FrontierCS: Desafíos en Evolución para una Inteligencia en Evolución
FrontierCS: Evolving Challenges for Evolving Intelligence
December 17, 2025
Autores: Qiuyang Mang, Wenhao Chai, Zhifei Li, Huanzhi Mao, Shang Zhou, Alexander Du, Hanchen Li, Shu Liu, Edwin Chen, Yichuan Wang, Xieting Chu, Zerui Cheng, Yuan Xu, Tian Xia, Zirui Wang, Tianneng Shi, Jianzhu Yao, Yilong Zhao, Qizheng Zhang, Charlie Ruan, Zeyu Shen, Kaiyuan Liu, Runyuan He, Dong Xing, Zerui Li, Zirong Zeng, Yige Jiang, Lufeng Cheng, Ziyi Zhao, Youran Sun, Wesley Zheng, Meiyuwang Zhang, Ruyi Ji, Xuechang Tu, Zihan Zheng, Zexing Chen, Kangyang Zhou, Zhaozi Wang, Jingbang Chen, Aleksandra Korolova, Peter Henderson, Pramod Viswanath, Vijay Ganesh, Saining Xie, Zhuang Liu, Dawn Song, Sewon Min, Ion Stoica, Joseph E. Gonzalez, Jingbo Shang, Alvin Cheung
cs.AI
Resumen
Presentamos FrontierCS, un benchmark de 156 problemas abiertos en diversas áreas de la informática, diseñado y revisado por expertos, incluidos doctores en Informática y participantes y creadores de problemas de primer nivel en programación competitiva. A diferencia de los benchmarks existentes que se centran en tareas con soluciones óptimas conocidas, FrontierCS se dirige a problemas donde la solución óptima es desconocida, pero la calidad de una solución puede evaluarse objetivamente. Los modelos resuelven estas tareas implementando programas ejecutables en lugar de generar una respuesta directa. FrontierCS incluye problemas algorítmicos, que a menudo son variantes NP-difíciles de problemas de programación competitiva con puntuación parcial objetiva, y problemas de investigación con la misma propiedad. Para cada problema, proporcionamos una solución de referencia experta y un evaluador automático. Combinando un diseño abierto, un progreso medible y una curación experta, FrontierCS ofrece un benchmark en la frontera de la dificultad en informática. Empíricamente, encontramos que los modelos de razonamiento de frontera aún están muy por detrás de los expertos humanos tanto en las vías algorítmicas como de investigación, que el aumento únicamente de los recursos de razonamiento no cierra esta brecha, y que los modelos a menudo sobreoptimizan la generación de código simplemente funcional en lugar de descubrir algoritmos y diseños de sistemas de alta calidad.
English
We introduce FrontierCS, a benchmark of 156 open-ended problems across diverse areas of computer science, designed and reviewed by experts, including CS PhDs and top-tier competitive programming participants and problem setters. Unlike existing benchmarks that focus on tasks with known optimal solutions, FrontierCS targets problems where the optimal solution is unknown, but the quality of a solution can be objectively evaluated. Models solve these tasks by implementing executable programs rather than outputting a direct answer. FrontierCS includes algorithmic problems, which are often NP-hard variants of competitive programming problems with objective partial scoring, and research problems with the same property. For each problem we provide an expert reference solution and an automatic evaluator. Combining open-ended design, measurable progress, and expert curation, FrontierCS provides a benchmark at the frontier of computer-science difficulty. Empirically, we find that frontier reasoning models still lag far behind human experts on both the algorithmic and research tracks, that increasing reasoning budgets alone does not close this gap, and that models often over-optimize for generating merely workable code instead of discovering high-quality algorithms and system designs.