01.摘要

近年来，人工智能快速发展，大语言模型（LLM）在数学、代码等领域展现出强大的推理和生成能力，正在被广泛应用于各种场景。为了更准确评估LLM 的推理能力，之前有研究者们陆续构建了多个标准化数据集，以数学领域为例，如GSM8K、MATH、UGMathBench 等，用于衡量模型解决数学问题的准确性。

然而，与数学相比，物理推理任务更具挑战性：不仅依赖数学推导能力，更需掌握物理法则、理解物理语境、处理单位换算和数量级等复杂知识。尽管已有部分面向高中或竞赛水平的物理评测集，但在覆盖本科物理课程、支持开放问答和系统推理等方面仍存在显著空白。这导致当前主流LLM 在实际物理任务中的表现尚不理想，亟需更具代表性的评测集对其能力进行深入评估。

为填补这一空白，香港科技大学联合清华大学构建并发布了UGPhysics：一个大规模、覆盖广、结构严谨的本科物理推理评估基准。该数据集由来自高校物理教材与题库的5,520 道题目组成，覆盖13 个学科、59 个子主题，题型丰富、语言双语（中英），并引入四类物理推理技能标签。同时，UGPhysics 团队设计了MARJ（Model-Assistant Rule-based Judgment）框架，结合规则和模型判别的优势，提升答案判别可靠性。

UGPhysics 团队还对31 个主流语言模型进行了系统评估，结果表明：即使是DeepSeek-R1 这样的推理模型在UGPhysics 上的准确率也才56% 左右，凸显出当前LLM 在物理领域仍存在显著提升空间。UGPhysics 将作为“物理推理能力”评估基准，为推动AI+Physics 交叉研究与模型发展提供重要支持。

 

主要贡献总结如下：

• 发布UGPhysics：目前规模最大、覆盖最广、结构最完整的中文+ 英文本科物理推理数据集，内容来自高校正式教材题库，质量可靠。

• 构建MARJ 框架：针对物理答案评估难的问题，提出融合规则与模型的自动评测框架，支持单位换算、表达式等价、多种答案形式。

编辑

图1: UGphysics 的概览

• 评估31 个主流大模型：系统对比通用模型、数学特化模型和闭源模型在UGPhysics上的推理能力。

项目地址：

https://github.com/YangLabHKUST/UGPhysics

技术报告地址：

https://arxiv.org/pdf/2502.00334

模型链接：

https://modelscope.cn/datasets/xinxu02/UGPhysics

值得一提的是，该工作已被国际顶级人工智能会议ICML 2025 正式接收

02.UGPhysics 的组成与构建

 

为系统评估大语言模型在本科物理推理任务中的能力，团队提出并构建了UGPhysics —— 一个结构规范、覆盖全面、具挑战性的本科物理推理基准数集。该数据集旨在填补现有评估体系在物理领域的空白，通过涵盖丰富课程体系、多样题型结构和细粒度标签体系，为物理推理能力的全面测评提供有力支撑。

2.1 数据来源与处理流程

UGPhysics 的题目数据主要来源于多本高校本科物理教材及其配套练习册，涵盖力学、电磁学、热学、量子力学、统计物理、固体物理等核心课程。UGPhysics 团队采用 Mathpix 工具对原始PDF 文档进行数学公式级别的OCR 识别，并通过人工校对修正转换过程中的语法与排版错误，最终得到统一格式的LaTeX 表达。

为便于自动化评估与结构分析，UGPhysics 团队将所有题目整理为标准化的三段式结构：

 

• Problem：题干部分，描述问题情境与求解目标；
  
• Solution：详细的物理解题过程，包括定律调用与数学推导；
  
• Answer：最终标准答案，形式统一、便于比对。
  

此外，UGPhysics 团队对题干语义进行嵌入表示，并在每门学科内使用余弦相似度进行聚类去重，剔除重复或近似问题，确保数据多样性与有效性。

2.2 覆盖范围与基本统计

UGPhysics 覆盖本科物理教学的三大核心领域：力学与热学、电磁学、现代物理，下设 13 个一级学科与59 个具体主题。数据集主要统计指标如下：

编辑

表1: Benchmark Statistics

答题类型详细如下：

编辑

表2: Examples of different answer types.

