考試現(xiàn)場SUPERChem總覽與例題

近日，北京大學(xué)化學(xué)與分子工程學(xué)院聯(lián)合北大計算中心、計算機學(xué)院、元培學(xué)院團隊，發(fā)布了最新成果SUPERChem：他們以一套“北大試卷”為標(biāo)尺，冷靜丈量著AI在科學(xué)推理上的真實邊界。

一場特殊的期中考

在北京大學(xué)化學(xué)與分子工程學(xué)院，有機化學(xué)考試的期中考前，學(xué)生們收到突如其來的一條通知：“請注意，本次考試范圍不僅限于有機化學(xué)?！?/p>

除了考試范圍的變化，考場里還迎來的一批“特殊考生”：GPT、Gemini、DeepSeek……這些當(dāng)下世界上最聰明的AI，會在云端與174位北大化學(xué)與分子工程學(xué)院的大二學(xué)生同場競技

這是一場精心設(shè)計的“圖靈測試”，也是北大科研團隊為大語言模型投下的一塊“試金石”。

晶體結(jié)構(gòu)的精細(xì)解析、反應(yīng)機理的深度推演、物化性質(zhì)的定量計算……打開SUPERChem的題庫，這500道題目并非來自網(wǎng)絡(luò)上隨手可得的公開題庫，而是源于對高難度試題和前沿專業(yè)文獻的深度改編。

之所以要費盡周折重新出題，是“因為大模型太會‘背書’了?！眻F隊成員解釋道。互聯(lián)網(wǎng)可及的測試題大多已被博聞強識的AI在訓(xùn)練階段熟讀，但化學(xué)是一門不能只靠死記硬背的學(xué)科，既有嚴(yán)密的邏輯推演，又充滿了對微觀世界的空間想象?！拔覀兎浅：闷?，大語言模型的一維 next token prediction，能否解決二維、甚至三維空間中的復(fù)雜推理問題。”

設(shè)計一套讓AI“沒見過”、必須靠硬實力推理的題目，難度極高。為此，北大化院近百名師生——其中不乏奧林匹克金牌得主——集結(jié)起來，決定給AI出一套高門檻、重推理、防作弊的試卷。

他們要考的，是AI是否真的“懂”化學(xué)。

前沿模型在SUPERChem上的表現(xiàn)前沿模型的正確率與RPF關(guān)系輸入模態(tài)對不同模型的影響推理斷點所屬化學(xué)能力分布

北大學(xué)生對決AI

誰考得更好？

在這場精心設(shè)計的考試中，人類展現(xiàn)出了復(fù)雜的科學(xué)直覺。

作為基線，參與測試的北大化院本科生取得了40.3%的平均準(zhǔn)確率。這個數(shù)字本身，就足以說明這套題目的硬核程度。

而AI的表現(xiàn)如何？

即便是接受測試的頂尖模型，其成績也僅與低年級本科生的平均水平相當(dāng)。

讓團隊感到意外的是視覺信息帶來的困惑?；瘜W(xué)的語言是圖形，分子結(jié)構(gòu)、反應(yīng)機理圖蘊含著關(guān)鍵信息。然而對于部分模型而言，當(dāng)引入圖像信息時，其準(zhǔn)確率不升反降。這說明，當(dāng)前的AI在將視覺信息轉(zhuǎn)化為化學(xué)語義時，仍存在明顯的感知瓶頸。

然而，即使選對了答案，解題步驟也可能經(jīng)不起推敲。因此，團隊為每一道題目都標(biāo)注了詳細(xì)的評分規(guī)則。在SUPERChem這臺“顯微鏡”下，AI是真懂還是裝懂，一目了然。

團隊發(fā)現(xiàn)，AI的推理鏈條往往斷裂于產(chǎn)物結(jié)構(gòu)預(yù)測、反應(yīng)機理識別以及構(gòu)效關(guān)系分析等高階任務(wù)。當(dāng)前的頂尖模型雖然擁有海量的知識儲備，但在處理需要嚴(yán)密邏輯和深刻理解的硬核化學(xué)問題時，仍顯得力不從心。

讓AI與人類對決

意義何在？

SUPERChem的誕生，填補了化學(xué)領(lǐng)域多模態(tài)深度推理評測的空白。

據(jù)介紹，團隊發(fā)布這項成果，并非為了證明AI的短板，而是為了推動它走得更遠。SUPERChem就像一個路標(biāo)。它提醒我們：從通用的聊天機器人，到能夠理解構(gòu)效關(guān)系、推演反應(yīng)機理的專業(yè)科學(xué)助手，中間還有很長的一段路要走。那是從“記住知識”到“理解物理世界”的跨越。

目前，SUPERChem項目已全面開源。團隊希望這套源自北大的“試卷”，能成為全球科學(xué)與人工智能領(lǐng)域的公共財富，去催化下一次技術(shù)的爆發(fā)。