శాస్త్రీయ పరిశోధనా పనులను చేయడంలో AI సామర్థ్యాన్ని అంచనా వేయడం.
ఫిజిక్స్, కెమిస్ట్రీ, బయాలజీ రంగాలన్నింటిలో నిపుణ స్థాయి శాస్త్రీయ రీజనింగ్లో AI సామర్థ్యాలను అంచనా వేయడానికి మేము FrontierScience అనే కొత్త బెంచ్మార్క్ను పరిచయం చేస్తున్నాము.
రీజనింగ్ అనేది శాస్త్రీయ పనిలో గుండెకాయలాంటిది. కేవలం వాస్తవాలను గుర్తుపెట్టుకోవడం మాత్రమే కాదు; శాస్త్రవేత్తలు హైపోథెసిస్లను రూపొందించి, వాటిని పరీక్షించి మెరుగుపరుస్తారు, అలాగే విభిన్న రంగాల నుంచి వచ్చిన ఆలోచనలను కలిపి కొత్త అవగాహనకు వస్తారు. మా మోడల్స్ మరింత శక్తివంతంగా మారుతున్న కొద్దీ, అవి లోతైన రీజనింగ్ ద్వారా శాస్త్రీయ పరిశోధనకు ఎలా దోహదపడగలవు అన్నదే కీలక ప్రశ్నగా మారుతోంది.
గత ఏడాదిలో, మా మోడల్స్ అనేక ముఖ్యమైన మైల్స్టోన్లను సాధించాయి; అందులో ఇంటర్నేషనల్ మ్యాథ్ ఒలింపియాడ్ మరియు ఇంటర్నేషనల్ ఒలింపియాడ్ ఇన్ ఇన్ఫర్మాటిక్స్లో గోల్డ్ మెడల్ స్థాయి పనితీరు సాధించడం కూడా ఉంది. అదే సమయంలో, GPT‑5 వంటి మా అత్యంత సామర్థ్యవంతమైన మోడల్స్ నిజమైన శాస్త్రీయ వర్క్ఫ్లోలను స్పష్టంగా వేగవంతం చేస్తున్నాయని మేము గమనించడం ప్రారంభించాము. పరిశోధకులు ఈ సిస్టమ్లను విభిన్న రంగాలు మరియు భాషలలో ఉన్న లిటరేచర్ను సర్చ్ చేయడం, అలాగే క్లిష్టమైన గణిత ప్రూఫ్లను అర్థం చేసుకొని పరిష్కరించడం వంటి పనుల కోసం ఉపయోగిస్తున్నారు. చాలా సందర్భాల్లో, రోజులకో లేదా వారాలకో పట్టే పనిని ఈ మోడల్ కొన్ని గంటలకే పూర్తి చేయగలుగుతోంది. ఈ పురోగతిని 2025 నవంబర్లో విడుదలైన మా పేపర్ Early science acceleration experiments with GPT‑5,లో వివరించాము; ఇందులో GPT‑5 శాస్త్రీయ వర్క్ఫ్లోలను కొలిచే స్థాయిలో వేగవంతం చేయగలదని చూపించే ప్రారంభ ఆధారాలు ఉన్నాయి.
శాస్త్రీయ పురోగతిని వేగవంతం చేయడం AI ద్వారా మానవాళికి అందించగల అత్యంత ఆశాజనక అవకాశాల్లో ఒకటి. అందుకే, కఠినమైన మ్యాథ్ మరియు సైన్స్ పనులపై మా మోడల్స్ను మెరుగుపరుస్తూ, శాస్త్రవేత్తలు వాటి నుంచి గరిష్ట ప్రయోజనం పొందేందుకు సహాయపడే టూల్స్పై కూడా పని చేస్తున్నాము.