该设计突破传统物理QA 系列多为单选的局限，使UGPhysics 更贴近真实教学与考试中的答题形式，也为大模型能力提供多维评估视角。

2.3 推理技能分类与标签体系

为深入剖析语言模型在物理任务中表现出的不同推理能力，UGPhysics 团队引入了物理技能标签体系，对每道题进行推理能力划分。共设定四类核心技能：

1. 知识回忆（Knowledge Recall）：考查基础概念、公式记忆与直觉判断；
   
2. 定律应用（Laws Application）：要求准确调用相应物理定律或方程；
   
3. 数学推导（Math Derivation）：涉及多个数学步骤与公式变换；
   
4. 实际应用（Practical Application）：将物理理论与具体情景相结合进行建模或估算。
   

技能标签由GPT-4o 模型生成，并经过人工抽查验证，确保准确性与一致性。这些标签有助于模型微调方向选择、能力差异定位以及训练集设计优化。

 

2.4 数据构造原则与过滤策略

UGPhysics 所有题目均为文本输入输出形式，不依赖图像信息或外部上下文。UGPhysics 团队特别处理了教材中常见的“多问连答”型综合题，将其拆解为多个自洽的独立问题，确保每道题均可独立求解且自带上下文信息。

UGPhysics 团队还过滤掉了以下类型问题，以保证自动评估的可行性：

• 无法确定标准答案的问题（如开放性解释题、概念比较等）；
  
• 仅依赖图示、图片或图表才能解答的问题；
  
• 解题路径含不确定推理跳跃、难以统一答案形式的题目。
  

最终构成的UGPhysics 数据集，兼具完整性、准确性与评估适配性，适合用于构建严谨的基准评估体系。

2.5. 评估方法：MARJ 自动评判框架

传统的评估方法难以处理物理问题中的多个答案表达（如单位变换、等价表达式、容差容忍等），为此UGPhysics 团队提出MARJ（Model-Assistant Rule-based Judgment）框架：

• 精度适应：考虑有效数字、物理常数、单位换算等；
  
• 等价判别：支持表达式变换、近似量替换；
  
• 结合模型柔性：对难以判别的表达式使用LLM 模型评估辅助判断；
  
• 误判率显著下降：比纯规则或纯模型更稳定。
  

 

03.实验评估

为全面评估当前主流语言模型在本科物理推理任务中的表现，团队在UGPhysics 数据集上测试了涵盖闭源与开源的共31 个大语言模型，比较它们在中文与英文版本数据上的准确率表现。主要有以下发现：

 

• DeepSeek-R1 取得最佳表现，但整体准确率仍不足60%；大多数模型准确率低于50%，远未达到本科生平均水平；长推理模型虽有很强的推理能里，但在UGPhysics测试下仍显吃力，表明物理任务仍是LLM 的关键挑战。
  
• 多数模型在英文测试集上的准确率显著高于中文版本；中文任务中表现更弱，提示模型在双语平衡方面仍有待提升。
  
• 尽管数学继续预训练和监督微调可以显著提升模型的数学推理能力，但是对于物理推理的迁移有限；意味着可能需要专门的“物理继续预训练和监督微调”才能对物理推理有提升；对于长推理模型来说，他们只在数学和代码数据上进行强化学习训练，在物理推理上有较好的泛化性。
  
• 不同题型与推理技能类型下的模型准确率有差异：“知识回忆”类题目准确率最高；“定律应用”与“实际应用”类题目准确率最低；数值与表达式类型题目准确率高于复合或方程类型；复杂题型与高阶推理技能组合下，准确率普遍不足40%。
  
• 与数学推理不同，模型在物理推理任务上主要的错误类型是推理过程逻辑有问题，物理知识缺乏和错误运用物理定律。
  

编辑

编辑

表3: 主要的实验结果

 

点击链接，即可跳转模型~

https://modelscope.cn/datasets/xinxu02/UGPhysics