Un modèle d'intelligence artificielle vient de traiter une série de 50 problèmes de physique théorique inédits de niveau recherche — et en a résolu 49.

Ce résultat provient d'une nouvelle prépublication, TheoPhysEval, et le modèle à l'origine de cette performance est GPT-6-Astra. Avec la recherche web activée, le système a obtenu un score de 98 % — le genre de note qui vaut généralement à un doctorant une poignée de main et une charge de travail accrue.

Ce que le benchmark a réellement testé

L'article, intitulé « TheoPhysEval: Assessing AI agents at autonomous theoretical physics problem solving », est paru sur arXiv le 9 octobre 2026. Il présente un benchmark de 50 problèmes de physique théorique jamais publiés auparavant, issus de 11 sous-disciplines allant de la dynamique des fluides à la théorie quantique des champs.

L'objectif était de voir ce que des agents IA peuvent accomplir sans aucune intervention humaine. Personne n'a guidé les modèles ni corrigé leurs erreurs en cours de route. L'étiquette « agents » a son importance : il s'agit de systèmes qui exécutent des tâches en plusieurs étapes de manière autonome — ici, rechercher des informations et parvenir à des solutions complètes — plutôt que de répondre à une seule requête en une fois.

Des physiciens d'institutions telles que l'ICTS et Google DeepMind ont dirigé ces travaux, et la liste des auteurs compte 35 personnes issues de diverses institutions de recherche. L'équipe a évalué des modèles standards plutôt que des systèmes de recherche sur mesure — ce qui signifie que les résultats reflètent ce que des modèles généralistes peuvent faire, et non la production d'outils spécialement conçus pour la physique — et a conçu des critères d'évaluation approchant les compétences d'un physicien théoricien expert.

Le tableau des scores

Les tests se sont déroulés selon deux parcours conçus pour isoler la valeur des informations externes. Le parcours « réaliste » permettait aux modèles de chercher sur le web, comme le ferait un chercheur en activité, tandis que le parcours « isolé » les coupait totalement d'Internet.

Sur le parcours réaliste, GPT-6-Astra a résolu 49 des 50 problèmes pour un coût total de 116,28 $. Sur le parcours isolé, son score est descendu à 46 sur 50. L'accès au web, en d'autres termes, valait trois problèmes.

Opus 5.5 a obtenu 46 sur 50 dans les deux configurations. Lui accorder l'accès au web n'a fait aucune différence, dans un sens comme dans l'autre.

Reste ensuite le cas récalcitrant : un problème qu'aucun des modèles testés par les chercheurs n'a réussi à résoudre. Sur les cinquante questions, une seule s'est révélée assez coriace pour dérouter le domaine tout entier.

Quand l'élève corrige le corrigé

Le résultat le plus frappant n'est peut-être pas un score du tout. Selon l'étude, les travaux des modèles ont conduit à des corrections de certaines solutions de référence rédigées par des humains.

Le recours à des problèmes inédits compte également ici. Des questions jamais parues sont plus difficiles à mémoriser à partir des données d'entraînement, de sorte qu'une réponse correcte reflète plus probablement un raisonnement réel qu'une simple restitution.

Pourquoi cela compte au-delà du laboratoire

Le chiffre du mérite aussi l'attention. Une exécution à 116,28 $ sur le parcours réaliste est modeste au regard du temps qu'une équipe d'experts humains consacrerait à résoudre 50 problèmes de niveau recherche, bien que l'article porte sur la performance et non sur une comparaison complète des coûts.

Des réserves sont à garder à l'esprit. Il s'agit d'une prépublication, qui n'a donc pas encore fait l'objet d'une évaluation formelle par les pairs. Le benchmark compte également 50 problèmes — un échantillon significatif mais fini de ce qu'implique la physique théorique.

Et résoudre un problème bien posé ne revient pas à choisir le problème à résoudre. Le benchmark mesure la résolution autonome de problèmes, non le travail créatif de formulation de nouvelles questions, qui demeure une part essentielle du métier de physicien théoricien. Ces deux points laissent des questions ouvertes à suivre : la tenue des résultats face à l'évaluation par les pairs, et la possibilité qu'une future exécution vienne à bout de l'unique problème qui a résisté à tous les modèles testés.