PhD నిపుణులు రూపొందించిన “Google-Proof” సైన్స్ బెంచ్మార్క్ అయిన GPQA(కొత్త విండోలో తెరుచుకుంటుంది), 2023 నవంబర్లో విడుదలైనప్పుడు, GPT‑4 కేవలం 39% మాత్రమే స్కోర్ చేసింది, ఇది 70% ఉన్న నిపుణుల బేస్లైన్ కంటే తక్కువ. రెండు సంవత్సరాల తర్వాత, GPT‑5.2 92% స్కోర్ సాధించింది. మోడల్స్ యొక్క రీజనింగ్ మరియు జ్ఞాన సామర్థ్యాలు పెరుగుతున్న కొద్దీ, శాస్త్రీయ పరిశోధనను వేగవంతం చేసే వాటి సామర్థ్యాన్ని కొలవడానికి మరియు ముందస్తుగా అంచనా వేయడానికి మరింత కఠినమైన బెంచ్మార్క్లు అవసరం అవుతాయి. ఇప్పటివరకు ఉన్న చాలా శాస్త్రీయ బెంచ్మార్క్లు ప్రధానంగా మల్టిపుల్-చాయిస్ ప్రశ్నలపై ఆధారపడటం, ఇప్పటికే సాచురేట్ కావడం, లేదా సైన్స్పై కేంద్రంగా దృష్టి పెట్టకపోవడం వంటి పరిమితులను కలిగి ఉన్నాయి.
ఈ లోటును భర్తీ చేయడానికి, నిపుణ స్థాయి శాస్త్రీయ సామర్థ్యాలను కొలిచేలా రూపొందించిన కొత్త బెంచ్మార్క్ FrontierScienceను మేము పరిచయం చేస్తున్నాము. FrontierScienceను ఫిజిక్స్, కెమిస్ట్రీ, బయాలజీ రంగాల నిపుణులు రచించి, ధృవీకరించారు; ఇందులో కఠినమైనవి, ఒరిజినల్గా ఉన్నవి, అర్థవంతమైనవి అయిన వందల సంఖ్యలో ప్రశ్నలు ఉన్నాయి. FrontierScienceలో రెండు ప్రశ్నా ట్రాక్లు ఉన్నాయి: ఒలింపియాడ్ — ఒలింపియాడ్ తరహా శాస్త్రీయ రీజనింగ్ సామర్థ్యాలను కొలుస్తుంది; రీసెర్చ్ — నిజ జీవిత శాస్త్రీయ పరిశోధనా సామర్థ్యాలను అంచనా వేస్తుంది. మోడల్స్ యొక్క శాస్త్రీయ సామర్థ్యాలపై మరింత స్పష్టమైన అవగాహన కల్పించడం ద్వారా, మేము పురోగతిని ట్రాక్ చేయగలుగుతాము మరియు AI ద్వారా వేగవంతమైన సైన్స్ను ముందుకు తీసుకెళ్లగలుగుతాము.
మా ప్రారంభ మూల్యాంకనాల్లో, FrontierScience-ఒలింపియాడ్ (77% స్కోర్) మరియు రీసెర్చ్ (25% స్కోర్) రెండింటిలోనూ GPT‑5.2 ఇతర ఫ్రంటియర్ మోడల్స్ కంటే మెరుగైన పనితీరు చూపించింది. నిపుణ స్థాయి ప్రశ్నలను పరిష్కరించడంలో గణనీయమైన పురోగతి కనిపిస్తోంది, అయితే ముఖ్యంగా ఓపెన్-ఎండెడ్ రీసెర్చ్ తరహా పనుల్లో ఇంకా ముందుకు వెళ్లేందుకు అవకాశముంది. శాస్త్రవేత్తల దృష్టిలో, స్ట్రక్చర్డ్ రీజనింగ్ అవసరమైన పరిశోధన భాగాల్లో ప్రస్తుత మోడల్స్ ఇప్పటికే సహాయపడగలవని ఇది సూచిస్తోంది; అదే సమయంలో, ఓపెన్-ఎండెడ్ ఆలోచనలను నిర్వహించే సామర్థ్యాన్ని మెరుగుపరచడానికి ఇంకా చాల పని మిగిలి ఉందని కూడా స్పష్టంగా చూపిస్తోంది. ఈ ఫలితాలు నేటి మోడల్స్ను శాస్త్రవేత్తలు ఎలా ఉపయోగిస్తున్నారో దానికి అనుగుణంగా ఉన్నాయి: రీసెర్చ్ వర్క్ఫ్లోలను వేగవంతం చేయడానికి, సమస్యను ఎలా నిర్వచించాలి మరియు ఫలితాలను ఎలా ధృవీకరించాలి అన్న విషయాల్లో మానవ నిర్ణయంపై ఆధారపడుతూ, అలాగే సాధారణంగా చాలా సమయం పట్టే ఆలోచనలు మరియు కనెక్షన్లను అన్వేషించడానికి — కొన్ని సందర్భాల్లో నిపుణులు తర్వాత మూల్యాంకనం చేసి పరీక్షించే కొత్త ఇన్సైట్స్ను కూడా అందించే స్థాయికి.
