前沿科学：评估 AI 执行专家级科学任务的能力

摘要

我们提出 FrontierScience：一个用于评估 AI 在专家级科学推理方面能力的基准。FrontierScience 包含两条赛道：

1. Olympiad（奥赛）：收录国际科学奥林匹克题目（难度对标 IPhO、IChO、IBO），以短答题形式考察受限场景下的精确解题能力。
2. Research（研究）：收录博士水平的开放式问题，代表科学研究中会遇到的子任务，考察更开放的推理、判断与对真实研究目标的支撑能力。

总体而言，FrontierScience 由数百道题目构成（其中 160 题组成开源 gold set），覆盖物理、化学、生物多个子领域，从量子电动力学到合成有机化学。近期模型进展已几乎“吃满”现有科学基准——它们往往依赖选择题式知识问答或已公开发表的信息。相比之下，Olympiad 赛道的所有题目均由国际奥赛奖牌得主与国家队教练原创撰写，以确保难度、原创性与事实性；Research 赛道的所有题目则由具有博士学位的科学家（博士生、博士后或教授）撰写并验证。

针对 Research，我们还引入一种细粒度的评分细则（rubric）架构，用于评估模型在解决研究任务过程中的各项能力，而不仅仅是判定单一最终答案。对多种前沿模型的初步评测表明，GPT‑5.2 在 FrontierScience 上总体表现最佳：Olympiad 集得分 77%，Research 集得分 25%。

1. 引言

语言模型在科学领域的推理能力已经取得显著进展。2023 年 11 月发布的 GPQA——一个由博士专家撰写、以“Google‑Proof”为目标的多项选择科学基准——中，GPT‑4 的得分为 39%，低于专家基线 70%（Rein 等，2023）。两年后，GPT‑5.2 在该基准上得分达到 92%（OpenAI，2025）。

随着模型推理与知识能力持续扩展，尚未饱和的基准将对衡量与预测模型加速科学研究的能力至关重要。既有基准已能随着模型改进追踪有用的科学能力（Rein 等，2023；He 等，2024；Lu 等，2022；Hendrycks 等，2021）。然而，模型推理能力在近期快速提升，要求新一代科学基准跟上进展节奏。

为了评估真实世界的科学能力，我们提出 FrontierScience：由数百道题目组成，具备高难度、可验证、且原创的特点。FrontierScience 题目由物理、化学、生物等领域专家撰写与验证，包含两个层级：

1. FrontierScience‑Olympiad：由国际奥赛奖牌得主设计的科学奥赛风格问题，以短答形式评估科学推理。
2. FrontierScience‑Research：由博士科学家（博士生、教授或博士后研究员）设计的研究子问题，模拟开展原创研究时会遇到的子任务。

我们构建这一双层评测集来衡量两类能力：Olympiad 集旨在评估受限设定下的精确解题能力，其解答被设计为可用单个数值或代数表达式（物理与化学）或可进行模糊字符串匹配的答案（生物）自动评测。Research 集则评估更开放的推理、判断，以及支撑真实研究目标的能力；每个 Research 题目都配有专家设计的 10 分评分细则。二者结合，相比以往基准能更全面诊断模型在专家级科学推理上的优势与短板。

图 1：FrontierScience‑Olympiad 示例题。FrontierScience 中每个任务均由物理、化学或生物领域专家撰写并验证；在 Olympiad 集中，所有专家都曾在国际奥赛中获得奖牌。

图 2：FrontierScience‑Research 示例题。Research 集中所有专家均拥有相关博士学位；这些示例任务对应的评分细则可见附录 A。

在对多种前沿模型的初步评测中，GPT‑5.2 在 FrontierScience 上整体表现最好：Olympiad 集得分 77%，Research 集得分 25%。Gemini 3 Pro 在 Olympiad 上与 GPT‑5.2 接近（76%），而 GPT‑5 在 Research 上与 GPT‑5.2 持平（25%）。总体上，我们发现前沿 AI 系统在解决专家级推理问题方面进展迅速，尤其是在自包含的奥赛题上；但在研究风格任务上仍远未饱和。

