GPT-5.2 supera candidatos deste ano em questões de vestibular da Universidade de Tóquio e da Universidade de Quioto

O GPT-5.2 chegou a mais um marco que por muito tempo foi considerado território humano: em um teste com questões dos vestibulares da Universidade de Tóquio e da Universidade de Quioto, o modelo obteve resultado superior ao dos candidatos deste ano. E não se trata apenas de passar o corte: segundo a LifePrompt, o sistema em modo de raciocínio atingiu um nível que supera até as maiores notas de aprovação em vários cursos, incluindo medicina.

Os testes foram conduzidos pela LifePrompt, que comparou as respostas do modelo com as questões atuais dos exames e com os resultados do processo seletivo real. É importante destacar que não se trata de uma participação oficial da rede neural na seleção japonesa nem de uma história sobre matrícula em universidade: é antes um teste de estresse da capacidade acadêmica do modelo em um ambiente extremamente competitivo. Mas é justamente esse formato que tem valor: ele permite avaliar não um benchmark abstrato, e sim como a IA lida com tarefas complexas usadas para eliminar os candidatos mais fortes.

A escolha do palco também não é casual. A Universidade de Tóquio e a Universidade de Quioto são as duas instituições mais prestigiadas e seletivas do Japão, e os cursos de medicina estão tradicionalmente entre os mais difíceis de entrar. Se o modelo de fato supera o teto das notas de aprovação nesses cursos, isso significa mais do que boa erudição. É sinal de uma capacidade consistente de lidar com tarefas que exigem lógica, longas cadeias de raciocínio, cálculos cuidadosos e a habilidade de não perder o contexto entre várias condições.

Pela descrição do teste, o modo de raciocínio teve papel central. Nele, o modelo gasta mais tempo analisando internamente o problema antes de dar a resposta final. Para vestibulares isso é especialmente importante: questões desse tipo costumam punir não o desconhecimento de um fato, mas um único elo intermediário errado. Por isso, o avanço desses sistemas lembra cada vez menos «chute estatístico» e cada vez mais a resolução de problemas passo a passo. Ao mesmo tempo, isso não elimina as limitações: mesmo uma nota excepcional em conjuntos de provas ainda não prova que o modelo seja igualmente confiável em diálogo real, em pesquisa ou em decisões clínicas.

Para a educação, é um sinal em várias direções ao mesmo tempo. Primeiro, as provas-padrão funcionam cada vez pior como filtro puro de conhecimento se um modelo de raciocínio forte consegue passar nelas de forma estável melhor que a maioria das pessoas. Segundo, muda o valor da própria preparação: importa menos resolver mecanicamente problemas conhecidos e mais saber formular perguntas, checar etapas intermediárias, defender conclusões e trabalhar em conjunto com ferramentas de IA. Por fim, esses resultados empurram as universidades a rever seus métodos de avaliação, incluindo mais componentes orais, trabalhos em projeto e tarefas em que a argumentação própria é decisiva, e não só a resposta final no gabarito.

Para o mercado de IA, isso também mostra para onde caminha a concorrência entre modelos. Já não vence o sistema que redige texto de forma mais bonita, mas o que aguenta cargas cognitivas longas e mantém a precisão sob a pressão de condições complexas. Exames acadêmicos são úteis justamente porque o erro custa caro e o critério de sucesso é claro. Se um modelo começa a vencer com segurança nesse ambiente, seu potencial rapidamente ultrapassa a educação, chegando a análise de dados, cálculos de engenharia, preparação para certificações e outras áreas que exigem disciplina de raciocínio.

A conclusão principal é simples: a barra para a IA «inteligente» subiu de novo, e a questão já não é se um modelo consegue passar num exame difícil, mas como pessoas e instituições devem reorganizar as regras em torno desse fato. Por enquanto, esses testes continuam sendo mais uma demonstração de capacidade do que um substituto da expertise real. Mas a distância entre as tarefas acadêmicas para humanos e para um modelo forte continua diminuindo rapidamente.