చివరికి, AI యొక్క శాస్త్రీయ సామర్థ్యాలను నిజంగా కొలిచే అత్యంత ముఖ్యమైన ప్రమాణం అది సాధించడంలో సహాయపడే కొత్త ఆవిష్కరణలే; శాస్త్రానికి మరియు సమాజానికి చివరికి ప్రాముఖ్యం కలిగింది అవే. FrontierScience ఆ తుది లక్ష్యానికి ముందున్న దశలో ఉంటుంది. నిపుణ స్థాయి శాస్త్రీయ రీజనింగ్కు ఇది మాకు ఒక దిశాసూచికలా పనిచేస్తుంది; ఒకే ప్రమాణాలతో రూపొందించిన ప్రశ్నల సెట్పై మోడల్స్ను పరీక్షించి, అవి ఎక్కడ విజయవంతమవుతున్నాయో లేదా ఎక్కడ విఫలమవుతున్నాయో చూసి, ఎక్కడ మెరుగుదల అవసరమో గుర్తించడానికి సహాయపడుతుంది. FrontierScience పరిధి పరిమితమైనది మరియు కొన్ని కీలక అంశాల్లో పరిమితులను కలిగి ఉంది (ఉదాహరణకు, నిపుణులు రూపొందించిన నియంత్రిత సమస్యలపై దృష్టి పెట్టడం); శాస్త్రవేత్తలు రోజువారీగా చేసే అన్ని పనులను ఇది పూర్తిగా ప్రతిబింబించదు. అయినప్పటికీ, ఈ రంగానికి మరింత కఠినమైనవి, ఒరిజినల్గా ఉన్నవి, అర్థవంతమైన సైన్స్ బెంచ్మార్క్లు అవసరం, ఆ దిశగా FrontierScience ఒక ముందడుగు వేస్తుంది.
పూర్తి FrontierScience అంచనా ప్రక్రియ ఫిజిక్స్, కెమిస్ట్రీ, బయాలజీ రంగాల ఉపశాఖలను కవర్ చేస్తూ 700కి పైగా టెక్స్ట్ ప్రశ్నలను కలిగి ఉంది; వాటిలో 160 గోల్డ్ సెట్లో ఉన్నాయి. ఈ బెంచ్మార్క్ ఒలింపియాడ్ మరియు రీసెర్చ్ అనే రెండు భాగాలుగా విభజించబడింది. FrontierScience-ఒలింపియాడ్లో అంతర్జాతీయ ఒలింపియాడ్ మెడలిస్టులు రూపొందించిన 100 ప్రశ్నలు ఉన్నాయి; ఇవి నియంత్రితమైన, చిన్న సమాధాన ఫార్మాట్లో శాస్త్రీయ రీజనింగ్ను అంచనా వేస్తాయి. ఒలింపియాడ్ సెట్లోని సిద్ధాంత ప్రశ్నలు, అంతర్జాతీయ ఒలింపియాడ్ పోటీల్లో వచ్చే సమస్యలంత కఠినంగా ఉండేలా రూపొందించబడ్డాయి. FrontierScience-రీసెర్చ్లో PhD శాస్త్రవేత్తలు (డాక్టరల్ అభ్యర్థులు, ప్రొఫెసర్లు లేదా పోస్ట్డాక్టరల్ పరిశోధకులు) రూపొందించిన 60 ఒరిజినల్ రీసెర్చ్ ఉపపనులు ఉన్నాయి; వీటిని 10-పాయింట్ల రూబ్రిక్ ఆధారంగా అంచనా వేస్తారు. రీసెర్చ్ సెట్ను, ఒక PhD శాస్త్రవేత్త తన పరిశోధనలో ఎదుర్కొనే స్థాయి కఠినత కలిగిన, స్వతంత్రంగా పూర్తి చేయగల బహుళ దశల ఉపపనులతో రూపొందించారు.