2. 基准构建

2.1 数据收集流程

FrontierScience‑Olympiad 题目由 42 位前国际奥赛奖牌得主或国家队教练共同创建，覆盖物理、化学或生物领域；他们合计获得 108 枚奥赛奖牌（45 金、37 银、26 铜）。所有奖牌得主至少（并且常常在多个）下列奥赛中获奖：国际物理奥林匹克（IPhO）、国际化学奥林匹克（IChO）、国际天文与天体物理奥林匹克（IOAA）、欧洲物理奥林匹克（EuPhO）、国际门捷列夫化学奥林匹克（IMChO）。

FrontierScience‑Research 题目由 45 位合格科学家与领域专家共同创建。这些科学家通常来自全球知名机构，身份包括博士后研究员、教授或博士生。定性而言，每个任务被设计为一名博士研究者在研究过程中可能需要解决的子问题，并且通常需要至少 3–5 小时才能完成。

科学家的专长覆盖广泛学科，包括但不限于：量子力学、天体物理、理论与实验物理、生物物理、纳米技术；生物领域中的分子生物学、进化与发育生物学、药理学、基因组学、免疫学与神经科学；以及化学领域中的生物化学、物理与有机化学、材料与计算化学、催化与光化学。专家们都在其领域持续从事研究，对研究方法具有深度熟悉。

每位科学家都为其对应赛道撰写原创题目，并遵循以下指南：

图 3：任务需经历四个阶段：创建（Creation）、评审（Review）、分歧解决（Resolution）、修订（Revision）。独立专家互相审核彼此的任务，以验证其满足标准。

维度	Olympiad（奥赛）	Research（研究）
原创性	题目旨在模拟奥赛风格的复杂、闭式推理挑战。 为降低数据污染风险，所有题目必须是新题。题目可以从既有科学想法或问题中汲取初始灵感，但需要通过创造性、非显然的组合或改写进行重新语境化，以衡量推理能力。	题目旨在代表真实的科学研究任务，扎根于贡献者正在探索的活跃研究方向；具体题目不会在本数据集之外发布。 为降低数据污染风险，所有题目预期均为新题。若题目基于已发表研究领域中的核心现象，或受到其他题目启发，则通过评审流程强制执行原创性，确保不存在直接重合。
难度	题目至少应达到国际奥赛题目的难度水平。 初稿会在多种内部模型上进行测试：若模型能答对，该题目被视为无效并需要更新。	初稿会在多种 OpenAI 内部模型上进行测试：若模型在评分细则上得分过高，则该题会被丢弃或大幅修改。 题目会被校准，使得在评分细则上获得 10 分中的 7–8 分即可视为“成功解答”。
可验证性	题目应提供最终答案所需的全部变量、单位与信息。 答案应为单个数值或代数表达式（物理与化学），或可进行模糊字符串匹配的答案（生物）。	每题包含一个由多个相互独立、可客观评估条目组成的评分细则，总分为 10 分。 在使用该评分细则时，模型判分与人类判分之间不存在具有实质意义的差异。

对于每个 Research 与 Olympiad 题目，科学家会提供一份可获得满分的详细解题方案，以及相关元数据（子领域、难度级别与灵感来源）。随后，每个贡献题目都会由至少一位同行领域专家进行评审（Research 题目至少两轮评审），评估题目各组成部分是否符合上述指南。题目可以受到已知问题启发或引用既有工作，但指南要求任务对评测而言仍应保持新颖。

2.4 基准构成

FrontierScience 覆盖广泛的科学问题类型（见图 5）。Olympiad 集扎根于国际科学奥赛常见主题，并且相比生物更偏向物理与化学，因为更容易构造能归约为可验证表达式与数值的题目。Research 集则扎根于贡献者的研究专长；开源 gold set 的 60 道题在物理、化学、生物三个领域均分。

