GPT-5准确率不足40%！北大发布多模态、高难度化学基准SUPERChem

北大团队发布化学大模型基准SUPERChem，这是一个多模态、高难度的化学推理基准。它针对现有化学评测的不足，系统构建了评估大语言模型化学推理能力的新体系。测试结果显示，前沿模型如GPT-5准确率仅38.5%，与低年级本科生水平相当，且在高阶化学推理环节存在短板。该基准为模型优化提供了方向。

2025年，随着开源推理模型DeepSeek-R1推出，LLM在「深度思考」范式下快速发展，其在自然科学领域的应用已从简单问答转向复杂推理。然而，现有通用科学基准趋于饱和，化学专用基准多关注基础能力与化学信息学任务，缺乏对深度推理的系统考察。

从基础教育、化学奥林匹克竞赛到高等教育，化学学习强调知识综合运用与多步推理，是评估推理能力的理想场景。设计高质量评估题目需融合抽象概念与具体情境，构建层层递进的推理链，对出题者专业素养要求极高。

近日，北京大学化学与分子工程学院联合计算中心、计算机学院、元培学院发布化学大模型基准SUPERChem。该基准针对当前化学评测中题目难度有限、多模态与推理过程评估缺失等不足，系统构建了专注评估大语言模型 (LLM) 化学推理能力的新体系，旨在推动化学智能评测的深入发展。

论文链接：https://arxiv.org/abs/2512.01274

数据集：https://huggingface.co/datasets/ZehuaZhao/SUPERChem

平台网站：https://superchem.pku.edu.cn

研究团队依托北京大学化学学院水平顶尖的本科生和研究生群体，充分发挥其扎实学科功底与丰富解题命题经验，对已有题目素材进行准确评估与合理优化，共同构建了SUPERChem基准，填补了化学深度推理评估的空白。

SUPERChem总览与例题

数据构建

SUPERChem题库的三阶段审核流程

SUPERChem题库由北大化学专业近百名师生共建，涵盖题目编写、解析撰写及严格的三阶段审核。

题目源自非公开试题与专业文献改编，并采用防泄漏设计，避免LLM依赖记忆或从选项逆推。针对化学信息的多模态特点，同步提供图文交错与纯文本版本的对齐数据集，支持探究视觉信息对推理的影响。

目前，SUPERChem先期发布500道专家级精选题目，覆盖结构与性质、化学反应与合成、化学原理与计算、实验设计与分析四大化学核心领域。

为细粒度评估LLM思考过程，SUPERChem引入推理路径一致性（Reasoning Path Fidelity, RPF）指标：团队为每道题目撰写了含关键检查点的详细解析，通过自动化评估模型思维链与解析的一致性，判别模型是否真正「理解」化学。

评测结果

前沿模型接近低年级本科生水平，不同模型推理一致性存在差异

前沿模型在SUPERChem上的表现

评测显示，SUPERChem具有较高难度与区分度。在北京大学化学专业低年级本科生闭卷测试中，人类准确率为40.3%。参与评测的前沿模型中，表现最佳的GPT-5 (High)准确率为38.5%，表明其化学推理能力仅与化学专业低年级本科生水平相当，尚未超越人类基础专业认知。

前沿模型的正确率与RPF关系

分析RPF指标可见，不同模型推理过程质量差异明显：Gemini-2.5-Pro和GPT-5 (High)在取得较高准确率的同时，其推理逻辑也更符合专家路径；而DeepSeek-V3.1-Think虽然准确率相近，但RPF得分相对较低，反映其更倾向通过启发式路径得出结论。

多模态信息的「双刃剑」效应

输入模态对不同模型的影响

在依赖多模态输入的题目中，视觉信息对不同模型影响各异：对Gemini-2.5-Pro等强推理模型，图像输入可提升准确率；对GPT-4o等推理能力较弱的模型，图像信息反而造成干扰。这提示在科学任务中需根据模型能力匹配合适的输入模态。

推理断点分析：模型倒在了哪一步？

为进一步探究LLM推理失败的深层原因，研究团队进行了推理断点分析。结果表明，前沿模型的推理断点集中于产物结构预测、反应机理识别、构效关系分析等高阶化学推理环节，反映出当前LLM在涉及反应性与分子结构理解的核心任务上仍存在短板。

推理断点所属化学能力分布

总结

综上所述，SUPERChem为系统评估大语言模型的化学推理能力提供了细致、可靠的基准。

评测结果指出，当前前沿模型的化学能力仍处于基础水平，在涉及高阶化学推理能力的任务上存在明显局限，为后续模型的针对性优化提供了明确方向。

团队介绍

SUPERChem项目由北京大学化学与分子工程学院与元培学院的赵泽华、黄志贤、李隽仁、林思宇同学领衔完成。

77位北京大学化学专业的博士生与高年级本科生参与了SUPERChem题库的构建与审核，其中包括3位国际化学奥林匹克（IChO）获奖选手与64位中国化学奥林匹克（CChO）决赛获奖选手。174位北京大学化学专业低年级本科生参与了人类基线测试。

SUPERChem项目在北京大学化学与分子工程学院裴坚、高珍老师，计算中心马皓老师,计算机学院杨仝老师的指导下开展。

项目获得北京大学计算中心与高性能计算平台资源支持，来自Chemy、好未来、质心教育等机构和化学与分子工程学院邹鹏、郑捷等多位教授的题目素材支持，以及高杨、龙汀汀老师的专业协助。

参考资料：

https://arxiv.org/abs/2512.01274

文章来自于“新智元”，作者 “LRST”。