FrontierScienceలోని ప్రతి టాస్క్ను ఫిజిక్స్, కెమిస్ట్రీ లేదా బయాలజీ రంగానికి చెందిన డొమైన్ నిపుణుడు రచించి ధృవీకరిస్తారు. ఒలింపియాడ్ సెట్ కోసం, ప్రతి నిపుణుడు కనీసం ఒక అంతర్జాతీయ ఒలింపియాడ్ పోటీలో (చాలాసార్లు ఒకటి కంటే ఎక్కువలో) మెడల్ పొందినవారే. రీసెర్చ్ సెట్ కోసం, నిపుణులందరూ సంబంధిత రంగంలో PhD డిగ్రీ కలిగి ఉన్నవారే.
ఒలింపియాడ్ ప్రశ్నలను సంబంధిత రంగాల్లో 42 మంది మాజీ అంతర్జాతీయ మెడలిస్టులు లేదా జాతీయ జట్టు కోచ్లతో కలిసి రూపొందించారు; వీరి వద్ద కలిపి మొత్తం 109 ఒలింపియాడ్ మెడల్స్ ఉన్నాయి. రీసెర్చ్ ప్రశ్నలను 45 మంది అర్హత కలిగిన శాస్త్రవేత్తలు మరియు డొమైన్ నిపుణులతో కలిసి రూపొందించారు. ఈ శాస్త్రవేత్తలందరూ డాక్టరల్ అభ్యర్థులు, పోస్ట్డాక్టరల్ పరిశోధకులు లేదా ప్రొఫెసర్లు. వారి నైపుణ్య రంగాలు క్వాంటమ్ ఎలక్ట్రోడైనమిక్స్ నుంచి సింథటిక్ ఆర్గానిక్ కెమిస్ట్రీ వరకు, అలాగే ఎవల్యూషనరీ బయాలజీ వరకు విస్తరించిన అనేక ప్రత్యేకమైన మరియు ముఖ్యమైన శాస్త్రీయ విభాగాలను కవర్ చేశాయి.
రెండు సెట్ల కోసం టాస్క్లను తయారు చేసే ప్రక్రియలో OpenAI అంతర్గత మోడల్స్పై కొంత “సెలెక్షన్ అగెయిన్స్ట్” కూడా జరిగింది (ఉదాహరణకు, మోడల్స్ సరిగా పరిష్కరించిన టాస్క్లను తీసివేయడం). అందువల్ల, ఇతర మోడల్స్తో పోలిస్తే ఈ మోడల్స్పై అంచనా ఫలితాలు కొంతవరకు పాక్షికంగా ఉండొచ్చని మేము భావిస్తున్నాము. మేము ఒలింపియాడ్ గోల్డ్ సెట్లోని 100 ప్రశ్నలను, రీసెర్చ్ గోల్డ్ సెట్లోని 60 ప్రశ్నలను ఓపెన్-సోర్స్ చేస్తున్నాము. మిగిలిన ప్రశ్నలను కంటామినేషన్ను ట్రాక్ చేయడానికి విడిగా ఉంచుతున్నాము.
టాస్క్లు నాలుగు దశల ద్వారా వెళ్లుతాయి: క్రియేషన్, రివ్యూ, రిజల్యూషన్, రివిజన్. స్వతంత్ర నిపుణులు ఒకరినొకరు రూపొందించిన టాస్క్లను సమీక్షించి, అవి ప్రమాణాలకు సరిపోతున్నాయో లేదో ధృవీకరిస్తారు.
