OpenAI publica relatório sobre o progresso da IA em matemática e abre o repositório openai/math

A OpenAI publicou em seu site o material «Sharing AI progress in mathematics» e colocou no GitHub o repositório openai/math. Em 13 de outubro de 2026, o canal Two Minute Papers analisou a publicação no vídeo «OpenAI's New AI Is Doing Things We Barely Understand». A descrição do vídeo traz apenas dois links para as fontes primárias e nenhuma métrica. Por isso, abaixo estão separados o que se sabe ao certo e o que continua em aberto.

O que foi publicado

Pelos dados disponíveis, a OpenAI reuniu os resultados em matemática em uma publicação separada e anexou o código. O detalhe importa. Em geral, as empresas mostram matemática por meio de benchmarks em posts de lançamento, mas aqui o tema ganhou uma página e um repositório próprios. A tese de que o sistema faz coisas que «mal entendemos» é do autor do vídeo. É uma formulação do título dele, não uma declaração da OpenAI.

Nos materiais a que temos acesso, não foram divulgados:

• o nome e a arquitetura do modelo que produziu os resultados;
• o conjunto de problemas e a proporção de resolvidos;
• o orçamento computacional e o tempo de execução por problema;
• o método de verificação das soluções: humano, verificador formal ou ambos.

Sem esses parâmetros, qualquer comparação com concorrentes seria palpite.

Contexto: de onde vem o interesse por matemática

A matemática se tornou o principal campo de teste para modelos de raciocínio. A resposta está certa ou errada, e a demonstração pode ser verificada. Em julho de 2025, um modelo experimental da OpenAI fez 35 pontos de 42 na Olimpíada Internacional de Matemática, ou seja, resolveu cinco problemas de seis. É desempenho de medalha de ouro. Desde então, a pergunta deixou de ser sobre problemas de olimpíada e passou a ser sobre problemas de pesquisa: o modelo consegue encontrar uma demonstração nova ou, pelo menos, verificar com confiabilidade a demonstração de outra pessoa?

A publicação com código no GitHub continua essa linha de forma natural. O repositório permite checar as afirmações por conta própria, desde que contenha os problemas, as soluções e os scripts de avaliação. Ainda não está claro quão completo é o repositório.

Por que «mal entendemos» pede cautela

A frase do título pode significar três coisas diferentes. A primeira: o modelo encontra caminhos de solução que não são óbvios para as pessoas. A segunda: a interpretabilidade está atrasada, e ninguém consegue explicar por que o raciocínio funciona. A terceira: o título foi feito para gerar cliques. Para a redação, é importante não misturar essas hipóteses. Enquanto não virmos as conclusões da própria OpenAI, a avaliação do Two Minute Papers continua sendo a opinião de um comentarista.

Como trabalhar com isso

Se você é pesquisador ou engenheiro, comece pelas fontes primárias, não pelo vídeo. A ordem de verificação é esta:

• abra o post em openai.com e procure a lista de problemas, os critérios de aceitação e a descrição da verificação;
• em openai/math, veja a licença, o formato dos dados e se há scripts para reprodução;
• confira se há verificação formal, por exemplo em Lean, ou se as soluções foram avaliadas manualmente;
• compare o orçamento computacional declarado com o seu: um resultado alcançável em horas num cluster grande dificilmente serve para um produto.

Se você desenvolve um produto com LLM, há uma conclusão prática. Resultados em matemática são úteis como indicador da capacidade de sustentar longas cadeias de raciocínio, mas não se transferem diretamente para tarefas comerciais. Espere verificações independentes antes de mudar a stack ou fazer promessas a clientes. Voltaremos ao tema quando surgirem os números do próprio post e as primeiras reproduções.