图 5：Olympiad 集由多样主题构成，从生物化学到量子力学。

3. 实验

3.1 主要结果

我们在 FrontierScience‑Olympiad 与 FrontierScience‑Research 上评测了多种前沿模型：GPT‑4o、OpenAI o4‑mini、OpenAI o3、GPT‑5.2、Claude Opus 4.5、Gemini 3 Pro、Grok 4、GPT‑5.1 与 GPT‑5。除 GPT‑5.2 采用“xhigh”推理努力外，其余推理模型均在“high”推理努力下评测；同时不使用浏览（browsing）。

图 4：Research 集每题使用总分 10 分的评分细则进行判分，可由人类专家或判分模型使用。为扩展评测能力，我们使用另一个模型对回答进行判分。

初步评测结果显示，GPT‑5.2 在 FrontierScience 上总体表现最佳：Olympiad 集得分 77%，Research 集得分 25%。出人意料的是，GPT‑5 在 Research 集上优于 GPT‑5.1，并与 GPT‑5.2 并列。总体而言，我们在解决专家级问题方面看到了显著进步，同时仍保留大量提升空间——尤其是在开放式的研究风格任务上。

对于两个集合，我们都使用 GPT‑5（推理努力为“high”）作为判分模型。对 Olympiad 集，我们向判分模型提供模型尝试答案与标准答案，并要求其判断表达式、数值或短语是否等价。对 Research 集，我们向判分模型提供模型尝试答案与评分细则，并要求其返回一个反映获得评分条目数的单一分值（见附录 B）。

按学科划分时，模型在各学科分布上的表现整体相近。对 Olympiad 集，化学最好，其次物理，再次生物；对 Research 集，化学最好，其次生物，再次物理。分析模型输出记录（transcripts）表明，模型通常会在推理/逻辑错误、对小众概念理解失败、计算错误以及事实性不准确等方面受阻。

(a) FrontierScience‑Olympiad：各模型准确率

(b) FrontierScience‑Research：各模型准确率

图 6：多种前沿模型在 Olympiad 与 Research 两个集合上的准确率对比。Gemini 3 Pro 在 Olympiad 上与 GPT‑5.2 接近，而 GPT‑5 在 Research 上与 GPT‑5.2 持平。Olympiad 的分数在 20 次独立试验上取平均；Research 的分数在 30 次独立试验上取平均，并以“获得至少 7 个评分条目（7/10 分）”作为正确阈值。

4. 讨论

虽然 FrontierScience 有助于理解 AI 的科学研究能力，但仍存在多项局限：

1. 受限的问题设定：科学研究的重要组成部分是提出新的研究方向、假设与想法。FrontierScience 由带有受限题干的问题组成，更侧重评估完成研究任务所需的推理，而较少涉及“创意生成”。尽管 Research 集旨在衡量更开放的推理能力，但这种“可自动评分的问答式评测”天生存在局限。
2. 评分细则的可靠性：我们通过严格的指南、验证流程与与人类评分一致性来提升 Research 集评分细则的可靠性。然而，相比“单个表达式/数值等价检查”，评分细则仍更不客观，并依赖判分模型的能力。
3. 模态限制：题目被设计为纯文本，不包含图像或视频输出。超越文本的多模态交互更能代表真实科学研究；尤其是现实研究常涉及与现实系统的交互（例如湿实验），而本评测不覆盖这一点。

(a) Olympiad：按学科划分的准确率

(b) Research：按学科划分的准确率

图 7：多种前沿模型在 Olympiad（左）与 Research（右）集合上的准确率对比，并按学科拆分。

(a) Olympiad：不同推理努力下的准确率

(b) Research：不同推理努力下的准确率

图 8：GPT‑5.2 与 OpenAI o3 在不同推理努力下的表现。更多测试时 token 使 GPT‑5.2 在 Olympiad 上从 67.5% 提升到 77.1%，在 Research 上从 18% 提升到 25%。值得注意的是，o3 在 Research 上的高推理努力略低于中等推理努力。

4. 人类基线：我们尚未对该数据集进行人类基线评测，这留待未来工作。由于题目扎根于专家的真实研究领域，一个关键问题是如何开展人类基线：题目高度专业化，可能需要找到该细分领域的专家来完成题目并形成共识基线。