ఒలింపియాడ్ సెట్ను చిన్న సమాధానంతో గ్రేడ్ చేయొచ్చు: సంఖ్య, ఎక్స్ప్రెషన్, లేదా ఫజ్జీ స్ట్రింగ్ మ్యాచ్ ద్వారా. ఇది సరికాదా అనే నిర్ధారణకు సహాయపడుతుంది. అయితే, ఇలా నిర్ధారించడం వల్ల చాలాసార్లు సమస్యలో ఉండే ఎక్స్ప్రెసివిటీ మరియు ఓపెన్-ఎండెడ్ స్వభావం తగ్గిపోతుంది. రీసెర్చ్ సెట్లో మరింత ఓపెన్-ఎండెడ్ టాస్క్లను గ్రేడ్ చేయడానికి మేము రూబ్రిక్-ఆధారిత నిర్మాణాన్ని ప్రవేశపెడుతున్నాము. ప్రతి ప్రశ్నలో అనేక స్వతంత్రంగా, ఆబ్జెక్టివ్గా అంచనా వేయగల అంశాలతో కూడిన స్కోరింగ్ రూబ్రిక్ ఉంటుంది; మొత్తం 10 పాయింట్లు. గ్రేడింగ్ రూబ్రిక్ తుది సమాధానం ఎంత సరిగ్గా ఉందో మాత్రమే కాదు, మధ్యలోని రీజనింగ్ దశలు ఎంత సరిగ్గా ఉన్నాయో కూడా అంచనా వేస్తుంది. దీంతో మోడల్ పనితీరు మరియు విఫల కారణాలను మరింత సూక్ష్మంగా విశ్లేషించవచ్చు. ఒక సమాధానాన్ని “సరైనది”గా పరిగణించడానికి అది రూబ్రిక్లో కనీసం 10లో 7 పాయింట్లు పొందాలి.
సమాధానాలను మోడల్-ఆధారిత గ్రేడర్ (GPT‑5) ద్వారా, చిన్న సమాధానం లేదా రూబ్రిక్ ప్రమాణాలతో పోల్చి అంచనా వేస్తారు. ప్రతి సమాధానాన్ని నిపుణులైన మనుషులే గ్రేడ్ చేయడం ఆదర్శం అయినా, అది స్కేల్ అవదు. అందుకే మోడల్ గ్రేడర్తో కూడా చెక్ చేయగలిగేలా రూబ్రిక్ను రూపొందించాము. రూబ్రిక్లు మరియు ప్రశ్నలు కఠినత, సరిగ్గా ఉండటం అనే అంశాలకు సరైన రీతిలో క్యాలిబ్రేట్ అయ్యాయో లేదో చూసేందుకు మేము ఒక వెరిఫికేషన్ పైప్లైన్ను అభివృద్ధి చేశాము.
Sample chemistry research problem
Phthalocyanines are important macrocyclic compounds widely utilized in material and life sciences due to their outstanding physicochemical properties, including intense absorption in the visible-near-IR region and high electron-accepting ability. However, unlike porphyrins, the structural diversity of phthalocyanines has been limited by traditional synthetic methods that rely on one-step condensation of isoindoline units. The development of methodologies that allow controlled modification of the phthalocyanine framework, particularly at the meso-positions, represents a significant advancement in expanding the structural and electronic diversity of these compounds.
Analyze how the modification of meso-nitrogen atoms in nickel(II) phthalocyanine affects the electronic structure, aromaticity, spectroscopic properties, and reactivity of the resulting macrocycles. Explain the synthetic methodology that enables these modifications, the relationship between π-electron count and observed properties, and how these systems compare to traditional phthalocyanines and related porphyrinoids.
Sample response
1. Introduction: Why Modify the meso-Nitrogens of Phthalocyanines?
Phthalocyanines (Pc) are a class of macrocyclic dyes known for their remarkable chemical, electronic, and optical properties. Their widespread use in materials science, catalysis, and biology stems from strong absorptions in the visible/near-IR regions, exceptional redox characteristics (i.e., high electron affinity), and rigid π-conjugation. Traditional synthetic methods, however, typically form the macrocycle in a single step from phthalonitrile or isoindoline precursors, restricting the ability to introduce substitutions selectively at key ring positions-especially the "meso" (bridging) nitrogens. Recently, methodologies allowing targeted modification of the meso-nitrogen atoms in Ni(II) phthalocyanines have emerged as a powerful means to expand the structural and electronic diversity of these macrocycles.
