WIRED informa de que los mejores modelos probados pasaron de acertar alrededor del 2 % de los problemas teóricos estudiados hacia mediados de 2024 a cerca del 35 % hacia mediados de 2026. La diferencia es de unos 33 puntos porcentuales, calculada a partir de esas cifras redondeadas. El resultado corresponde a una prueba de seis campos teóricos, no a una medida de la ciencia en general. WIRED publicó los detalles del benchmark.
Qué se puso a prueba
La prueba abarcó problemas de probabilidad, teoría estadística, teoría económica, teoría de altas energías, gravitación y cosmología, y física cuántica. WIRED identificó seis modelos de OpenAI: o1, o3, GPT-5, GPT-5.1, GPT-5.4 y GPT-5.5.
Los problemas procedían de artículos de investigación publicados en internet entre diciembre de 2025 y mayo de 2026. Según WIRED, las soluciones de referencia aparecieron después de las fechas de corte de entrenamiento de los modelos y se bloqueó el acceso a internet durante las pruebas. Así, el resultado mide cómo respondieron los modelos a esos problemas bajo esas condiciones.
Por qué el porcentaje no mide toda la ciencia
El benchmark se limitó a problemas teóricos que podían abordarse sin simulaciones ni experimentos. Por tanto, sus porcentajes no describen el rendimiento de la IA en ciencia experimental ni en todas las tareas de investigación.
La comprobación de las respuestas también importa. WIRED informó de que OpenAI retiró varias soluciones de un conjunto de datos después de su publicación. Gabriel Manso, investigador del equipo, señaló que una respuesta puede parecer correcta hasta que se examina la solución completa; la generación de ideas y la revisión humana siguen siendo parte del trabajo científico. NeoTeo ya abordó el escrutinio de una afirmación matemática de OpenAI sobre Navier–Stokes.
BootLoops, otro tipo de investigación asistida por IA
Un trabajo distinto, descrito por Science, combinó Claude con BootLoops, una herramienta para buscar estructuras matemáticas en la literatura científica. El equipo resolvió 30 ejemplos de una clase de integrales; 15 se describieron como no resueltos anteriormente. La iniciativa más amplia dio lugar a 36 prepublicaciones.
Ese trabajo no forma parte del benchmark de seis campos ni comparte su medida de aciertos: describe otro flujo de investigación, aplicado a problemas de distintas disciplinas. Science también destaca la intervención de especialistas, que aportan criterio para identificar preguntas valiosas y evaluar los resultados.
