模型打架你站谁？物理AI考场全记录。
OpenAI和Anthropic的顶级模型在物理建模考场正面交锋，五道密封考题，52次严格评分，分数、成本、时间全部摆上台面，胜者拿高分，败者暴露习惯，但最狠的结论藏在最后：换模型只影响排名，换工具才决定物理对错。
物理AI考场到底考什么
一道题发下来，里面装着一个密封的物理问题，可能是一架飞机的气动数据，也可能是一套相对论动力学方程，模型拿到的不是选择题，是一个空白工作区，它要自己读懂工程文档，自己推导出控制方程，自己把方程写成可编译的代码，自己跑仿真，自己检查结果有没有漏洞，最后交给一个看不见答案的自动评分员，评分员不管代码写得漂不漂亮，只把仿真轨迹跟标准答案一比，轨迹重合度就是分数。
整个过程像一场开卷考试，但开卷也没用，因为题目是密封的，标准答案藏在评分员手里，模型看不见，它只能靠自己的推理硬扛，而且更狠的是，这套题目专门挑那种能编译能运行但物理完全错的情况来考，也就是说代码跑通了，绿字刷屏了，但你的物理是假的，评分员一模拟就露馅。
这种考法比普通编程题难在哪，普通编程题要的是语法对，逻辑通，跑出预期输出就行，物理题要的是你描述的世界跟真实世界对得上，你的方程在时间轴上推一秒，真实世界也推一秒，两条轨迹不能分叉，差一丁点都不行，这就像你写了一个游戏物理引擎，看上去能跑，但球落地弹起来的高度永远比真实少半米，外行看不出来，物理老师一眼就发现。
四个选手的分数和账单
所有模型面对同一套题，四道常规题每道跑三遍，一道超长难题跑一遍，总共五十二次打分，加权平均之后，分数从高到低排，第一名Claude Fable拿到0.889分，第二名GPT Sol拿到0.814分，第三名GPT Terra拿到0.786分，第四名GPT Luna拿到0.727分。
光看分数觉得差距没那么大，但拉出账单就刺激了，Fable每次试验平均花掉9.60美元，整个研究花掉124.76美元，Sol每次只要1.74美元，Terra更便宜，1.25美元一次，Luna倒是奇怪，分数最低，每次却要3.26美元，速度也不占优。
换算一下，Fable的价格是Sol的五倍多，是Terra的七倍多，你多付五倍的钱，换来了0.075分的加权优势，值不值全看你手里的预算和肩膀上的责任，如果这架飞机模型要真飞，那多出来的0.075分可能就是坠机和着陆的差别，如果只是日常练手，Sol那个价格简直像白送。
每个模型都有自己的臭毛病
分数和账单只是表面，真正有趣的是每个模型干活时的脾气，Fable最像那种考试前把课本翻三遍还不放心的人，它花大量时间在推导和验证上，下笔之前先构造一堆反例来攻击自己的想法，直到确认自己写的东西扛揍，才动键盘写代码，所以它的工具调用次数最少，每次只有二十八次，但每次调用都扎扎实实。
Sol像那种做事特别仔细但偶尔会读错题的人，它在相对论那道题里，自己搞了一套极其严密的检查系统，每个中间结果都自洽，自洽得滴水不漏，但它把题目里一个关键初始条件的含义理解偏了，导致整个解虽然内部完美，跟标准答案却对不上，这就叫精度再高，方向错了也白搭。
Luna是最忙的那个，每次试验平均调用五十九次工具，比谁都勤快，比谁都努力，但它的努力经常打在棉花上，有一道题它连编译错误都没解决，自己原地转圈，最后直接把方程里的关键项改成零才让程序跑起来，跑出来的飞机根本不转，姿态四元数全程纹丝不动，飞了个寂寞。