2. Effect on Electronic Structure and Aromaticity
-
π-Electron Count and Ring Currents
Phthalocyanines are classical 18-electron aromatic systems, conferring high stability and planarity. Altering the meso-nitrogens through substitution or ring expansion can shift the effective π-electron count. For example, introducing additional unsaturated moieties or heteroatoms may expand the cyclic conjugation to 20 or 22 electrons, moving the molecule between Hückel aromaticity and other regimes that affect ring currents and magnetic properties.
-
Charge Distribution and Frontier Orbitals
Meso-substitution can tune the electron density distribution around the macrocycle. Electron-donating groups can push electron density toward the ring center, lowering the energy of the lowest unoccupied molecular orbital (LUMO). Electron-withdrawing groups, conversely, stabilize the highest occupied molecular orbital (HOMO) and shift redox potentials toward more positive values, altering both the electrochemical profile and the Q- and B-band positions in the UV-vis spectrum.
3. Spectroscopic Consequences
-
UV-Vis Absorption (Q and B Bands)
The principal absorption features of phthalocyanines lie in the visible (Q-band, typically 600-700 nm) and near-UV (B-band, typically 300-400 nm).
Substitution that expands the ring conjugation or introduces strong electron-donating/withdrawing groups can:
- Shift the Q-band to longer wavelengths (bathochromic shift), reaching into the near-IR, which is highly desirable for optoelectronic and photodynamic applications.
- Alter relative intensities of these bands and merge or split them, reflecting changes in orbital symmetries and energies.
-
NMR Spectroscopy and Aromatic Ring Currents
Modifications to the π-electron count and distribution are directly observed in 1H and 13C NMR chemical shifts.
More highly conjugated (or expanded) aromatic rings exhibit distinct downfield shifts for protons located within induced ring currents, while any partial loss of aromaticity or incorporation of antiaromatic segments can cause atypical shielding/deshielding patterns.
4. Reactivity and Coordination Chemistry
Because phthalocyanines are often used as redox catalysts or sensors, the meso-nitrogen modifications can significantly influence reactivity:
- Electron-rich meso substituents facilitate nucleophilic or electrophilic attacks at the ring periphery, enabling site-selective functionalizations that are otherwise difficult.
(... shortened for the purposes of this figure)
Sample grading rubric
Analysis of Traditional Phthalocyanine Synthesis Limitations (1 point)
0.5 point: Mentions limitations of traditional methods but without specific focus on meso-position control challenges.
0.0 point: Fails to identify key limitations of traditional synthetic approaches or provides incorrect analysis.
Thiolate-Mediated Tetramerization Process (1 point)
1.0 point: Correctly describes the thiolate-mediated reductive tetramerization and explains how counter cation size (K+ or Cs+ vs. Na+) affects selectivity between tetramer formation and direct macrocyclization.
0.5 point: Mentions thiolate-mediated tetramerization but without explaining factors controlling selectivity.
ఫెయిల్ 0.0 point: Incorrectly describes the oligomerization process or omits critical details about selectivity control.Analysis of NMR Spectroscopic Features (1 point)
1.0 point: Correctly explains that upfield shifts in the 16π system indicate paratropic ring current (antiaromaticity), contrasts this with the broad signals in 17π systems due to paramagnetism, and connects these observations to the underlying electronic structures.
పాస్ 0.5 point: Identifies basic NMR patterns but without clear connection to ring currents or electronic structure.0.0 point: Incorrectly interprets NMR data or fails to connect spectral features to electronic properties.
Electrochemical Property Analysis (1 point)
1.0 point: Correctly explains that the 16π system shows two reversible reductions reflecting conversion to 17π radical and 18π aromatic states, while 17π systems show narrow redox gaps due to facile interconversion between 16π, 17π, and 18π states, and relates these patterns to the underlying electronic structures.
