Physics-R1：经审计的奥林匹克语料库与视觉物理推理方案

我们对多模态物理评估流程进行了端到端审计，并记录了三种未被察觉的构建做法，它们扭曲了该领域衡量视觉-语言推理的方式：训练-评估污染、翻译漂移和多项选择题（MCQ）饱和。（1）公开训练池（UGPhysics-Train、SciInstruct、MMK12）在所有六个公开物理评估中通过了单阶段 5-gram Jaccard 审计且零命中；三阶段审计（Jaccard -> mxbai-embed-large 余弦相似度 -> Haiku-4.5 LLM 评判）仅在 SciInstruct 中就发现了 134 个近似重复项和 4,846 个改写候选。（2）在 59 道配对的爱沙尼亚语-英语奥林匹克问题上，Sonnet 4.5 表现出 17 个百分点的差异（30.5% vs. 13.6%；符号检验 p=0.011，McNemar 检验 p=0.021，配对自助法 95% CI [+5.1, +28.9] pp）。（3）在相同的 Sonnet 权重上，MCQ（在 PhyX 上为 79.7%）与开放式奥林匹克评估（在 PhysOlym-A 上为 33.4%）之间存在 46 个百分点的格式与新颖性梯度。我们发布了四个旨在弥补这些差距的产物：PhysCorp-A（6,432 条记录的三阶段审计多模态语料库）、PhysR1Corp（2,268 条记录的闭式强化学习池）、PhysOlym-A（500 道题目、99.8% 新颖来源的留出奥林匹克评估，带有原生难度标签和 EN/ET 双语子集），以及 Physics-R1，一个从 Qwen3-VL-8B-Thinking 冷启动的参考 GSPO+DAPO 方案。在 3 个随机种子下，Physics-R1 在 PhysOlym-A liberal 上将审计语料库较 8B 基座提升了 +18.3 pp（8.0 -> 26.3 +/- 1.7；落后 Sonnet 4.5 7.1 pp），在 PhysReason 上提升 +15.7 pp（23.9 -> 39.6 +/- 6.4；领先 Qwen3-VL-32B 和 Gemini 2.5 Pro），在 OlympiadBench-Physics 上提升 +6.9 pp（46.2 +/- 1.5），在 PhyX MCQ 上提升 +4.1 pp（77.8 +/- 0.3）。