[ÚLTIMA HORA] Por qué GPT‑6‑Astra resuelve el 98 % de los problemas de física teórica por menos de 3 USD

El nuevo benchmark TheoPhysEval muestra que el agente GPT‑6‑Astra alcanza una precisión del 98 % en 50 cálculos de física teórica, con un coste medio inferior a 3 USD por ejercicio.

Un equipo de treinta y cinco investigadores de instituciones como el International Centre for Theoretical Sciences, Harvard, KU Leuven y Google DeepMind ha publicado hoy TheoPhysEval, un benchmark compuesto por 50 problemas inéditos de física teórica con respuestas verificables. En la prueba, el agente comercial GPT‑6‑Astra, ejecutado dentro del entorno de codificación Codex de OpenAI, obtuvo la respuesta correcta en 49 casos, lo que equivale al 98 % de aciertos, y lo hizo a un coste medio de 2,40 USD por problema.

Detalles del benchmark TheoPhysEval

Los autores diseñaron el conjunto de pruebas para medir la capacidad de los modelos de IA de resolver lo que denominan “problemas de girar la manivela”: tareas en las que la metodología es conocida, pero los valores numéricos o las condiciones se modifican ligeramente. Cada problema proviene de un artículo reciente de los propios autores, de modo que la solución no puede inferirse a partir de la literatura existente sin un cálculo explícito. Los temas abarcan once sub‑campos, desde flujos de fluidos y procesos biológicos hasta física de partículas y cosmología.

Para cada modelo, los investigadores ejecutaron dos rondas: una con acceso a la web y otra aislada, sin búsquedas en línea. Esta doble condición permite distinguir entre la capacidad de razonamiento interno del modelo y la ayuda que puede obtener de fuentes externas.

Rendimiento de GPT‑6‑Astra frente a la competencia

Los resultados globales fueron los siguientes:

• GPT‑6‑Astra (OpenAI): 49/50 (98 %), 2,40 USD por problema, 115,80 USD total.
• Anthropic Opus 5.5 (Claude Code): 46/50 (92 %), coste comparable.
• Google Gemini 3.8 Flash: 34/50 (68 %).
• DeepSeek‑V4.1‑Flash: 27/50 (54 %).
• GLM 5.3: 21/50 (42 %).

Cuando se desactivó el acceso a internet, Astra y Opus mantuvieron una puntuación del 92 %, lo que indica que gran parte del conocimiento necesario ya está almacenado en los pesos del modelo. En el caso de Gemini, la falta de búsqueda provocó errores críticos: en el problema de agujeros negros copió fórmulas de una dimensión cinco en lugar de la requerida cuatro, lo que habría sido detectado por un especialista.

Un solo problema quedó sin resolver por todos los agentes: la determinación de una ecuación diferencial que genera una curva dada. Los autores lo describen como “realista” porque, en la práctica, los investigadores a menudo deben inferir la forma subyacente de una ley física a partir de datos incompletos.

Implicaciones para la investigación en física teórica

Los autores afirman que los modelos de lenguaje actuales ya pueden superar a los mejores humanos en cálculos concretos y verificables. En una prueba de referencia, el coordinador Suvrat Raju tardó alrededor de un día en resolver un problema de agujeros negros que Astra completó en menos de un minuto y con un coste económico ínfimo. Este nivel de eficiencia sugiere que los asistentes de IA podrían delegarse tareas rutinarias de cálculo, liberando a los investigadores para enfocarse en la formulación de nuevas teorías.

El hecho de que los modelos hayan memorizado gran parte de la literatura de física teórica también abre la puerta a un uso más amplio de la IA como “biblioteca inteligente”. Sin embargo, los autores advierten que la memorización no implica comprensión profunda y que la generación de hipótesis originales sigue siendo un desafío abierto.

Desafíos y límites que quedan por superar

Aunque el desempeño en TheoPhysEval supera al de benchmarks anteriores como CritPt, el estudio revela limitaciones importantes. Primero, los modelos fallan cuando se les exige extrapolar más allá de los patrones aprendidos, como ocurre al pasar de cinco a cuatro dimensiones en la ecuación de un agujero negro. Segundo, la precisión de los resultados depende de la calidad de los datos de entrenamiento; errores menores en las soluciones de referencia fueron detectados y corregidos después de la publicación del benchmark.

Por último, el coste computacional, aunque bajo por problema, sigue siendo relevante a escala de producción masiva. Ejecutar cientos de cálculos simultáneos demandaría infraestructura de GPU con al menos 12 GB de VRAM, lo que implica inversión en hardware o servicios en la nube.

Qué significa este avance para los desarrolladores independientes

Para los equipos de investigación con recursos limitados, la disponibilidad de un modelo capaz de resolver casi cualquier cálculo de rutina a menos de 3 USD abre la posibilidad de externalizar tareas de verificación y de generación de datos numéricos. La integración en entornos de desarrollo como Codex permite lanzar scripts de Python que automatizan la resolución de ecuaciones, la generación de gráficos y la validación de resultados sin necesidad de contratar expertos en cada sub‑campo.

TheoPhysEval demuestra que la brecha entre la capacidad de cálculo de los LLM y la de un experto humano está disminuyendo rápidamente. El siguiente paso crítico será dotar a estos sistemas de habilidades de razonamiento abductivo que les permitan plantear preguntas de investigación novedosas, no solo responder a preguntas ya formuladas.