GPT-6-Astra набрала 98% в бенчмарке TheoPhysEval. ИИ-агент справился с 49 из 50 неопубликованных задач по теоретической физике без подсказок человека. Средняя стоимость решения составила около $2,40, а весь прогон обошёлся менее чем в $116.
Модель работала в среде OpenAI Codex и могла искать информацию в интернете. Второе место заняла Anthropic Opus 5.5 в Claude Code с результатом 92%. Gemini 3.8 Flash получила 68%, DeepSeek-V4.1-Flash — 54%, GLM 5.3 — 42%.
В набор вошли задачи из 11 областей — от физики частиц и космологии до гидродинамики и биологических процессов. Авторы не включали великие нерешённые проблемы. Они проверяли рутинную исследовательскую работу: найти подходящий метод, адаптировать известные формулы и провести расчёты для новых условий.
«Рутинная» здесь не значит простая. В одной задаче требовалось найти старую статью о чёрных дырах, перенести расчёты из пятимерного пространства-времени в четырёхмерное и написать программу. Один из авторов исходной работы потратил на это около дня.
Доступ к интернету повлиял на результат меньше, чем ожидали исследователи. Без поиска GPT-6-Astra и Opus 5.5 набрали по 92%. Авторы считают, что ведущие модели запомнили значительную часть литературы по теоретической физике во время обучения.
Проверка также выявила ошибки в нескольких эталонных ответах. После исправления таких ответов решения Astra оказались верными. Единственная задача, которую она не решила с веб-поиском, не поддалась ни одному участнику теста.
При этом агенты пока не заменяют самостоятельного учёного. Они хорошо выполняют конкретный расчёт, но хуже выбирают интересные вопросы и меняют направление, когда исходная задача заходит в тупик. Навык, который раньше мог стать первым исследовательским проектом аспиранта, теперь агент выполняет за несколько долларов.
