--- title: "GPT-6-Astra löst 49 von 50 theoretischen Physikaufgaben und findet Fehler in den Lösungen der Wissenschaftler selbst" description: "Physiker haben KI-Agenten anhand von 50 unveröffentlichten theoretischen Physikaufgaben getestet: GPT-6-Astra löste 49 von 50, und in einigen Fällen stellten Forscher Fehler in ihren eigenen Referenzlösungen fest." date: 2026-10-18T11:08:23.245Z lang: de url: https://xab.info/de/posts/gpt-6-astra-loest-49-physikaufgaben tags: [gpt-6-astra, ai-agents, theoretical-physics, theo-phys-eval, openai] author: "Alexander Buran" publisher: "XAB.info" --- # GPT-6-Astra löst 49 von 50 theoretischen Physikaufgaben und findet Fehler in den Lösungen der Wissenschaftler selbst ![Handschriftliche komplexe mathematische Formeln und Grafiken auf Papier neben einem Tablet auf einem Tisch](https://xab.info/media/2026/10/18/gpt-6-astra-reshila-49-iz-50-zadach-po-fizike/gpt-6-astra-reshila-49-iz-50-zadach-po-fizike-1.webp) ## Kernpunkte - Im TheoPhysEval-Test mit 50 unveröffentlichten Aufgaben löste GPT-6-Astra 49 und erreichte eine Genauigkeit von 98 % bei Kosten von unter 3 $ pro Aufgabe. - In mehreren Fällen hielten Forscher die korrekten Antworten des Modells zunächst für Fehler, fanden aber nach einer Überprüfung Mängel in ihren eigenen Referenzlösungen. - Die Genauigkeit sank ohne Internetzugang kaum, was die Autoren auf das Einprägen eines Großteils der wissenschaftlichen Literatur durch das Modell zurückführen. Physiker haben einen standardisierten Test von KI-Agenten anhand von Aufgaben auf Forschungsniveau durchgeführt und ein Ergebnis erzielt, das die Autoren als „stark“ bezeichnen. Im TheoPhysEval-Test, der aus 50 unveröffentlichten Aufgaben der theoretischen Physik besteht, bewältigte das Modell GPT-6-Astra in der Codex-Umgebung von OpenAI 49 von 50 Aufgaben. Mehr noch: In mehreren Fällen stuften die Forscher die korrekten Antworten des Modells zunächst fälschlicherweise als falsch ein – und erst nach Konsultationen mit Experten stellte sich heraus, dass die Mängel in ihren eigenen Referenzlösungen lagen. Dies verwandelte die Überprüfung der KI-Genauigkeit in ein Qualitätsaudit der Kontrollantworten selbst. ### Was getestet wurde: 50 unveröffentlichte Aufgaben aus 11 Bereichen Für den Test stellte ein Physikerteam 50 Aufgaben aus 11 Bereichen der theoretischen Physik zusammen. Zum Zeitpunkt des Tests war keine der Aufgaben irgendwo veröffentlicht worden, obwohl jede eine Ergebnisüberprüfung zuließ. Die Autoren schlossen große ungelöste Probleme bewusst aus: Das Ziel bestand nicht darin, das Modell zu einer bahnbrechenden Neuentdeckung zu bringen, sondern zu messen, wie gut ein Agent die konkrete Rechenarbeit erledigt, mit der ein Forscher konfrontiert ist. Bei vielen Aufgaben wurden die Ausgangswerte im Vergleich zu jüngeren Arbeiten der Forscher selbst modifiziert, sodass die fertige Antwort nicht einfach aus einer Publikation übernommen werden konnte – es blieb nur die Anwendung der Methode selbst. Nach Einschätzung der Autoren wendet ein Weltklasse-Experte normalerweise fast einen Tag für eine solche Aufgabe auf, ein Spezialist aus einem verwandten Fachgebiet deutlich länger. ### Ergebnisse: 98 % Genauigkeit und Kosten von unter drei Dollar pro Aufgabe Im Modus mit Zugang zum Internet, wissenschaftlicher Literatur und Rechenwerkzeugen erreichte Astra eine Genauigkeit von 98 % und gab im Durchschnitt weniger als 3 $ pro Aufgabe aus. Zum Vergleich: Opus 5.5 von Anthropic in Claude Code löste 46 von 50 Aufgaben (92 %), Gemini 3.8 Flash schaffte 34, DeepSeek-V4.1-Flash 27 und GLM 5.3 die Zahl 21. Damit erwies sich die Kluft zwischen dem Spitzenreiter und den übrigen Testteilnehmern als erheblich, während die Kosten für die Lösung einer Forschungsaufgabe vergleichbar waren mit dem Preis einer Tasse Kaffee. ### Wenn die KI Recht hatte und die Wissenschaftler nicht Mehrere Antworten von Astra wurden zunächst als fehlerhaft abgelehnt. Nach einer Neubeurteilung und Konsultationen mit Experten entdeckten die Autoren jedoch Mängel in ihren eigenen Referenzlösungen; nach deren Korrektur wurden die Berechnungen des KI-Modells in all diesen Fällen als richtig