FrontierMath v2 修订 42% 题目：高级数学 benchmark 暴露大规模 ground-truth / specification 质量问题

Epoch AI 于 6 月 12 日发布 FrontierMath v2，对原 benchmark 中 42% 的题目进行错误修正。更新后数据集包含 338 道题，其中 Tiers 1–3 为 295 题、Tier 4 为 43 题。该修订表明在高阶数学评测中，题目本身的正确性、ambiguity 与 specification fidelity 会成为与模型能力同等重要的测量瓶颈。