研究人员通过专家重新评分发现，前沿语言模型在物理基准测试上的报告分数存在重大偏差。经过审计和纠正，GPT-5.6-Sol在HLE-Physics基准上的评分从47.3%大幅上升至78.7%，在CMT-Benchmark上从61.0%上升至87.2%，表明当前物理基准测试严重低估了这些模型的实际能力。