测试前沿大语言模型在平行物理世界中的物理素养

现有物理基准仅凭答案准确率无法区分真实推理与模式记忆。本文提出一种可审计的四阶段诊断方法，通过归纳、公式化、预测和回顾，评估大语言模型在陌生物理框架内的推理能力。该方法结合预注册、双模型评判及人工审计，在三个平行物理世界中测试了主流模型。结果显示，模型在定性方向判断上表现尚可，但在定量计算中常因回退到标准物理关系而出错，且自我审查机制普遍薄弱。