anerkannt. Die einzige Aufgabe, die Astra selbst mit Websuche nicht lösen konnte, blieb auch für die anderen Modelle ungelöst: Es ging darum, eine Differentialgleichung aus einer vorgegebenen Kurve zu rekonstruieren, wobei die Mehrdeutigkeit der Bedingung die Lösungsfindung erheblich erschwerte. ### Gedächtnis statt Suche Die Genauigkeit der Modelle veränderte sich kaum, wenn der Internetzugang abgeschaltet wurde: Ohne Websuche zeigten Astra und Opus ein identisches Ergebnis von 92 %. Nach Ansicht der Autoren könnte dies darauf hindeuten, dass führende Modelle einen wesentlichen Teil der wissenschaftlichen Literatur verinnerlicht haben und in der Lage sind, die benötigten Formeln ohne Quellensuche zu reproduzieren. Gleichzeitig betonen die Autoren, dass sich der Einfluss von Trainingsdaten allein auf Basis dieser Studie nicht vollständig ausschließen lässt. ### Die Grenze des Machbaren: Berechnungen sind noch keine Forschung Der Erfolg bei Berechnungen bedeutet nicht, dass die KI bereits in der Lage ist, eigenständig vollwertige physikalische Forschungen zu betreiben. Ein bedeutendes Problem auszuwählen, die richtige Frage zu formulieren und zu erkennen, wann es sich lohnt, die Arbeitsrichtung zu ändern, gelingt den Modellen nach wie vor deutlich schlechter als das Lösen von Aufgaben mit einer überprüfbaren Antwort. TheoPhysEval misst nach dem Willen der Autoren genau die Rechenkomponente der Forschungsarbeit – und in diesem engen, aber wichtigen Bereich zeigten die KI-Agenten ein expertengleiches Niveau. ## Faktencheck und Quellen - [GPT-6-Astra решила 49 из 50 задач по теоретической физике — и нашла ошибки в расчётах учёных](https://www.ixbt.com/news/2026/10/17/gpt-6-astra-resila-49-iz-50-zadac-po-teoreticeskoi-fizike-i-nasla-osibki-v-rascetax-ucenyx.html) - Primärquelle; enthält alle Kerndaten: 49/50, 98 %, < 3 $, Opus 5.5 Ergebnisse (46), Gemini 3.8 Flash (34), DeepSeek-V4.1-Flash (27), GLM 5.3 (21), Benchmark-Selbstkorrektur und die einzige ungelöste Aufgabe. - [GPT-6-Astra решила 49 задач по физике и нашла ошибки в ответах учёных](https://itzine.ru/news/ai/gpt-6-astra-49-zadach-fizika-oshibki-uchenyh.html) - Bestätigt den Namen TheoPhysEval, 50 Aufgaben aus 11 Bereichen, Modifikation der Ausgangswerte und Schätzungen der Expertenzeit. - [GPT-6-Astra решила 49 из 50 задач в тесте по теоретической физике](https://cisoclub.ru/gpt-6-astra-reshila-49-iz-50-zadach-v-teste-po-teoreticheskoj-fizike/) - Bestätigt die Codex-Umgebung von OpenAI, < 3 $ pro Aufgabe, 11 Bereiche, 92 % für Opus 5.5 und identische Astra/Opus-Ergebnisse ohne Internet. - [GPT-6 Astra: OpenAI хочет превратить ИИ из помощника в исполнителя задач](https://habr.com/ru/companies/otus/news/1078608/) - Kontextuelle Quelle zur Haltung von OpenAI bezüglich des Modells; widerspricht nicht den Testzahlen. ## Häufige Fragen ### Was ist der TheoPhysEval-Test? Es handelt sich um einen Satz von 50 unveröffentlichten Aufgaben der theoretischen Physik aus 11 Bereichen, zusammengestellt von einem Physikerteam zur Überprüfung von KI-Agenten. Die Aufgaben testen die Anwendung bekannter Methoden auf veränderte Bedingungen statt neuer Entdeckungen; sie waren zum Testzeitpunkt nirgends veröffentlicht. ### Wie viele Aufgaben hat GPT-6-Astra gelöst und wie viel hat es gekostet? Astra löste 49 von 50 Aufgaben (98 % Genauigkeit) im Modus mit Internet- und Tool-Zugang und gab in der Codex-Umgebung von OpenAI im Durchschnitt weniger als 3 $ pro Aufgabe aus. ### Warum hielten die Autoren die Antworten des Modells zunächst für falsch? In mehreren Fällen hielten Forscher Astras richtige Antworten für Fehler, entdeckten jedoch nach Expertenkonsultationen Mängel in ihren eigenen Referenzlösungen; nach Korrekturen wurden die KI-Berechnungen als richtig anerkannt. ### Bedeutet dies, dass die KI vollwertige physikalische Forschungen betreibt? Nein. Die Autoren betonen, dass Rechenerfolge nicht gleichbedeutend mit der Fähigkeit zur eigenständigen Forschung sind: Das Auswählen wichtiger Probleme, das Formulieren von Fragen und das Ändern der Arbeitsrichtung fallen den Modellen nach wie vor schwerer als das Lösen von Aufgaben mit überprüfbarem Ergebnis.