FrontierCS: Развивающиеся вызовы для развивающегося интеллекта
FrontierCS: Evolving Challenges for Evolving Intelligence
December 17, 2025
Авторы: 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
Аннотация
Мы представляем FrontierCS — набор из 156 открытых задач из различных областей информатики, разработанных и проверенных экспертами, включая PhD в области computer science, участников и авторов задач соревнований по программированию высшего эшелона. В отличие от существующих бенчмарков, сфокусированных на задачах с известными оптимальными решениями, FrontierCS нацелен на проблемы, для которых оптимальное решение неизвестно, но качество решения может быть объективно оценено. Модели решают эти задачи путем реализации исполняемых программ, а не вывода прямого ответа. FrontierCS включает алгоритмические задачи, часто являющиеся NP-трудными вариантами задач из соревновательного программирования с объективной системой частичных баллов, а также исследовательские задачи с аналогичным свойством. Для каждой задачи мы предоставляем эталонное решение от экспертов и автоматический оценщик. Сочетая открытый дизайн, измеримый прогресс и экспертный отбор, FrontierCS предлагает бенчмарк на переднем крае сложности в компьютерных науках. Эмпирически мы обнаружили, что современные модели рассуждений все еще значительно отстают от экспертов-людей как на алгоритмическом, так и на исследовательском треках, что одного лишь увеличения вычислительного бюджета для рассуждений недостаточно для сокращения этого разрыва, и что модели часто чрезмерно оптимизируются под генерацию просто работоспособного кода вместо открытия высококачественных алгоритмов и проектирования систем.
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.