几十个物理学家凑了50道没发表过的研究级理论物理题，本来想考AI，结果被GPT-6 Astra反过来挑了错。

这个评测叫TheoPhysEval，出题的有ICTS、TIFR、哈佛、宾大这些地方的人，难度按专家一天能做完来定。Astra在Codex里带工具和联网跑，一开始有好几道被判错，作者回头一核对，是参考答案自己算错了。最后49/50，平均每题不到3美元。Claude Opus 5.5做对46道。

作者还顺手说了一句挺扎心的：那种拿已知计算改一改的题，以前是研究生入门的第一个课题，以后别这么布置了，除非就是为了练手。

照这么下去，benchmark的天花板可能先卡在人类的标准答案上。