研究者复核六项物理基准，抽查250个失败案例后仅12个确属模型错误。
推荐理由：复核发现250个被判失败的案例中仅12个是模型真错，其余多源于坏题、错答案和脆弱评分器，说明闭卷物理基准已难区分前沿模型。
阅读原文