2026. október 16., péntek · Kutatás

GPT-6-Astra rutinszerű fizikai kutatási feladatok 98%-át oldotta meg

Egy nemzetközi kutatócsoport – köztük az ICTS, a Harvard, a KU Leuven és a Google DeepMind munkatársai, összesen 35 szerző – közzétette a TheoPhysEval nevű benchmarkot, amely 50, korábban nem publikált elméleti fizikai kutatási feladatot tartalmaz ellenőrizhető megoldással. A feladatok a szerzők szerint úgynevezett „turn-the-crank” jellegű, rutinszerű kutatómunkát modelleznek, amelyben ismert módszereket kell alkalmazni egy kissé módosított kérdésre, és amit jellemzően egy PhD-hallgató kap első lépésként, egy adott terület szakértője pedig nagyjából egy nap alatt megold. A tesztben az OpenAI Codex környezetében futó GPT-6-Astra 49 feladatot oldott meg helyesen, vagyis 98 százalékot ért el, átlagosan kevesebb mint 3 dollárért feladatonként, az egész benchmarkot pedig közel 116 dollárból futtatták végig. Az Anthropic Claude Code-ban futó Opus 5.5 92 százalékot, a Google Gemini 3.8 Flash pedig 68 százalékot ért el. A kutatók szerint a magas pontszámok ellenére hiányzik az AI-ból egyfajta tudományos „ízlésérzék”, ami megmagyarázhatja, miért nem vezettek még ezek az eredmények valódi fizikai áttörésekhez.

Egy forrás Ehhez a hírhez egy forráslink áll rendelkezésre.

Miért fontos?

A benchmark 11 fizikai alterületet fed le, és minden ügynököt kétféle módon is teszteltek – internetes kereséssel és anélkül is –, így a magas pontszám nem magyarázható pusztán a kereséssel.

Források

The Decoder

Kapcsolódó témák

Napi összefoglaló

Ez a hír a 2026. október 16., péntek napi AI összefoglaló része.

Kapcsolódó hírek

Seal: AI-modell térképezi az agyfejlődés génszabályozását

A Nature Neuroscience folyóiratban megjelent tanulmány bemutatja a Sealt, egy interpretálható, mesterséges intelligencián alapuló transzfertanulási keretrendszert, amely a fejlődő emberi agy génexpresszióját és genetikai variánsainak hatását modellezi térbeli-időbeli felbontásban, 26 agyi régióra, 30 sejttípusra és 7 fejlődési stádiumra kiterjedően. A kutatók szerint a Seal a genetikai variánsokat transzkripciós szabályozókhoz köti, és a modellt hat neuropszichiátriai állapot GWAS-adatain alkalmazva közös és eltérő szabályozási architektúrákat azonosítottak, amelyek illeszkednek a klinikai lefolyáshoz. A Simons Simplex Collection autizmus-kohorsz teljes genomadatain a modell jelentős de novo szabályozóvariáns-terhelést mutatott ki az átmeneti, magzati kori gerjesztő idegsejtekben, sejttípus- és stádiumspecifikus hatásokat feltárva. A szerzők szerint a Seal általános keretrendszert kínál az agyfejlődés és az idegrendszeri betegségek mechanizmusainak feltárásához, a modell kódja és paraméterei nyilvánosan elérhetők.

Anthropic: kis AI-modellek önállóan terjedhetnek okoseszközökön

Az Anthropic két kutatója, William Zhou és Daniel Freeman által jegyzett tanulmány szerint a kisméretű nyelvi modellek hamarosan képesek lehetnek önállóan, férgekhez hasonlóan terjedni gyengén védett fogyasztói eszközökön, például okostévéken, hűtőkön vagy robotporszívókon. A kutatók egy Gemma4-26B-A4B modellt 15 darab, egyenként mintegy 55 dolláros, 4 GB RAM-os Android TV-dobozra osztva futtattak, a GLM-5.2 modell pedig a tanulmány szerint mind a nyolc tesztelt eszközön végigvitte a teljes replikációs láncot: hálózatot pásztázott, bejutott egy új eszközre, ott beállította a futtatási környezetét, majd onnan tovább is tudott terjedni. Az Anthropic szerint jelenleg még nincs olyan modell, amely egyszerre elég kicsi és elég ügyes lenne ehhez éles környezetben, de a kutatók úgy vélik, ez a rés hamarosan bezárulhat. A cég vezérigazgatója, Dario Amodei a Financial Times szerint több száz milliárd dolláros kárt okozó jövőbeli kiberfenyegetésre figyelmeztetett.

Kínai matematikus-szövetség alakult az AI-kutatásra, miközben Nyugaton félnek az eltompulástól

A The Decoder beszámolója szerint Csiu-Si Jau (Shing-Tung Yau) Fields-érmes matematikus és kollégái vasárnap Pekingben megalapították a „Yau Laboratory Alliance for Mathematics and Artificial Intelligence” nevű szövetséget, amely a South China Morning Post cikke alapján nyolc intézményt tömörít, és célja egy több mint ezer kutatóból álló hálózat felépítése az AI matematikai alkalmazására. Jau szerint Kína lemaradásban van az Egyesült Államokkal szemben, ezért specializált modelleket, gépileg ellenőrizhető bizonyításokat és átlátható AI-érvelést akarnak kifejleszteni. Ezzel szemben a The Decoder szerint a nyugati matematikus-közösségben inkább szkepticizmus uralkodik: huszonöt Fields-érmes matematikus, köztük Terence Tao és Peter Scholze attól tart, hogy az AI által generált bizonyítások aláássák a matematikai megértést, és a kutatókat olyan eszközöktől teszik függővé, amelyeket már nem tudnak önállóan követni. A cikk szerint a közösség egy része bojkottra szólít fel az AI-generált bizonyításokkal szemben, míg mások a beérkező automatizált beadványok puszta mennyiségén döbbennek meg.

DeepMind AI-ja kilenc Erdős-problémát oldott meg, lektorált tanulmányban

A Google DeepMind új rendszere, az AlphaProof Nexus a Gemini 3.1 Pro nyelvi modellre épül, és a Science folyóiratban megjelent, lektorált tanulmány szerint kilencet megoldott a 353 nyitott Erdős-probléma közül, köztük kettőt, amely 56 éve várt megoldásra. A cég szerint a rendszer emellett 44 sejtést bizonyított az OEIS egész szám-sorozat adatbázisából, megoldott egy nyitott algebrai geometriai kérdést, és javított egy ismert korlátot a min-max optimalizálásban, amelyet egyes AI-modellek betanításához is használnak. A rendszer a Lean formális nyelven vázolja és javítja a bizonyításokat, a Lean minden szerkesztés után ellenőrzi azokat, a hibaüzenetek pedig irányítják a következő próbálkozást, nehezebb részfeladatoknál pedig a specializált AlphaProof eszközt is bevetheti. A publikáció éles vitába csöppent: a lap szerint az OpenAI korábban több száz AI-generálta bizonyítást töltött fel a GitHubra anélkül, hogy folyóiratnak nyújtotta volna be őket, amit a Terence Tao vezette Association for Human Mathematics bojkottra szólított fel, míg a DeepMind a saját munkáját lektorálásnak vetette alá.