要持续构建长周期、直接相关的评测体系，研究性与实践性评测都很重要。科学推理对 AI 的有益影响至关重要；我们希望未来能持续发展更健壮、更贴近实际的基准，以推动科学进步的加速。

5. 相关工作

以科学为导向的知识与推理基准通常通过多项选择或单一答案格式来衡量模型能力。诸如 MMLU（Hendrycks 等，2021）、GPQA（Rein 等，2023）与 ScienceQA（Lu 等，2022）等基准，对理解模型在科学知识与基础推理任务上的表现做出了重要贡献。然而，这些基准多偏向知识检索或对知名科学概念的识别，而非研究级科学推理。以 GPQA 为例，它衡量通用科学推理，但受限于结构化选择题形式，削弱了对更复杂开放任务的诊断能力。

为评估更高级的推理技能，近期基准开始引入开放式问题。OlympiadBench（He 等，2024）引入高中水平的科学奥赛风格问题，展示了开放式且可自动判分格式的价值；但其侧重收集既有数学与物理题目，带来污染风险。FrontierScience‑Olympiad 在这一方向上进一步拓展：由跨学科的国际奥赛奖牌得主为前沿模型“对抗性”地定制题目，覆盖更广泛科学主题。

互补工作还包括 PHYBench（Qiu 等，2025）、ChemBench（Mirza 等，2024）与 SciBench（Wang 等，2024a），它们将受限推理任务扩展到特定领域。另一些基准（如 PaperBench，Starace 等，2025）评估模型复现 AI 研究论文子任务的能力，但并不专注于科学推理能力本身。

CritPt（Zhu 等，2025）提出博士级物理基准，聚焦困难且未发表的研究问题，并采用可验证检查点的方法论。FrontierScience 在“完全可验证检查点”的收益上做了取舍，以评估更开放的研究子任务，并将该范式扩展到化学与生物问题。LAB‑Bench（Laurent 等，2024）是一个更广泛多样的生物问题基准，贴近实际工作流，侧重诸如文献回忆与 DNA/蛋白序列操作等技能的多项选择题；FrontierScience 与之互补，强调困难推理问题而非日常工作流。

传统开放式问题评估往往以最终答案正确性为主要指标，难以洞察中间推理步骤。LLM‑Rubric（Hashemi 等，2024）将基于评分细则的评估用于“自然性、简洁性”等维度，HealthBench（Arora 等，2025）也在真实相关领域采用这一格式。FrontierScience‑Research 在结构化评分细则评估框架上更进一步：为每道题定制评分条目，将答案拆解为细粒度组件，以便更细致地分析模型在何处、为何成功或失败；鉴于博士级研究任务复杂性，这种分析尤为重要。

6. 致谢

我们衷心感谢外部合作伙伴与专家评测者的宝贵贡献，包括他们投入的时间、领域专长与深思熟虑的反馈。

我们感谢 Addea Gupta、Alex Karpenko、Andy Applebaum、Bowen Jiang、David Robinson、Elizabeth Proehl、Evan Mays、Grace Kim、Ilge Akkaya、Jerry Tworek、Joy Jiao、Kevin Liu、Leon Maksin、Leyton Ho、Michele Wang、Michele Wang、Nat McAleese、Nikolai Eroshenko、Olivia Watkins、Patrick Chao、Phillip Guo、Phoebe Thacker、Rahul Arora、Ryan Kaufman、Samuel Miserendino、Sebastian Bubeck、Simón Fishman、Stephen McAleer、Ven Chandrasekaran 的讨论、反馈与支持。

