OpenProblemBench 是一个包含 82 个来自数学和理论物理文献的未解问题的基准。每个问题提供研究背景、假设以及已有进展，确保所提解答能够通过明确的数学或计算检查进行验证。\ \ 四个评估模型独立判断提交答案的正确性、完整性和进展程度，且不依赖参考解。七种配置的实验表明，GPT-6-Astra 的平均判定解答率最高，为 14.0%，而全尺寸开放模型在 5.5%–6.7% 之间，Flash 系列模型在 2.4%–3.7% 之间。\ \ 案例对比显示，改进问题表述、使用超越有限证据的通用论证以及对关键步骤提供证明，均能提升模型表现。通过将评估根植于真实研究问题，OpenProblemBench 为探索 AI 在基础理论科学中的能力与局限提供了实验平台。\ \ 点评