Группа из 35 исследователей представила бенчмарк TheoPhysEval, состоящий из 50 неопубликованных задач по теоретической физике. В ходе тестирования модель GPT-6-Astra, работающая в среде OpenAI Codex, правильно решила 49 задач (98%), при этом средняя стоимость выполнения одного задания составила менее 3 долларов. Второе место заняла модель Anthropic Opus 5.5 с результатом 92%. Авторы отмечают, что ИИ эффективно справляется с «рутинными» задачами, которые ранее поручались аспирантам. Несмотря на успехи в вычислениях, исследователи подчеркивают отсутствие у моделей «научного вкуса» — способности выбирать наиболее перспективные и интересные направления для работы. По мнению авторов, хотя ИИ уже превосходит экспертов в конкретных расчетах, для совершения фундаментальных прорывов в физике этого недостаточно. Ученые также предупреждают, что доступность мощных ИИ-агентов может изменить структуру подготовки молодых физиков и создать неравенство в доступе к ресурсам для исследований.