CritPt：面向物理研究的高难度复合基准

CritPt 基准包含 71 个复合研究挑战，拆解为约 190 个检查点子任务，由领域专家创建并审核，平均每个挑战投入超 40 小时专家评审。答案采用数值数组、符号表达式和 Python 函数等抗猜测、可机器验证的格式，由自动化物理定制评分流水线打分，核心指标为准确率，得分普遍很低，反映该基准难度极高。结果来自 Artificial Analysis 托管的公开 CritPt 排行榜。