98 分，零突破。

看了一篇 arXiv 论文 TheoPhysEval：约 35 位研究者出了 50 道「未发表」的研究级理论物理题（题是新的，方法是已知的），专家不用 AI 约一天能做完。

GPT-6-Astra 在 Codex 里答对 49 道，98%，平均每题不到 3 美元；Claude Opus 5.5 在 Claude Code 里 92%。断网、不给文献，两者都是 92%，作者判读是模型对文献有显著记忆。

但作者自己划了线：这些题是「按部就班地摇手柄」，不含重大开放问题；理论物理至今没有一个由 agent 主导的突破，缺的是 taste。

算得对，不等于会提问。会算越来越便宜，提出好问题越来越值钱。