参考文献

1. Rahul K. Arora, Jason Wei, Rebecca Soskin Hicks, Preston Bowman, Joaquin Quiñonero‑Candela, Foivos Tsimpourlas, Michael Sharman, Meghan Shah, Andrea Vallone, Alex Beutel, Johannes Heidecke, and Karan Singhal. HealthBench: Evaluating large language models towards improved human health, 2025. URL: https://arxiv.org/abs/2505.08775.
2. Helia Hashemi, Jason Eisner, Corby Rosset, Benjamin Van Durme, and Chris Kedzie. LLM‑Rubric: A multidimensional, calibrated approach to automated evaluation of natural language texts. In Proceedings of the 62nd Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers), pp. 13806–13834. ACL, 2024. doi: 10.18653/v1/2024.acl-long.745.
3. Chaoqun He, Renjie Luo, Yuzhuo Bai, Shengding Hu, Zhen Leng Thai, Junhao Shen, Jinyi Hu, Xu Han, Yujie Huang, Yuxiang Zhang, et al. OlympiadBench: A challenging benchmark for promoting AGI with olympiad‑level bilingual multimodal scientific problems. arXiv:2402.14008, 2024.
4. Dan Hendrycks, Collin Burns, Steven Basart, Andy Zou, Mantas Mazeika, Dawn Song, and Jacob Steinhardt. Measuring massive multitask language understanding. In International Conference on Learning Representations, 2021.
5. Jon M. Laurent, Joseph D. Janizek, Michael Ruzo, Michaela M. Hinks, Michael J. Hammerling, Siddharth Narayanan, Manvitha Ponnapati, Andrew D. White, and Samuel G. Rodriques. LAB‑Bench: Measuring capabilities of language models for biology research, 2024. URL: https://arxiv.org/abs/2407.10362.
6. Pan Lu, Swaroop Mishra, Tanglin Xia, Liang Qiu, and Kai‑Wei Chang. Learn to Explain: Multimodal reasoning via thought chains for science question answering. In Advances in Neural Information Processing Systems, 2022.
7. Adrian Mirza, Nawaf Alampara, Sreekanth Kunchapu, Martiño Ríos‑García, Benedict Emoekabu, Aswanth Krishnan, Tanya Gupta, Mara Schilling‑Wilhelmi, Macjonathan Okereke, Anagha Aneesh, Amir Mohammad Elahi, Mehrdad Asgari, Juliane Eberhardt, Hani M. Elbeheiry, María Victoria Gil, Maximilian Greiner, Caroline T. Holick, Christina Glaubitz, Tim Hoffmann, Abdelrahman Ibrahim, Lea C. Klepsch, Yannik Köster, Fabian Alexander Kreth, Jakob Meyer, Santiago Miret, Jan Matthias Peschel, Michael Ringleb, Nicole Roesner, Johanna Schreiber, Ulrich S. Schubert, Leanne M. Stafast, Dinga Wonanke, Michael Pieler, Philippe Schwaller, and Kevin Maik Jablonka. Are large language models superhuman chemists?, 2024. URL: https://arxiv.org/abs/2404.01475.
8. OpenAI. Introducing GPT‑5.2, 2025. URL: https://openai.com/index/introducing-gpt-5-2/. Accessed: 2025‑12‑15.
9. 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, Jiaming Ji, 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, Mingxing Luo, Yaodong Yang, Muhan Zhang, and Hua Xing Zhu. PHYBench: Holistic evaluation of physical perception and reasoning in large language models, 2025. URL: https://arxiv.org/abs/2504.16074.
10. David Rein, Betty Li Hou, Asa Cooper Stickland, Jackson Petty, Richard Yuanzhe Pang, Julien Dirani, Julian Michael, and Samuel R. Bowman. GPQA: A graduate‑level google‑proof Q&A benchmark. arXiv:2311.12022, 2023.
11. Giulio Starace, Oliver Jaffe, Dane Sherburn, James Aung, Jun Shern Chan, Leon Maksin, Rachel Dias, Evan Mays, Benjamin Kinsella, Wyatt Thompson, Johannes Heidecke, Amelia Glaese, and Tejal Patwardhan. PaperBench: Evaluating AI’s ability to replicate AI research, 2025. URL: https://arxiv.org/abs/2504.01848.
12. Xiaoxuan Wang, Ziniu Hu, Pan Lu, Yanqiao Zhu, Jieyu Zhang, Satyen Subramaniam, Arjun R. Loomba, Shichang Zhang, Yizhou Sun, and Wei Wang. SciBench: Evaluating college‑level scientific problem‑solving abilities of large language models, 2024. URL: https://arxiv.org/abs/2307.10635.
13. Yubo Wang, Xueguang Ma, Ge Zhang, Yuansheng Ni, Abhranil Chandra, Shiguang Guo, Weiming Ren, Aaran Arulraj, Xuan He, Ziyan Jiang, Tianle Li, Max Ku, Kai Wang, Alex Zhuang, Rongqi Fan, Xiang Yue, and Wenhu Chen. MMLU‑Pro: A more robust and challenging multi‑task language understanding benchmark, 2024. URL: https://arxiv.org/abs/2406.01574.
14. Minhui Zhu, Minyang Tian, Xiaocheng Yang, Tianci Zhou, Lifan Yuan, Penghao Zhu, Eli Chertkov, Shengyan Liu, Yufeng Du, Ziming Ji, Indranil Das, Junyi Cao, Jiabin Yu, Peixue Wu, Jinchen He, Yifan Su, Yikun Jiang, Yujie Zhang, Chang Liu, Ze‑Min Huang, Weizhen Jia, Yunkai Wang, Farshid Jafarpour, Yong Zhao, Xinan Chen, Jessie Shelton, Aaron W. Young, John Bartolotta, Wenchao Xu, Yue Sun, Anjun Chu, Victor Colussi, Chris Akers, Nathan Brooks, Wenbo Fu, Jinchao Zhao, Marvin Qi, Anqi Mu, Yubo Yang, Allen Zang, Yang Lyu, Peizhi Mai, Christopher Wilson, Xuefei Guo, Juntai Zhou, Daniel Inafuku, Chi Xue, Luyu Gao, Ze Yang, Yaïr Hein, Yonatan Kahn, Kevin Zhou, Di Luo, John Drew Wilson, Jarrod T. Reilly, Dmytro Bandak, Ofir Press, Liang Yang, Xueying Wang, Hao Tong, Nicolas Chia, Eliu Huerta, and Hao Peng. Probing the critical point (CritPt) of AI reasoning: A frontier physics research benchmark, 2025. URL: https://arxiv.org/abs/2509.26574.

