Los mejores modelos de IA pasan del 2% al 35% en problemas teóricos, según el MIT
Hecho Qué ha ocurrido
Un estudio de Neil Thompson, Gabriel Manso y Claudio Mayrink Verdun, del MIT, evaluó modelos de OpenAI (o1, o3, GPT-5 y versiones posteriores) con problemas de papers publicados entre diciembre de 2025 y mayo de 2026. Según la investigación, entre mediados de 2024 y mediados de 2026 la tasa de acierto pasó de alrededor del 2% a cerca del 35% en disciplinas como probabilidad, estadística, economía, física y matemáticas. El estudio abarcó un conjunto limitado de campos y usó bloqueo de internet y artículos posteriores a la fecha de corte del entrenamiento.
Resumen generado mediante IA a partir de La Nación Tecnología. Naturaleza de la información: hecho documentado.
Análisis Por qué importa
Muestra una mejora rápida de la IA en razonamiento científico que podría trasladarse a otras áreas de investigación. Para las organizaciones con I+D intensiva, es una señal de que la verificación de resultados será tan importante como su generación.
- Quién se ve afectado
- Centros de investigación, universidades y departamentos de I+D en ciencias básicas y aplicadas.
- Qué puede cambiar
- Los problemas teóricos podrían resolverse con más frecuencia con apoyo de IA, lo que obliga a reforzar los procesos de revisión y validación de resultados.
Análisis generado a partir de la información disponible; no procede de la fuente.
Predicción Qué observar a continuación
Si los resultados se replican en campos fuera de los evaluados, cómo cambia la tasa de errores en soluciones complejas y la reacción de las comunidades académicas frente al uso de IA en matemáticas y física.
Enviar esta noticia por correo
Fuente original: La Nación Tecnología. La referencia es siempre el artículo original.
Ver fuente original ↗modelos de razonamientoIA científica MITOpenAI GPT-5investigación científicamatemáticasMITOpenAI
Tu opinión
0 comentarios
Relacionadas
Google presenta Antigravity para acelerar la búsqueda de péptidos antimicrobianos
Google DeepMind describe cómo biólogos usaron su plataforma agéntica Antigravity para identificar un candidato a péptido antimicrobiano con actividad predicha…
Por qué importaSi los resultados se confirman, el trabajo de cribado de bases de datos biológicas podría reducirse de días a sesiones de trabajo guiadas por IA…
Un agente de IA resuelve 49 de 50 problemas de física teórica no publicados
Un equipo de 35 investigadores, con participación de ICTS, Harvard, KU Leuven y Google DeepMind, presentó TheoPhysEval, un benchmark de 50 problemas de física…
Por qué importaSi los resultados se confirman, los cálculos de nivel de investigación que antes requerían expertos y varios días podrían delegarse en agentes a bajo…
NVIDIA se suma a la iniciativa europea AI in Science con modelos abiertos, cómputo y formación
En la AI in Science Summit de Dublín, la Comisión Europea lanzó la iniciativa AI in Science Enablers, vinculada a RAISE. NVIDIA anuncia su aportación: más de…
Por qué importaPara instituciones de investigación y startups científicas españolas o latinoamericanas, puede abrir acceso gratuito o subvencionado a cómputo y…
Un algoritmo de Stanford identifica el péptido BRP, que reduce el apetito en animales
Un equipo de Stanford Medicine usó la herramienta computacional Peptide Predictor para revisar unos 20.000 genes humanos y seleccionar 100 péptidos candidatos…
Por qué importaEl caso muestra un método de cribado computacional que puede acotar la búsqueda de moléculas bioactivas antes de los experimentos de laboratorio…