పాస్ 0.5 point: Describes redox patterns without clearly connecting them to specific electronic state changes.0.0 point: Incorrectly interprets electrochemical data or fails to connect redox behavior to electronic properties.
Analysis of Absorption Spectroscopy (1 point)
1.0 point: Correctly explains that the 16π system shows weak/broad absorption due to symmetry-forbidden HOMO-LUMO transitions in antiaromatic systems, while 17π systems show Q-like bands plus NIR-II absorptions characteristic of radical species, and contrasts these with typical phthalocyanine spectral features.
పాస్ 0.5 point: Describes absorption features but provides limited connection to underlying electronic structures.0.0 point: Incorrectly interprets absorption data or fails to relate spectral features to electronic properties.
Reactivity Analysis of Antiaromatic System (1 point)
1.0 point: Correctly explains the high reactivity of the 16π system toward nucleophiles, details specific reactions with hydroxide (ring opening) and hydrazine (ring expansion), and explains how these transformations relieve antiaromatic destabilization.
0.5 point: Mentions reactivity but provides limited analysis of specific transformations or the driving forces behind them.
ఫెయిల్ 0.0 point: Incorrectly analyzes reactivity patterns or fails to connect them to the antiaromatic character of the 16π system.(... and more)
రీసెర్చ్ సెట్లోని ప్రతి టాస్క్ను మొత్తం 10 పాయింట్ల రూబ్రిక్తో అంచనా వేస్తారు; దీనిని నిపుణుడు లేదా మోడల్ గ్రేడర్ ఉపయోగించవచ్చు. మోడల్స్ను పెద్ద స్థాయిలో మూల్యాంకనం చేయడానికి, సమాధానాలను గ్రేడ్ చేయడానికి మేము మరో మోడల్ను ఉపయోగిస్తున్నాము.
మేము పలువురు ఫ్రంట్ియర్ మోడల్స్ను అంచనా వేశాము: GPT‑5.2, Claude Opus 4.5, Gemini 3 Pro, GPT‑4o, OpenAI o4-mini, అలాగే OpenAI o3 ను FrontierScience-ఒలింపియాడ్ మరియు FrontierScience-రీసెర్చ్పై పరీక్షించాము. GPT‑5.2 ని “xhigh” రీజనింగ్ ఎఫర్ట్లో అంచనా వేసినదాన్ని తప్పిస్తే, మిగతా అన్ని రీజనింగ్ మోడల్స్ను “high” రీజనింగ్ ఎఫర్ట్లో అంచనా వేశాము. మా ప్రారంభ అంచనాల్లో, FrontierScience-ఒలింపియాడ్ (77% స్కోర్) మరియు రీసెర్చ్ (25% స్కోర్) రెండింటిలోనూ GPT‑5.2 ఇతర ఫ్రంట్ియర్ మోడల్స్ కంటే మెరుగ్గా ప్రదర్శించింది. ఒలింపియాడ్ సెట్లో Gemini 3 Pro కూడా GPT‑5.2కి దాదాపు సమానంగా ఉంది (76% స్కోర్).
నిపుణ స్థాయి ప్రశ్నలను పరిష్కరించడంలో మేము గణనీయమైన పురోగతిని చూశాము, ముఖ్యంగా ఓపెన్-ఎండెడ్ రీసెర్చ్ తరహా టాస్క్లపై. అయినప్పటికీ ఇంకా ఎదగడానికి అవకాశం ఉంది: విఫలమైన కేసుల ట్రాన్స్క్రిప్ట్లను పరిశీలిస్తే, ఫ్రంట్ియర్ మోడల్స్ కొన్నిసార్లు రీజనింగ్, లాజిక్, లెక్కల్లో పొరపాట్లు చేశాయి; కొన్ని నిష్ శాస్త్రీయ కాన్సెప్ట్స్ను అర్థం చేసుకోలేకపోయాయి; అలాగే వాస్తవ పరమైన తప్పులూ చేశాయి.
అనేక ఫ్రంట్ియర్ మోడల్స్ మధ్య ఖచ్చితత్వాలను మేము పోల్చాము. FrontierScience-రీసెర్చ్ మరియు ఒలింపియాడ్ సెట్ రెండింటిలోనూ GPT‑5.2 మా అత్యుత్తమ పనితీరు చూపిన మోడల్గా ఉంది.
