一句话看懂：alphaXiv 收录的论文推出 LongChang 框架，在物理规律被秘密改动的模拟世界里，不告诉模型研究什么，看它能否自己注意到异常并找出规则；12 个模型中只有 GPT-6-Astra 发现率达 16.7%，其余 11 个均为 0%。这直接检验大模型做开放式科学发现的起点能力。
事件核心：发生了什么
论文作者构建了一套自动化测试：由大模型代理生成场景、检查道具设计、评判报告，探索者在 MuJoCo 环境中可推、扔、抓、移动、释放或等待，需要时还能设计并搭建测量装置，全部记录在案后再提交报告，由独立的 LLM 评审对照隐藏规则和探索记录打分。评测覆盖 12 个模型、15 个固定初始场景，最多 100 轮；其中 14 个改动规律的场景每模型各跑 3 次，共 42 次，另设常规物理对照且不计入成绩。数据显示，GPT-6-Astra 发现率为 16.7%，其他 11 个模型为 0%。
为什么重要
此前的 PhysGym、NewtonBench 类基准通常先给定变量或目标规律，模型只需完成推断。LongChang 把难点前移：模型必须自己意识到哪里不对，并决定研究什么。这更接近科学发现的真实起点，也暴露了当前大模型的一个短板——执行实验是一回事，从异常中提出问题是另一回事。值得注意的是，成绩同时要求规律描述的单位正确、结论有探索记录支撑，蒙对或只得到部分结论都不算发现。目前公开信息仅来自摘要和项目页，尚未看到更完整的实验分析。
对用户/开发者/创作者的影响
对开发者而言，这意味着单纯堆叠实验工具和长程操作能力，并不必然带来自主探究能力；评测中“未追查异常”“部分识别规律”的记录提示，智能体在异常检测、优先级判断和实验设计上仍有明显缺口。若这类框架继续成熟，它可能成为评估科研类 AI 应用和大模型代理的一项参考维度，但目前不宜把 16.7% 当成模型的普遍能力或永久排名，它只对应上述场景和条件。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是场景数量和任务复杂度是否会扩大，零分结果是否在更多轮次或提示下改变；二是 GPT-6-Astra 的优势来自异常敏感度还是实验设计策略；三是评测依赖 LLM 评审，其判定标准与稳定性是否公开可复核。
来源：alphaXiv
