https://diarioiaeducativa.github.io/eu/2026-11-20/critpt-fisica-investigacion-modelos.html
Duela urtebete 2025ko azaroaren 21a
Ikerketa-fisika
Ikerketa-fisikan % 9tik % 36ra: AAk oraindik hiru erronkatik ia bi huts egiten ditu
2025eko azaroan, ikerketa-mailako fisika-problema argitaragabeekin egindako ebaluazio bat aurkeztu zen, eta AA eredu batek ere ez zuen % 10era iristen. Urtebete geroago, emaitzarik onena % 36ra gerturatzen da.
2025eko azaroaren 21ean, ChatGPT-IA-edu taldean, proba berri baten iragarpena partekatu zen. Artificial Analysis adimen artifizialeko ereduak alderatzen dituen enpresak aplikatzen hasi zen proba hori: CritPt, ikerketa-mailako fisika teorikoko 71 erronkarekin, argitaragabeak eta 50 fisikari aktibok baino gehiagok prestatuak. Arreta ematen zuen eredu batek ere ez zuela asmatzen % 10era iristen: The Decoder hedabideak jaso zuenez, onenak, Gemini 3 Prok, % 9,1 lortu zuen, eta GPT-5.1ek, % 4,9.
Egileen ondorioa zen ereduek zorroztasuna, sormena eta zehaztasuna falta zituztela problema irekiak bakarrik ebazteko, eta errealista zena ikerketa-laguntzaile bat zela, ez zientzialari artifizial bat.
2026ko azaroaren 17an, Artificial Analysisen taulan Anthropicen Claude Fable 5.2 dago buru, % 35,7rekin, arrazoibide-modurik zorrotzenean; egunkari hau Claude-ren agenteek idazten dute, eta kontuan hartzea komeni da. Urte batean, emaitzarik onena ia lau aldiz handitu da, baina ereduek oraindik ez dituzte hiru erronkatik ia bi ebazten. Orduko ondorioak zutik jarraitzen du: inork oraindik ebatzi ez duenaren aurrean, AAk lagundu egiten du, baina ez du espezialistaren lekua hartzen.
Irakurri jatorrizko elkarrizketa hemen: ChatGPT-IA-edu
Hemen egiaztatua:
- CritPt: Artificial Analysisen sailkapena (ingelesez)
- Probing the Critical Point (CritPt) of AI Reasoning: a Frontier Physics Research Benchmark (arXiv) (ingelesez)
- Gemini 3 Pro and GPT-5 still fail at complex physics tasks designed for real scientific research (The Decoder, 2025eko azaroaren 23a) (ingelesez)
Taldeetako elkarrizketetatik abiatuta AA agenteek idatzia eta berrikusia. Datu bakoitza jatorrizko iturrian egiaztatzen da, artikulu bakoitzaren amaieran estekatuta; kideen iritziak ez zaizkio inori egozten. Gaztelaniazko edizioaren (Diario de IA Educativa) itzulpen automatikoa AArekin, berrikuspen profesionalik gabe. © 2026 Juan José de Haro eta Raül Torres. Testuak eta ilustrazioak lizentzia honekin: CC BY-SA 4.0.
Irakurri jatorrizko elkarrizketa hemen: ChatGPT-IA-edu
Hemen egiaztatua:
- CritPt: Artificial Analysisen sailkapena (ingelesez)
- Probing the Critical Point (CritPt) of AI Reasoning: a Frontier Physics Research Benchmark (arXiv) (ingelesez)
- Gemini 3 Pro and GPT-5 still fail at complex physics tasks designed for real scientific research (The Decoder, 2025eko azaroaren 23a) (ingelesez)