AI KUTATÁS
Az OpenAI bemutatja a FrontierScience benchmarkot a doktori szintű érvelés értékelésére
Az OpenAI kiadott egy új értékelési keretrendszert FrontierScience néven, amelyet kifejezetten a doktori (PhD) szintű tudományos érvelési képességek mérésére terveztek. A benchmark összetett problémákat fed le a fizika, a kémia és a biológia területén. A kezdeti tesztek során az OpenAI GPT-5.2 modellje szerezte meg az első helyet, kimagasló teljesítményt nyújtva mind a strukturált feleletválasztós, mind a nyitott végű, mély szakértelmet igénylő tudományos feladatokban.
- Doktori szintű érvelést mér fizikában, kémiában és biológiában
- Strukturált és nyitott végű feladatformátumokat egyaránt tartalmaz
- Jelenleg a GPT-5.2 vezeti a benchmark teljesítménytáblázatait
- Célja az AI-értékelés kiterjesztése az általános ismereteken túl a mély szakértelem irányába
Miért fontos?
Ahogy az LLM-ek sorra veszik az általános tudást mérő teszteket, a kutatóknak egyre specifikusabb és nehezebb benchmarkokra van szükségük, hogy megkülönböztessék a valódi érvelésre képes modelleket az egyszerű mintafelismerőktől.