物理 AI 基准冗余的统计审计

物理 AI 模型是在一组基准上进行评估的，而这些基准在不同的模型报告中并不一致，这使得模型-基准矩阵较为稀疏，且基准之间的关系未被测量。我们从一个包含 51 个基准和 152 个模型的注册表中，按报告密度筛选出 12 个物理 AI 基准和 51 个模型，构建了一个矩阵，并结合模型卡和基准论文中的分数，以及我们在各基准官方协议下的自有评测结果。我们衡量这些基准共享了多少信息，并给出冗余的定量证据。冗余会影响已报告的排名：将两对可替代的基准合并为单列后，在等权平均下，51 个模型中有 22 个的位置变化了 3 名或以上。随后，我们通过一个贪心过程选择基准，该过程所用效用函数结合了分数离散度与未被已选集合解释的方差，最终得到一个四基准子集，保留了全部 12 个基准效用的 78.5%，并在此基础上拟合了一个 Bradley--Terry 排名。该流程只需要具有足够重叠的基准级分数，并不特定于物理 AI。