PHYBench: Avaliação Holística da Percepção e Raciocínio Físico em Modelos de Linguagem de Grande Escala

PHYBench: Holistic Evaluation of Physical Perception and Reasoning in Large Language Models

April 22, 2025

Autores: Shi Qiu, Shaoyang Guo, Zhuo-Yang Song, Yunbo Sun, Zeyu Cai, Jiashen Wei, Tianyu Luo, Yixuan Yin, Haoxu Zhang, Yi Hu, Chenyang Wang, Chencheng Tang, Haoling Chang, Qi Liu, Ziheng Zhou, Tianyu Zhang, Jingtian Zhang, Zhangyi Liu, Minghao Li, Yuku Zhang, Boxuan Jing, Xianqi Yin, Yutong Ren, Zizhuo Fu, Weike Wang, Xudong Tian, Anqi Lv, Laifu Man, Jianxiang Li, Feiyu Tao, Qihua Sun, Zhou Liang, Yushu Mu, Zhongxuan Li, Jing-Jun Zhang, Shutao Zhang, Xiaotian Li, Xingqi Xia, Jiawei Lin, Zheyu Shen, Jiahang Chen, Qiuhao Xiong, Binran Wang, Fengyuan Wang, Ziyang Ni, Bohan Zhang, Fan Cui, Changkun Shao, Qing-Hong Cao, Ming-xing Luo, Muhan Zhang, Hua Xing Zhu

cs.AI

Resumo

Apresentamos o PHYBench, um novo e de alta qualidade benchmark projetado para avaliar as capacidades de raciocínio de modelos de linguagem de grande escala (LLMs) em contextos físicos. O PHYBench consiste em 500 problemas de física meticulosamente curados, baseados em cenários físicos do mundo real, projetados para avaliar a capacidade dos modelos de compreender e raciocinar sobre processos físicos realistas. Abrangendo mecânica, eletromagnetismo, termodinâmica, óptica, física moderna e física avançada, o benchmark cobre níveis de dificuldade desde exercícios do ensino médio até problemas de graduação e desafios de Olimpíadas de Física. Além disso, propomos o Expression Edit Distance (EED) Score, uma nova métrica de avaliação baseada na distância de edição entre expressões matemáticas, que efetivamente captura diferenças nos processos de raciocínio e resultados dos modelos, indo além dos métodos tradicionais de pontuação binária. Avaliamos vários LLMs no PHYBench e comparamos seu desempenho com especialistas humanos. Nossos resultados revelam que mesmo os modelos de raciocínio mais avançados ficam significativamente atrás dos especialistas humanos, destacando suas limitações e a necessidade de melhorias em cenários complexos de raciocínio físico. Nossos resultados de benchmark e conjunto de dados estão publicamente disponíveis em https://phybench-official.github.io/phybench-demo/.

English

We introduce PHYBench, a novel, high-quality benchmark designed for evaluating reasoning capabilities of large language models (LLMs) in physical contexts. PHYBench consists of 500 meticulously curated physics problems based on real-world physical scenarios, designed to assess the ability of models to understand and reason about realistic physical processes. Covering mechanics, electromagnetism, thermodynamics, optics, modern physics, and advanced physics, the benchmark spans difficulty levels from high school exercises to undergraduate problems and Physics Olympiad challenges. Additionally, we propose the Expression Edit Distance (EED) Score, a novel evaluation metric based on the edit distance between mathematical expressions, which effectively captures differences in model reasoning processes and results beyond traditional binary scoring methods. We evaluate various LLMs on PHYBench and compare their performance with human experts. Our results reveal that even state-of-the-art reasoning models significantly lag behind human experts, highlighting their limitations and the need for improvement in complex physical reasoning scenarios. Our benchmark results and dataset are publicly available at https://phybench-official.github.io/phybench-demo/.