一句话看懂：arXiv 新论文提出 OpenFrontiers，把 12151 个开放研究问题整理成结构化语料，并配套一个 200 题的数学“再发现”基准；在 HQ-50 子集上评测七款 LLM 智能体，闭卷条件下最多只解出 40 题中的 7 题。
事件核心：发生了什么
该论文于 2026 年 10 月 30 日发布在 arXiv cs.AI。OpenFrontiers 由两部分组成：一个记录问题陈述、背景、研究进展等信息的开放问题语料库，共 12151 题，覆盖多个学科；另一个是数学回溯基准，包含 200 道题，其中 110 道在 2026 年已被解决、90 道仍开放。每题配有经过自动化探针和两次独立评审的 Lean 4 形式化陈述，并从中筛出质量更高的 HQ-50 子集。评测协议在隔离沙箱中用两个独立检查器给形式化证明打分，设置闭卷、冻结检索和联网三种条件。
为什么重要
当前大模型在竞赛题和日常代码任务上表现不错，但“能否重新发现已有研究成果”缺乏统一、可形式化核验的测法。OpenFrontiers 的价值在于把宽口径的研究问题语料，与一个有标准答案、可自动判分的评估子集连接起来。摘要给出的结果也提供了一个冷静参照：在统一预算下评测七款 LLM 智能体，闭卷再发现很少，HQ-50 中最多 7/40 被解出；联网条件下的成功主要反映对已发表解答的检索。这说明现有模型的“研究级推理”与检索能力仍须区分看待。需要说明，以上仅基于论文摘要，全文实验细节尚未核验，也不代表同行评审结论。
对用户/开发者/创作者的影响
对做 AI for Science、数学推理和智能体评测的开发者，这个基准提供了一个可复用的思路：用 Lean 4 形式化加双检查器降低评分主观性，并把“闭卷推理”和“联网检索”分开报告。数据与基准已在 Hugging Face 上提供，适合用于模型能力诊断，而不是直接当作产品宣称。普通用户和内容创作者可从中得到一个判断：模型能答对题，不等于能独立做出研究，引用时需看清评测条件。
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 200 题基准是否随新论文持续更新，90 道开放题如何转为可评测题；二是形式化证明与自动检查器能否扩展到数学以外学科；三是后续研究是否会按闭卷、冻结检索、联网分别公布成绩，避免把检索能力误读为推理突破。
来源：arXiv cs.AI