附录

A. 完整示例研究问题

本节展示 Research 集的完整示例题（节选），用于说明题干、评分细则与评测结构。

图 9：FrontierScience‑Research 物理示例题。

图 10：FrontierScience‑Research 生物示例题。

图 11：FrontierScience‑Research 化学示例题。

B. 评测提示

为开展评测，我们使用基于 GPT‑5 思考、并设置为高推理努力的判分模型来评判回答。这里给出本文评测所使用的提示词原文，并提供中文译文。

FrontierScience‑Olympiad 判分提示（中文译文 + 英文原文）

中文译文

你正在给一份科学奥赛题的“尝试答案”打分。你将收到题目、尝试答案以及参考答案。
请将尝试答案与参考答案进行比对，确保其完整并与参考答案一致。请特别注意细节，严格但公正地评分。

参考答案可能是：一个数字或 LaTeX 格式的表达式、一个化学式、一个化合物名称，或指向特定名称/实体/方法的短语。

若尝试答案与参考答案完全一致，或在意义上等价（例如：等价的代数表达式；在 1 位小数舍入误差内的数值，例如 6.69 ≈ 6.7；考虑单位后的等价；化合物/化学式的等价名称等），则判为正确；否则判为错误。

***
题目：{problem}
***
参考答案：{reference answer}
***
尝试答案：{answer}
***

首先，请逐步思考尝试答案是否与参考答案匹配。
如果尝试答案正确，请在你回复的最后一行只写：VERDICT: CORRECT（不要包含其他文字或格式）。
如果不正确，请在最后一行只写：VERDICT: INCORRECT。

