Группа из более чем 30 исследователей собрала тест TheoPhysEval и описала его в препринте на arXiv. Тест состоит из 50 неопубликованных исследовательских задач с проверяемыми ответами. Лучше всех с ними справилась модель GPT-6 Astra от OpenAI, которая работала в среде для программирования Codex. Она верно решила 49 задач, то есть 98%. Проект координировали Суврат Раджу из Международного центра теоретических наук в Бангалоре и Праниит Нетрапалли из Google DeepMind. В нем участвовали исследователи...