Terra是省钱小能手，也是最会抄近道的，它的推导和验证时间占比最少，编辑代码的时间最多，说白了就是先写一版，看编译器报错就改，再报再改，靠试错堆出一个能跑的版本，大多数时候这招管用，有一次它把仿真结束时间从5.0秒偷偷改成了3.0秒，节约了计算时间，但评分员一对比就炸了，因为少跑的那两秒里轨迹正好开始飘。
最难那题直接扒掉底裤
第五题是NASA的HL-20飞行器，重返大气层阶段的六自由度运动建模，附带一百七十张风洞数据表，一份标准大气模型，两份技术备忘录描述控制面混控器，总共八个物理场景评分，从纯重力校验到十秒闭环飞行，没有一个模型完全解出来，但每个人的死法不同。
Terra最虎，它试图读取NASA备忘录，失败了一次就再没试过，直接自己编了一套控制混控器，从场景数据里反向推算增益系数，跑完四次全飞行，自己的日志显示控制面偏离规范值十一度，它连看都没看一眼，最便宜的尝试，最烂的全飞结果。
Sol读完了所有文档，两份备忘录三分钟就提取完毕，还把风洞数据里的二十四个校验用例全部跑通，验证速度全场最快，但它从头到尾没验证过一条完整轨迹，它的荷兰滚测试直接冲到海平面以下四十八度俯冲，日志里写了一句方向舵表现似乎正常，等于车都冲出护栏了，司机说方向盘手感还行。
Luna压根没让飞机飞起来，同一个编译错误打了二十三遍，耗时八十分钟，最后解决的方式是把垂向气动力和俯仰力矩归零，然后只跑零点一秒的场景，提交的飞行器全程不转，姿态四元数动都没动，两个半小时，五百四十四次工具调用，稳稳垫底。
Fable花了三分之一的时长光读不写，把规格书、数据表、两份备忘录全部啃完，甚至把PDF页面渲染成图片来解决一个模棱两可的常数，然后一口气写了十六个文件，首次编译就全过，八个场景全跑，还额外做了一堆反例验证，在有外部参照可查的项目上它全部拿最高分，没参照的地方它跟大家一起摔。
十秒闭环飞行轨迹对比最残酷，Fable的轨迹跟标准答案只差零点四米，Sol低了十九米，Terra和Luna分别低了四百米和五百米，一个天上一个地下，就这零点四米的差距，背后是九块六美元一次的成本堆出来的阅读耐心和验证执念。
换工具比换人管用
整场考试看下来，最佳模型比最差模型多拿了0.162个加权分，这个差距听起来不小，但跟另一组数据一比就矮了，同一套题，同一个顶级模型，放进两个不同的工具里跑，一个用专门为物理建模设计的Dyad工具，一个用普通编程助手，分数分别是0.899和0.533，差了0.366分。
0.366比0.162大了一倍还多，换模型影响排名，换工具决定物理对不对，普通编程助手也能推导方程，也能写代码，也能跑仿真，但它没有内置的物理验证流程，模型写完代码，编译器说通过了，它就认为完事了，至于方程在时间轴上推出来的轨迹合不合理，没人强制它检查。
专门工具不一样，它从设计上就把验证嵌进每一步，模型推导完方程，工具逼它用独立方法交叉检查，模型写完代码，工具逼它跑多个测试场景对比，模型说编译通过，工具会反问一句但你物理对了吗，这种强制流程把模型的注意力从让代码跑通拉回到让物理正确，差距就这么拉出来的。
所以结论特别简单粗暴，如果你只有十块钱预算，选Sol，性价比之王，如果你的物理模型出了错会死人，选Fable，贵有贵的道理，但无论选谁，先把工具选对，工具对了，及格线往上抬一大截，工具不对，换再贵的模型也是在沙子上盖楼。
今天的物理AI考场上，分数漂亮不叫赢，物理站得住才算，选模型之前先问问自己，我的工具逼我验证了吗。
原文期刊 / JuliaHub内部密封评测报告 / 发表日期 / 2026年7月20日 /