英文原文

You are grading an attempted answer to a science olympiad problem. You will be given the
problem, attempted answer, and reference answer. Evaluate the solution against the provided
reference solution, ensuring it is complete and matches the reference solution. Pay close
attention to detail and grade it strictly, but fairly.
The reference answer is either a single number or expression in latex formatting, a chemical
formula, a compound name, or a phrase referring to a specific name, entity, or method.
Mark the attempted answer as correct if it fully matches the reference answer or is otherwise
equivalent (e.g., an equivalent algebraic expression, a numerical number within 1 decimal
place rounding of the reference answer (e.g., 6.69 ≈ 6.7), an equivalent name for a compound/formula,
equivalent when accounting for units, etc.). Mark it as incorrect if it is not equivalent to the reference answer.
***
The problem: {problem}
***
The reference answer: {reference answer}
***
The attempted answer: {answer}
***
First, think step-by-step about whether the attempted answer matches the reference answer.
If the attempted answer is correct, write "VERDICT: CORRECT" in the last line of your response,
with no other text or formatting. If it is incorrect, write "VERDICT: INCORRECT".

FrontierScience‑Research 判分提示（中文译文 + 英文原文）

中文译文

你正在给一份科学考试打分。
你将收到题目、尝试答案，以及用于评分的评分细则（rubric）。评分细则总分为 10 分。

请仅依据评分细则评估尝试答案。请特别注意细节，严格但公正地评分。你不应作出任何超出评分细则之外的判断
（例如：即便你认为答案正确但评分细则本身有误，也应将评分细则视为金标准）。

请返回最终获得的绝对总分（可以是小数）。

***
题目：{problem}
***
评分细则：{rubric}
***
尝试答案：{answer}
***

首先，请逐条分析每个评分条目，并解释你的理由。
然后汇总得分，并在你回复的最后一行写：VERDICT: <total_points>（不要包含其他文字）。
例如：VERDICT: 2.5 或 VERDICT: 8。

英文原文

You are grading a science exam.
You will be given the problem, attempted answer, and a rubric to grade the answer. The rubric
will total up to 10 points.
Evaluate the attemped answer against the provided rubric. Pay close attention to detail and
grade it strictly, but fairly. Only evaluate against the rubric, as you yourself should not make
any judgements (e.g., even if you think the answer is correct but rubric is wrong, you should
treat the rubric as the gold standard). Return the absolute total number of points earned (it can
be a decimal based on the rubric). ***
The problem: {problem}
***
The rubric: {rubric}
***
The attempted answer: {answer}
***
First, think step-by-step about each rubric item. Explain your reasoning for each rubric item.
Then, tally the points up and write VERDICT: <total_points> in the last line of your response,
no other text. For example, VERDICT: 2.5 or VERDICT: 8.

注：以上提示词来自论文附录页面；本网页不依赖 PDF，截图仅用于对照与排版参考。

C. 题目要求

下列为给题目作者的要求摘要，分别适用于 Research 与 Olympiad 两条赛道。

Research 题目指南

• 题目清晰：必须显式定义所需的背景信息、变量、符号与假设；模型应获得与领域专家解题所需的同等输入。若因信息缺失导致模型失败，应调整描述或任务措辞。
• 原创性：若题目受到公开来源（如研究论文）启发，题目与/或答案数值应做实质性修改。
• 评分一致性：评分条目必须彼此独立且可客观评估；每个条目应肯定式、清晰且明确陈述得分条件，避免含糊；给出具体通过/失败条件（如“写出如下方程 X”）；定义所有变量与缩写；确保人类与模型判分差异总体不超过 0.5 分。
• 难度：题目应足够有挑战性，通常需要 3–5 小时撰写，以充分测试推理深度；题目应测试问题求解能力，而非文风、搜索或时效性（知识截止）。

Olympiad 题目指南

• 正确性（确保题目正确且完整）：提供全部假设并定义所有变量；使用正确的物理/方程；确保题目不会产生多种解释。
• 可验证性（确保题目可验证）：提供最终答案中使用到的全部变量；明确方向/正负号等信息；LaTeX 表达清晰且不含 Unicode 字符，确保函数格式正确（常见错误是写 sin 而非 \sin）；为被求解量定义变量名；答案必须是单个数值或代数表达式；若最终答案使用单位，需明确指定单位与符号（例如“用 m 表示米”）。

题目指南（节选）：论文中给出的 Research 与 Olympiad 题目要求截图。