Por Canuto  

GPT-6-Astra acertó 49 de 50 problemas inéditos de física teórica en un benchmark que evaluó cálculos de investigación rutinarios. El resultado muestra capacidades de nivel experto en tareas acotadas, pero sus autores advierten que elegir preguntas valiosas y proponer nuevas ideas sigue siendo un desafío distinto.
***

  • GPT-6-Astra obtuvo 98% de aciertos; Opus 5.5 alcanzó 92% y Gemini 3.8 Flash, 68%.
  • Los problemas cubren 11 subcampos y evalúan cálculos conocidos aplicados a preguntas modificadas, no grandes problemas abiertos.
  • Los investigadores señalan límites en el criterio científico y alertan sobre posibles desigualdades si los cálculos más difíciles exigen más recursos.

GPT-6-Astra resolvió 49 de los 50 problemas de un nuevo benchmark de física teórica, una tasa de acierto del 98% en ejercicios de investigación con respuestas verificables. La prueba, elaborada por 35 investigadores de instituciones como el International Centre for Theoretical Sciences, Harvard, KU Leuven y Google DeepMind, buscó medir cálculos especializados sin proporcionar pistas humanas a los agentes.

El resultado no significa que la inteligencia artificial haya resuelto los grandes enigmas de la física ni que pueda reemplazar el trabajo completo de un investigador. TheoPhysEval se concentra en problemas acotados que aplican métodos conocidos a preguntas ligeramente modificadas, un tipo de tarea que puede ser exigente y, a la vez, más rutinaria que formular una nueva teoría. El trabajo fue presentado en una publicación fechada el 15 de octubre de 2026 por THE DECODER.

Una prueba de cálculos especializados, no de grandes enigmas

Los autores describen los ejercicios como problemas de “girar la manivela”: situaciones en las que el investigador conoce una técnica y debe adaptarla para obtener un resultado nuevo. En algunos casos, quienes contribuyeron al benchmark partieron de cálculos incluidos en artículos recientes propios y modificaron unos pocos valores, de modo que la respuesta no pudiera extraerse directamente de la publicación original.

Ese formato se parece a tareas que, según los investigadores, pueden asignarse a estudiantes de doctorado como primer contacto con un proyecto de investigación. La comparación no implica que cualquier doctorando pudiera resolverlos con facilidad, sino que el conjunto mide trabajo especializado pero delimitado, en lugar de creatividad científica en sentido amplio. Para un experto del subcampo, un problema típico requeriría alrededor de un día o menos sin asistencia de IA, según la descripción del benchmark.

Un caso sobre agujeros negros ilustra la complejidad técnica: el agente debía localizar un artículo anterior, trasladar sus ecuaciones de un espacio-tiempo de cinco dimensiones a uno de cuatro y realizar el cálculo mediante un programa personalizado. Suvrat Raju, coordinador del proyecto y coautor del trabajo previo, necesitó aproximadamente un día para resolverlo. Los autores estiman que, antes de los agentes modernos, solo un grupo reducido de especialistas reunía los conocimientos de física y las destrezas computacionales necesarias.

Los 50 problemas abarcan 11 subcampos, desde flujos de fluidos y procesos biológicos hasta física de partículas y cosmología. El equipo evaluó cada agente dos veces, con acceso a búsqueda web y sin conexión a internet, para observar si la consulta de fuentes externas modificaba el desempeño. Esta amplitud permite comparar capacidades en distintas áreas, aunque el tamaño de la muestra sigue siendo de 50 ejercicios y no representa toda la investigación teórica.

Astra lideró frente a otros modelos, con diferencias notables

GPT-6-Astra, ejecutado en el entorno de programación Codex de OpenAI, encabezó la clasificación con 49 respuestas correctas de 50 cuando podía buscar en la web. Opus 5.5 de Anthropic, utilizado mediante Claude Code, quedó segundo con 92%, mientras que Gemini 3.8 Flash de Google alcanzó 68%. Los resultados muestran una brecha considerable entre los primeros agentes y los demás modelos probados.

Los modelos de pesos abiertos DeepSeek-V4.1-Flash y GLM 5.3 obtuvieron 54% y 42%, respectivamente. El contraste no demuestra por sí mismo que una arquitectura o un tipo de acceso produzca siempre mejores resultados: la prueba compara sistemas concretos bajo un conjunto específico de tareas. Sí indica que, en este benchmark, el rendimiento de los agentes varió de forma marcada según el modelo utilizado.

En el problema del agujero negro, algunos sistemas más débiles cometieron errores que un especialista habría detectado rápidamente. Gemini y GLM copiaron, durante la ejecución con búsqueda web, fórmulas del artículo anterior sin adaptarlas, aunque esas expresiones correspondían a cinco dimensiones y el ejercicio exigía trabajar con cuatro. El tropiezo muestra por qué encontrar una fuente pertinente no basta: también hay que reconocer las condiciones bajo las cuales una fórmula resulta válida.

La búsqueda web aportó menos de lo esperado a los mejores resultados. Sin internet, Astra y Opus consiguieron cada uno 92%, pese a que muchos problemas dependían de fórmulas publicadas que no se entregaban directamente a los modelos. Los autores interpretan ese desempeño como una señal de que los principales modelos de lenguaje podrían haber incorporado una parte importante de la literatura de física teórica durante su entrenamiento, aunque el benchmark no mide por sí solo cuánto conocimiento fue memorizado.

La clave de respuestas también requirió revisión

El desempeño inicial no contó toda la historia: al revisar varios fallos junto con los expertos, el equipo encontró errores pequeños y difíciles de advertir en algunas soluciones de referencia. Después de corregir esas claves, Astra había respondido correctamente en todos esos casos. Por tanto, la cifra de aciertos depende no solo de la capacidad del agente, sino también de que la respuesta utilizada para calificarlo sea precisa.

