Новости
FrontierPhysics: Evaluating Agents for End-to-End Physics Research
arXiv cs.AI · Опубликовано · 3 мин чтения
За 30 секунд
- Что произошло
- FrontierPhysics benchmark evaluates AI agents on 56 end-to-end physics research tasks created by physicists, measuring both correctness and publishability of research outputs.
- Почему это важно
- Matters for engineers building AI systems for scientific research, assessing whether agents can conduct real research beyond isolated problem-solving.
- На что обратить внимание
- No model configuration passed more than 46 of 168 rollouts; agents struggle with rigorous reasoning and expert intuition, not physics knowledge itself.
- agent
- eval
- benchmark
Паттерны, стоящие за этой новостью
- Deep Research Agent
- Eval-Driven Development (Agent CI)
- Agentic Context Engineering (Evolving Playbook)
Каждый разбирает, как работает техника, когда она оправдывает затраты и где ломается.
The Agent Architect
Один паттерн, один компромисс, одна история сбоя в продакшене. Короткий еженедельный брифинг для тех, кто строит агентные системы.
Одно письмо в неделю, отписка в один клик. Адрес используется только для рассылки брифинга.