信钰证券国产AI拿下国际物理奥赛金牌，13项顶级竞赛豪取12金1银，划重点：开源

首个拿下国际物理奥林匹克竞赛 IPhO 2025 理论考试金牌的开源模型信钰证券，出自国产。

上海人工智能实验室团队推出新模型家族，代号P1。

在 IPhO 2025 理论考试中，P1-235B-A22B 取得 21.2/30 分，成为首个达到该金牌线的开源模型，仅次于 Gemini-2.5-Pro 与 GPT-5。

不仅如此，引入 PhysicsMinions 智能体框架后，P1 成绩进一步提升。

在团队构建的包含最新 13 项顶级物理竞赛的 HiPhO 基准上，P1-235B-A22B 平均成绩从 35.9 提高到 38.4，在所有 33 个顶流模型中排名第一，超过 Gemini-2.5-Pro（37.7）和 GPT-5（37.4）。

并且，在中国物理奥林匹克 CPhO 2025 人工评分中，P1-235B-A22B 获得 227/320 分，显著超过当届全国金牌第一名人类选手（199 分）。

开源方面团队也做得很彻底，从模型、算法到评测集、再到智能体框架，都将全链路开源。

下面具体来看 P1 究竟是如何做到的。

多阶段强化学习 + 智能体框架

为让模型学习类似人类顶尖学生的推理思路，团队首先构建了一个高质量的物理训练数据集。

该数据集由 5065 道奥赛级文本物理题构成，其中包含 4126 道物理奥赛真题与 939 道竞赛教材题目，覆盖力学、电磁学、热学、光学、近代物理等五大领域和二十五个子领域。

这些题目极长而复杂，平均题干 367 tokens，最长 3386 tokens；平均解答 349 tokens，最长 5519 tokens。

每一道都包含题目（Question）、完整专家解答（Solution）以及可规则验证的标准答案（Answer）。

为了确保数据质量，团队采用 Gemini-2.5-Flash、Claude-3.7-Sonnet、GPT-4o 三大模型交叉验证答案、人工检查 OCR 错误、删除无法规则判题的题目 .

构造数据只是基础。

随后，P1 采用了多阶段强化学习流程进行训练。

物理解题被形式化为一个序列决策问题：模型在每个状态下生成下一个 token，直到输出完整解答；最终奖励则由模型解出的答案是否正确来决定。

作者采用了基于策略梯度的方法进行训练，但并非直接使用 PPO，而是采用了为长链推理优化过的 GSPO（Group Sequence Policy Optimization）。这一方法不是对单条序列进行更新，而是在每个题目上采样若干条完整解答，把它们作为一个 group，通过它们的相对收益构建优势函数。这样可以缓解物理题奖励极其稀疏、解题过程成千上万 token 但只在最后一步有信号的问题。

为了让 GSPO 能稳定工作，团队构建了一套精密的奖励系统和判题器。在训练阶段，模型的最终答案必须严格按照预设格式输出。这样的结构化输出使得判题器可以可靠地提取模型答案，再通过符号计算工具判断模型解答与标准答案是否等价。

然而，物理题往往包含多个子问题，或者需要给出多个最终结果。为适应这种结构，团队采用类似程序评测中"测试用例式"的奖励聚合方式，将最终奖励定义为：

整个训练过程中，作者严格只使用规则判题器，以避免模型试图通过学习某种写作风格来"讨好"模型型判题器。

随着训练推进，模型会出现可学习性下降，表现为梯度无法指向有效方向、熵急剧下降、模型只学到模板化表达等。

团队针对这一点提出了两个创新处理方法。

其一，基于题目难度（以基座模型的多采样通过率衡量）进行动态数据筛选。那些基座模型完全做不出来的题，由于全部生成轨迹奖励都为零，会让 RL 难以学习；那些太容易的题则会降低多样性、诱发熵坍塌。团队因此设定只保留通过率在 0 到 0.7 之间的题目进入训练。

其二，随着训练进行逐步扩展模型的探索范围：一方面增加每题采样的解答条数，使模型更有机会找到"高质量轨迹"；另一方面扩大模型可生成的最大长度信钰证券，让模型能完成越来越复杂的问题。

整个 RL 训练都通过这种多阶段策略推进，使模型在能力提升的同时保持稳定的可学习性。

另外，训练时使用的概率与推理时生成时的概率存在不可避免的偏差。

由于推理往往通过 vLLM 或 SGLang 等专门推理引擎进行，而训练则在 Megatron 或 FSDP 框架中完成，二者的浮点实现存在微小差异，模型在训练中看到的"旧策略"与真实采样策略并非完全一致。

为此，团队引入了 Truncated Importance Sampling ( TIS ) ，用一个被截断的策略比重来校正这种偏移。

在推理阶段，P1 引入了专为物理推理设计的协同进化多智能体系统—— PhysicsMinions，以进一步提升解题质量。

PhysicsMinions 在原设计中由三个交互式模块组成：视觉工作室（Visual Studio）、逻辑工作室（Logic Studio）和审查工作室（Review Studio）。

Visual Studio 会首先观察、验证并反思输入内容，将其转化为结构化信息，再交给 Logic Studio。Logic Studio 中，solver 会生成初始解答，而 introspector 则通过自我改进机制进一步优化解答。随后，解答将交由 Review Studio 进行双阶段审查，Physics-Verifier 负责检查物理一致性，General-Verifier 则进一步检查逻辑、推理过程和计算细节。

如果任一审查阶段未通过，系统会返回一份详细的错误报告给 Logic Studio，由 introspector 根据报告修正解答，并再次提交给 Review Studio。

这一流程会不断循环，直到解答连续通过预设次数的审查（CV），CV 也是系统中唯一的超参数。

团队特别指出，由于 P1 是纯文本模型，系统中的 Visual Studio 被关闭，但 Logic Studio 与 Review Studio 的协作仍能显著提高推理稳定性与最终表现：

他们在 Logic Studio 中实例化 P1 作为 solver，并在 Review Studio 中以 P1 分别担任两个审查器，从而完成 PhysicsMinions 内的推理协同过程。

单一模型，13 场比赛取得 12 金 1 银

实验阶段，团队构建了一个新的高难度评测集 HiPhO，用来对 P1 系列模型进行系统性测评。

同时将其与包括 GPT-5、Gemini-2.5、Claude-4-Sonnet、Grok-4、DeepSeek 系列、Qwen3 系列在内的 33 个模型（ 11 个闭源 22 个开源）进行了全面对比。

HiPhO 覆盖了 2024 – 2025 年最新 13 场物理赛事的理论题，包括 IPhO、APhO、EuPhO 这样的国际赛事，以及 NBPhO、PanPhO、F=MA 等区域性高难赛事。

在统一的评分体系下，P1-235B-A22B 单一模型（不使用多智能体）就已经在 13 场比赛中取得 12 金 1 银，与 Gemini-2.5-Pro、Gemini-2.5-Flash-Thinking 并列第一（GPT-5 11 金、Grok-4 10 金、Claude-4-Sonnet-Thinking 8 金）。

在 IPhO 2025 中获得 21.2/30 分，排名第三，仅次于 Gemini-2.5-Pro 与 GPT-5，是第一个达到该金牌线的开源模型。

同时，轻量级模型 P1-30B-A3B 的成绩同样亮眼：8 金 4 银 1 铜，排名开源模型第三，超过 o4-mini、Claude-4-Sonnet 等闭源模型。

与 PhysicsMinions 框架结合后，P1-235B-A22B 分数从平均 35.9 提升到 38.4，超过 Gemini-2.5-Pro（37.7）与 GPT-5（37.4），成为整体第一。