GPT‑5.2 మరియు o3 కోసం వివిధ రీజనింగ్ ఎఫర్ట్ స్థాయిలలో ఖచ్చితత్వాలను మేము పోల్చాము. ఎక్కువ సమయం ఆలోచించడానికి ఇవ్వడం ఖచ్చితత్వం పెరగడానికి దోహదపడుతుంది.
శాస్త్రీయ బెంచ్మార్క్ల కఠినత పరంగా FrontierScience ఒక ముందడుగు అయినప్పటికీ, ఇంకా అనేక పరిమితులు ఉన్నాయి. FrontierScienceలో ఉన్న ప్రశ్నలు నియంత్రిత సమస్య వివరణతో రూపొందించబడ్డాయి. ఇవి తుది సమాధానాన్ని అంచనా వేయడంపై (ఒలింపియాడ్) లేదా ఒక రీసెర్చ్ పనిని పూర్తి చేయడానికి అవసరమైన రీజనింగ్ను అంచనా వేయడంపై (రీసెర్చ్) దృష్టి పెడతాయి. అంతేకాదు, పొడవైన టాస్క్లకు అనేక భాగాలతో కూడిన రూబ్రిక్లను ఉపయోగించడం, తుది సమాధానాన్ని నేరుగా చెక్ చేయడానికంటే తక్కువ ఆబ్జెక్టివ్గా ఉంటుంది.
కఠినమైన, నిపుణులు రూపొందించిన ప్రశ్నలపై మోడల్స్ చేసే రీజనింగ్ను FrontierScience మరింత స్పష్టంగా చూపిస్తుంది; కానీ వాస్తవంగా శాస్త్రం ఎలా జరుగుతుందో అన్నదానికి ఇది పూర్తిస్థాయి చిత్రాన్ని ఇవ్వదు. ముఖ్యంగా, శాస్త్రీయ పరిశోధనలో కీలకమైన ఒక భాగాన్ని ఇది అంచనా వేయదు: నిజంగా కొత్త హైపోథెసిస్లను మోడల్స్ ఎలా సృష్టిస్తాయి, లేదా వీడియో డేటా మరియు భౌతిక ప్రపంచంలోని వాస్తవ ప్రయోగ వ్యవస్థలు వంటి బహుళ మోడాలిటీలతో ఎలా పరస్పర చర్య చేస్తాయి అన్నది ఇందులో లేదు.
ముందుకు చూస్తే, శాస్త్రీయ రీజనింగ్లో పురోగతి మెరుగైన జనరల్-పర్పస్ రీజనింగ్ సిస్టమ్ల నుంచీ, అలాగే శాస్త్రీయ సామర్థ్యాలను ప్రత్యేకంగా మెరుగుపరచే లక్ష్యపూర్వక ప్రయత్నాల నుంచీ వస్తుందని మేము భావిస్తున్నాము. FrontierScience అనేక టూల్స్లో ఒకటే. మోడల్స్ మెరుగుపడుతున్న కొద్దీ, ఈ బెంచ్మార్క్పై మేము పునరావృతంగా పని చేసి, కొత్త రంగాలకు విస్తరించి, ఈ సిస్టమ్లు శాస్త్రవేత్తలకు వాస్తవంగా ఏమి చేయగలిగేలా చేస్తాయో చూపించే మరిన్ని రియల్-వరల్డ్ మూల్యాంకనాలతో దీన్ని జత చేయాలని యోచిస్తున్నాము. FrontierScience వంటి బెంచ్మార్క్లు, నేటి AI సిస్టమ్ల బలహీనతలను అర్థం చేసుకోవడంలో సహాయపడతాయి; దాంతో శాస్త్రీయ ఆవిష్కరణలో విశ్వసనీయ భాగస్వాములుగా మోడల్స్ను తయారు చేయడంపై మా ప్రయత్నాలను కేంద్రీకరించగలుగుతాము.
రచయిత
చదవడం కొనసాగించండి
