物理AI的前沿模型評估：GPT-5.6 vs Claude Fable 5

物理AI的正確性取決於模型所編碼的物理定律是否準確。一個飛機、分離塔或帶電粒子的模型可以順利編譯和運行，但其物理本質可能是錯誤的。AI智能體通過測試反饋來引導自身，而測試往往由同一智能體編寫，這使得錯誤模式更加嚴重。在物理工程領域，真正的問題是“這個模型是否符合現實世界？”——智能體可能通過所有自編寫的測試，但這些測試建立在簡化假設之上，這些假設在實際使用的工況下可能不成立。

現有基準測試存在信任問題。模型提供商自報的基準測試結果往往不被採信，因為他們有動機進行針對性優化。JuliaHub的激勵方向相反：他們提供多種後端代理，目標是讓用户獲得最佳的Dyad體驗，無論哪個實驗室的模型實現這一點。因此，他們進行了這項研究，以客觀評估哪個前沿模型在物理建模中表現最佳。

為了衡量哪個模型能最好地完成物理建模任務，JuliaHub保持所有其他變量不變。Dyad AI代理框架（專為建模與仿真工作流設計）在所有試驗中固定，問題集、推理努力（xhigh）、上下文窗口（1M）和令牌預算（128k）也固定。唯一的變量是模型：OpenAI的GPT 5.6系列（terra、sol、luna）與Anthropic的Claude Fable 5。每個模型在每個問題上進行三次試驗（第五個問題進行一次長期試驗），共計52次評分運行。

評估問題與方法

研究使用了五個密封問題，難度遞增，選自日常建模與仿真工作。這些問題的共同點是：存在一些解法可以編譯運行通過但物理上錯誤。因此，評分忽略代碼，直接比較完整模擬軌跡與密封真實值。最難的問題是NASA的HL-20飛行器。

評分結果

評分使用難度加權平均。結果如下：

• Claude Fable 5: 0.889分，每次試驗成本9.60美元，平均耗時16.1分鐘。
• GPT-5.6 Sol: 0.814分，成本1.74美元，耗時13.4分鐘。
• GPT-5.6 Terra: 0.786分，成本1.25美元，耗時12.6分鐘。
• GPT-5.6 Luna: 0.727分，成本3.26美元，耗時25.0分鐘。

在較容易的問題上，所有模型幾乎都能拿到滿分；但在最難的問題上，得分普遍下降，其中Claude Fable 5得分0.690，GPT-5.6 Sol得分0.660，Terra得分0.590，Luna僅0.383。

工作風格分析

通過分析試驗記錄，每種模型的工作風格不同。按工具調用次數：Luna最忙碌（平均59次調用），Fable最精簡（28次）。按時間分佈，推導和測試物理模型佔據了所有模型的大部分時間。Fable傾向於一次性編寫模型，而Terra則更多時間用於編輯，Luna則花費時間“尋找”代碼片段。

總體而言，Claude Fable 5在物理AI任務上表現最佳，但成本最高；GPT-5.6 Sol提供了最佳性價比；而GPT-5.6 Luna在各方面均落後。