ФИЗИКА: Оценка базовых моделей в решении университетских задач по физике

PHYSICS: Benchmarking Foundation Models on University-Level Physics Problem Solving

March 26, 2025

Авторы: Kaiyue Feng, Yilun Zhao, Yixin Liu, Tianyu Yang, Chen Zhao, John Sous, Arman Cohan

cs.AI

Аннотация

Мы представляем PHYSICS — всеобъемлющий эталонный набор для решения задач университетского уровня по физике. Он содержит 1297 задач, аннотированных экспертами и охватывающих шесть ключевых областей: классическую механику, квантовую механику, термодинамику и статистическую механику, электромагнетизм, атомную физику и оптику. Каждая задача требует глубоких знаний в физике и математического мышления. Мы разработали надежную автоматизированную систему оценки для точной и достоверной проверки. Наша оценка ведущих базовых моделей выявила существенные ограничения. Даже самая продвинутая модель, o3-mini, достигает точности всего 59,9%, что подчеркивает значительные трудности в решении задач высокого уровня сложности. Благодаря всестороннему анализу ошибок, исследованию различных стратегий подсказок и усилению знаний на основе Retrieval-Augmented Generation (RAG) мы определили ключевые направления для улучшения, закладывая основу для будущих достижений.

English

We introduce PHYSICS, a comprehensive benchmark for university-level physics problem solving. It contains 1297 expert-annotated problems covering six core areas: classical mechanics, quantum mechanics, thermodynamics and statistical mechanics, electromagnetism, atomic physics, and optics. Each problem requires advanced physics knowledge and mathematical reasoning. We develop a robust automated evaluation system for precise and reliable validation. Our evaluation of leading foundation models reveals substantial limitations. Even the most advanced model, o3-mini, achieves only 59.9% accuracy, highlighting significant challenges in solving high-level scientific problems. Through comprehensive error analysis, exploration of diverse prompting strategies, and Retrieval-Augmented Generation (RAG)-based knowledge augmentation, we identify key areas for improvement, laying the foundation for future advancements.