PHYBench发布，测试LLM物理推理，人类60%+，Gemini仅36.9%

PHYBench 发布了！

这是一个新的基准，用于测试 LLM 在物理上下文中的推理能力。包含 500 个精心设计的问题，涵盖力学、电磁学等领域。

即使是 Gemini 2.5 Pro 也仅达到 36.9% 的准确率，而人类超过 60%。