Ese hallazgo podría ayudar a explicar por qué TheoPhysEval presenta resultados más altos que otros benchmarks de física, como CritPt, aun cuando sus autores consideran que sus ejercicios son más difíciles en promedio. La discrepancia no prueba que una de las evaluaciones sea inútil, pero sí subraya que comparar modelos exige revisar cómo se redactan los problemas y cómo se verifican las respuestas. Un estudio reciente citado por los autores también encontró errores de calificación en algunos benchmarks de física teórica.

El problema que Astra no logró resolver con búsqueda web desconcertó a todos los modelos evaluados. El ejercicio pedía encontrar una ecuación que generara una curva determinada, pero la respuesta de los expertos recurría a formas matemáticas especiales que solo cuentan como la ecuación diferencial solicitada bajo una interpretación más amplia. Los autores reconocen que el planteamiento podía parecer “injusto”, aunque lo consideran cercano a situaciones reales en las que los físicos deben inferir mecanismos subyacentes a partir de datos imprecisos.

Los organizadores pusieron a disposición los problemas y la configuración de la prueba como un conjunto de datos en Hugging Face, lo que permite a otras personas revisar el diseño y las respuestas. Esa apertura facilita la comprobación independiente, una cuestión especialmente relevante después de que las consultas a expertos cambiaran algunas claves. También ofrece una base para futuras comparaciones, siempre que nuevas evaluaciones mantengan criterios transparentes y verificables.

Resolver cálculos no equivale a dirigir una investigación

Los autores consideran que algunos modelos actuales ya pueden superar a los mejores investigadores humanos en cálculos concretos, incluso en áreas especializadas. Califican ese desempeño como un hito, pero separan la ejecución de una tarea verificable del proceso más amplio de investigación, que comienza con la elección de una pregunta y la construcción de un marco teórico capaz de responderla.

En matemáticas, los investigadores ven señales de avances comparables y mencionan que OpenAI anunció una solución generada por IA para el problema de Navier-Stokes, relacionado con las ecuaciones del flujo de fluidos y conocido como uno de los Problemas del Milenio. La física teórica, en cambio, aún no ha producido un avance equivalente según la evaluación de los autores. La comparación ayuda a dimensionar la distancia entre resolver cálculos definidos y transformar una disciplina con una idea nueva.

Cuando una pregunta resulta demasiado difícil, un buen investigador puede reformularla o pasar a otra relacionada que sea más sencilla sin perder interés científico. Los agentes probados no destacan en esa clase de decisiones, que no se reducen a ejecutar una secuencia de pasos ni a devolver una respuesta comprobable. Los físicos también comparten, aunque sin unanimidad, criterios sobre qué problemas merecen atención, una intuición que los autores llaman “gusto”.

Según el equipo, los agentes todavía carecen de ese criterio y, cuando se les pide proponer problemas nuevos, pueden perderse en detalles que un científico encontraría poco interesantes. Los investigadores advierten que estas observaciones no se pueden cuantificar con el benchmark y no constituyen un pronóstico definitivo sobre la evolución de la IA. Aun así, consideran posible que los agentes realicen investigación de mayor nivel en un futuro cercano, aunque sostienen que resolver ejercicios no será suficiente.

La formación y el acceso a recursos también están en juego

Los resultados ya llevan a los autores a cuestionar el uso de algunos de estos ejercicios como primeros proyectos para investigadores en etapas iniciales de su carrera. Problemas que antes podían servir para aprender a trabajar con métodos de un subcampo quizá dejen de ser apropiados si el objetivo es que el estudiante produzca una contribución original, aunque todavía podrían emplearse si la meta explícita es practicar el material.

El cambio plantea una tensión para la formación: automatizar cálculos puede liberar tiempo para tareas de mayor nivel, pero también reducir oportunidades de aprendizaje si las labores rutinarias eran parte del entrenamiento. La fuente no sostiene que la IA vuelva innecesarios a los estudiantes de doctorado; señala que algunos proyectos que antes funcionaban como puerta de entrada podrían requerir otro propósito. La respuesta dependerá de cómo los grupos incorporen estas herramientas y definan qué habilidades quieren formar.

Los autores también advierten sobre una posible transformación en el acceso a la investigación. La física teórica ha requerido históricamente menos recursos financieros que la experimentación, lo que, según ellos, ha mantenido oportunidades relativamente igualitarias. Resolver el benchmark completo con Astra costó menos de USD $116 y cada problema costó menos de USD $3, pero los investigadores anticipan que las necesidades de recursos podrían aumentar drásticamente al abordar tareas más difíciles.

Si los cálculos más ambiciosos exigen presupuestos mayores, la capacidad financiera de cada grupo podría influir más en lo que logra investigar, incluso en una disciplina que hasta ahora ha dependido menos del capital experimental. Los autores plantean por ello preguntas sobre acceso y equidad, y sostienen que la física teórica debería debatirlas antes de que la IA altere sus prácticas. Recuerdan que en matemáticas ya existen discusiones sobre estos asuntos, incluida la Declaración de Leiden.

La vieja consigna de “callarse y calcular” podría perder fuerza si el valor diferencial de los investigadores pasa a depender más de formular buenas preguntas y reconocer cuáles merecen respuesta. La conclusión del benchmark no es que la IA ya haga ciencia de manera autónoma, sino que ciertos cálculos especializados están cada vez más al alcance de los agentes. Para los autores, el desafío pendiente consiste en combinar esa capacidad con criterio, visión y acceso equitativo a los recursos.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados