Volgens The Decoder presteerde GPT-6-Astra het best in de nieuwe benchmark TheoPhysEval, met 49 correcte oplossingen op 50 problemen uit elf deelgebieden van de theoretische natuurkunde. De agent draaide in OpenAI’s Codex-omgeving en kostte volgens de onderzoekers gemiddeld minder dan drie dollar per probleem. Anthropic’s Opus 5.5 volgde met 92 procent, terwijl Gemini 3.8 Flash op 68 procent uitkwam.
De benchmark testte vooral uitvoerend rekenwerk met verifieerbare antwoorden, niet het formuleren van nieuwe theorieën of grote open vragen. Internettoegang maakte volgens de onderzoekers weinig verschil. Bij meerdere problemen bleken bovendien fouten in de oorspronkelijke antwoordsleutels te zitten. De onderzoekers stellen dat AI hiermee concrete berekeningen op specialistisch niveau aankan, maar nog moeite heeft met het kiezen van interessante onderzoeksvragen en het ontwikkelen van nieuwe inzichten.