在受限条件下能否进行精确、严谨且可验证的科学推理。

二是衡量真实世界科学研究能力的Research模块，由博士级研究人员设计，题型为多步骤、开放式的科研任务，要求模型分析问题、展开推理并给出完整解释，并通过10分制量表评估其推理过程与结论的合理性。

模型表现对比

GPT-5.2在Olympiad模块中得分为77%，领先于Gemini 3 Pro的76.1%、Claude Opus 4.5的71.4%和Grok 4的66.2%；在Research模块中得分为25%，大幅领先Claude Opus 4.5的17.5%、Grok 4的15.9%和Gemini 3 Pro的12.4%。

对科研人员而言，这表明现有模型已能支持科研中涉及结构化推理的部分，但在开放性思维与创造性探索方面仍有巨大提升空间。

OpenAI认为，衡量AI科学能力最重要的标准，应是其能否促成全新的科学发现。FrontierScience并非最终验证工具，而是一个用于在研究成果出现前，评估模型推理能力进展、识别不足之处的评测基准，帮助研究团队确认模型是否朝着正确方向发展。