Un benchmark sobre resolución autónoma de física teórica puso a GPT-6-Astra frente a 50 problemas inéditos y el modelo acertó 49 cuando pudo buscar en la web. El resultado forma parte de TheoPhysEval: Assessing AI agents at autonomous theoretical physics problem solving, un preprint publicado el 9 de octubre de 2026.

Una prueba con ejercicios inéditos

La evaluación reunió 50 problemas no publicados antes y los distribuyó en 11 subcampos, entre ellos dinámica de fluidos y teoría cuántica de campos. El objetivo fue medir tareas exigentes de física teórica, no un examen introductorio, y reducir la posibilidad de que los sistemas respondieran por memoria de soluciones ya vistas.

El equipo reportó que los modelos trabajaron sin guía humana ni corrección durante la ejecución. Según el estudio, ese enfoque buscó medir la capacidad de resolver los ejercicios por cuenta propia, sin una colaboración externa que alterara el desempeño.

En el trabajo participaron 35 autores de distintas instituciones, con investigadores del ICTS y de Google DeepMind entre los impulsores. Aun así, el resultado difundido corresponde a una muestra acotada de problemas y modelos, no a una medición exhaustiva de toda la actividad de un físico teórico.

La web marcó diferencia en el puntaje

Los investigadores compararon dos modalidades: una realista, con acceso a la web, y otra aislada, sin internet. En la primera, GPT-6-Astra resolvió 49 de los 50 problemas, con un costo de ejecución reportado de USD 116,28.

Sin conexión, el modelo obtuvo 46 respuestas correctas. Esa diferencia de tres aciertos muestra que el acceso a internet sí cambió el resultado en esta prueba, aunque el propio estudio no permite extender esa conclusión a otras tareas científicas.

Opus 5.5 registró 46 aciertos tanto con web como sin internet. En ese caso, el acceso a información externa no movió la puntuación en esta evaluación concreta.

Uno de los 50 ejercicios quedó sin resolver por todos los modelos probados. Ese dato impide leer el 98% de acierto como si la física teórica ya hubiera sido resuelta por la inteligencia artificial.

Correcciones humanas y límites del resultado

El estudio también señala que el trabajo de los modelos llevó a corregir algunas soluciones de referencia elaboradas por humanos. La información reportada no precisa cuántas se corrigieron ni cuáles problemas quedaron afectados.

El costo de USD 116,28 describe la ejecución realista de esta prueba, pero no sirve por sí solo para comparar el gasto con el de un equipo humano. El material difundido no calcula tiempo ni recursos equivalentes para especialistas.

Además, al tratarse de un preprint, el estudio sigue siendo una versión preliminar que todavía no ha pasado por revisión formal por pares. Y aunque 50 problemas es una muestra relevante para una evaluación acotada, sigue siendo finita frente a la amplitud de la física teórica.

El benchmark mide la capacidad de responder ejercicios definidos, pero no agota la creatividad científica ni la elección de nuevas preguntas de investigación.