Un modelo de inteligencia artificial ha trabajado en un conjunto de 50 problemas inéditos de física teórica de nivel de investigación, y resolvió 49 de ellos.

El resultado proviene de un nuevo preprint, TheoPhysEval, y el modelo detrás de él es GPT-6-Astra. Con la búsqueda web habilitada, el sistema obtuvo un 98%, el tipo de calificación que normalmente le gana a un estudiante de posgrado un apretón de manos y una carga de trabajo mayor.

Qué probó realmente el benchmark

El artículo, titulado “TheoPhysEval: Assessing AI agents at autonomous theoretical physics problem solving”, apareció en arXiv el 9 de octubre de 2026. Introduce un benchmark de 50 problemas de física teórica que nunca antes habían sido publicados, provenientes de 11 subcampos que van desde la dinámica de fluidos hasta la teoría cuántica de campos.

El objetivo era ver qué pueden lograr los agentes de IA sin ninguna intervención humana. Nadie orientó a los modelos ni corrigió sus errores a mitad del proceso. La etiqueta de “agentes” importa: se trata de sistemas que ejecutan tareas de múltiples pasos por sí mismos —en este caso, buscar información y trabajar hasta llegar a soluciones completas— en lugar de responder a un único mensaje de una sola vez.

Físicos de instituciones como ICTS y Google DeepMind lideraron el trabajo, y la lista de autores llega a 35 personas de diversas instituciones de investigación. El equipo evaluó modelos comerciales en lugar de sistemas de investigación hechos a medida, lo que significa que los resultados reflejan lo que pueden hacer los modelos de propósito general, no el producto de herramientas diseñadas especialmente para la física, y diseñó criterios de calificación que aproximan las habilidades que necesitaría un físico teórico experto.

El marcador

Las pruebas se realizaron en dos modalidades diseñadas para aislar el valor de la información externa. La modalidad “realista” permitía a los modelos buscar en la web, como lo haría un investigador en activo, mientras que la modalidad “aislada” los cortaba por completo de internet.

En la modalidad realista, GPT-6-Astra resolvió 49 de los 50 problemas a un costo total de $116.28. En la modalidad aislada, su puntaje cayó a 46 de 50. En otras palabras, el acceso a la web valió tres problemas.

Opus 5.5 puntuó 46 de 50 en ambas modalidades. Darle acceso a la web no cambió su desempeño en ninguna dirección.

Luego está el problema resistente: uno que ningún modelo probado por los investigadores logró resolver. De las cincuenta preguntas, una sola resultó lo suficientemente difícil para dejar perplejo a todo el campo.

Cuando el estudiante corrige la hoja de respuestas

Quizás el hallazgo más llamativo no es un puntaje. Según el estudio, el trabajo de los modelos condujo a correcciones en algunas de las soluciones de referencia escritas por humanos.

El uso de problemas inéditos también importa aquí. Las preguntas que nunca han aparecido en publicaciones son más difíciles de memorizar a partir de los datos de entrenamiento, por lo que una respuesta correcta es más probable que refleje un razonamiento genuino que simple recuerdo.

Por qué importa más allá del laboratorio

La cifra de costos también merece atención. Una ejecución de $116.28 en la modalidad realista es pequeña en comparación con el tiempo que un equipo de expertos humanos dedicaría a resolver 50 problemas de nivel de investigación, aunque el alcance del artículo es el desempeño, no una comparación completa de costos.

Existen advertencias que mantener a la vista. Se trata de un preprint, lo significa que aún no ha pasado por una revisión formal por pares. El benchmark también consta de 50 problemas, una muestra significativa pero finita de lo que implica la física teórica.

Y resolver un problema bien planteado no es lo mismo que elegir qué problema resolver. El benchmark mide la resolución autónoma de problemas, no el trabajo creativo de plantear nuevas preguntas, que sigue siendo una parte central de lo que hacen los físicos teóricos. Ambos puntos dejan preguntas abiertas que vale la pena seguir: si los resultados se sostienen bajo una revisión formal por pares, y si alguna futura ejecución logra resolver el único problema que dejó perplejos a todos los modelos evaluados.