多模态AI物理推理能力大考：头部模型集体不及格，人类仍占绝对优势

PhyX团队发布首个针对多模态大模型物理推理能力的基准测试，结果显示包括GPT-4o mini在内的16个主流模型在物理推理测试中表现普遍不佳，最高准确率仅45.8%，远低于人类75.6%的水平。测试涵盖力学、电磁等六大物理学科，暴露出模型在图像感知、知识储备和逻辑推理方面的系统性缺陷，尤其在高阶物理推理任务中准确率不足30%。