GPT-5.6 Sol (max) encabeza CritPt, un nuevo punto de referencia de problemas de investigación en física no publicados

CritPt fue desarrollado por el Laboratorio Nacional Argonne y la Universidad de Illinois Urbana-Champaign específicamente para eludir un problema creciente con los puntos de referencia de física de IA: una vez que un problema y su respuesta son públicos, los modelos pueden absorberlo durante el entrenamiento y parecer "razonar" hasta llegar a una solución que en realidad memorizaron. CritPt, en cambio, se basa en problemas de investigación de nivel de posgrado no publicados, aportados por más de 60 investigadores de más de 30 instituciones en todo el mundo, lo que impide que los modelos hayan visto las respuestas de antemano.

En la puntuación independiente de Artificial Analysis, GPT-5.6 Sol (max) lidera el campo con aproximadamente un 32% de puntuación, ganando alrededor de 5 puntos sobre su predecesor, GPT-5.5 (xhigh) (openais-gpt-56-launch-rewrites-the-economics-of-frontier-ai), y terminando aproximadamente 4 puntos por delante de Claude Fable 5 de Anthropic (claude-fable-5-and-mythos-5-the-future-of-ai-is-gated-intelligence-222). El resto del campo cae abruptamente a partir de ahí, y la mayoría de los otros modelos fronterizos obtienen puntuaciones de un solo dígito a veinte y tantos.

Incluso en la cima de la tabla de clasificación, una puntuación cercana al 32% es un recordatorio de lo difícil que es el punto de referencia por diseño: se trata de problemas extraídos de la investigación activa en física, no de ejercicios de libros de texto, y ningún modelo se acerca a resolver la mayoría de ellos. Artificial Analysis enmarcó el resultado como una señal temprana de la utilidad potencial de los modelos fronterizos en la investigación científica real, más que como una evidencia de que algún modelo pueda ayudar significativamente con ella todavía.