TCSExam 基准发布：GPT-6 Astra 领先，Opus 5.5 轻量版居首
原文标题：TCSExam: Evaluating Frontier LLMs on the Full Range of TCS Research
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文推出 TCSExam，覆盖理论计算机科学研究全谱系的评测框架与基准，含定理证明、求解器工程、构造与开放猜想攻坚。完整版 100 项任务由 Lean 内核或可执行检查器验证。GPT-6 Astra 在完整版居首（71.9），Opus 5.5 在轻量版居首（72.3）。
- 问题
- 缺乏覆盖理论计算机科学全谱系、可验证的LLM能力评测基准。
- 方法
- 构建含定理证明、求解器工程、构造与开放猜想攻坚四轨的框架，完整版100项任务由Lean内核或可执行检查器验证，另设20项轻量版。
- 结果
- GPT-6 Astra居完整版首位（71.9），Opus 5.5居轻量版首位（72.3）；完整版与轻量版排名Spearman ρ=0.93。
- 影响
- 提供可复现、低成本的TCS能力标尺，轻量版可替代完整版做快速模型选型。
深读 · 结论先行AI 生成展开看要点与影响 ↓
TCSExam 基准发布：GPT-6 Astra 居完整版首位 71.9，Opus 5.5 居轻量版首位 72.3。
- •覆盖定理证明、求解器工程、构造与开放猜想攻坚四条赛道。
- •完整版 100 项专家评审任务，由 Lean 内核或可执行检查器验证。
- •轻量版 20 项（每赛道 5 项），在同等单次预算下减少 80% 尝试次数。
- •完整版与轻量版在 8 个共同智能体上排名高度一致，Spearman ρ=0.93。
- •评估还产出改进的求解器输出、数学构造，以及开放猜想尝试中独立验证的特例与界。
为什么重要：理论计算机科学此前缺少可自动验证的高难基准；轻量版与完整版排名强相关，意味着低成本评测或可替代全量跑分。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。