MIT lança o MathNet, o maior conjunto de problemas de olimpíadas de matemática do mundo

O MIT lançou o MathNet, o maior conjunto aberto de problemas de olimpíadas de matemática disponível hoje, voltado tanto a pesquisadores de IA quanto a estudantes que se preparam para competições. A base reúne mais de 30 mil problemas e soluções detalhadas de olimpíadas nacionais de matemática de 47 países. Para a indústria, trata-se de um teste de raciocínio matemático mais rigoroso do que os benchmarks em inglês de costume.

Para os alunos, é uma biblioteca única de problemas de qualidade que antes estavam espalhados por coletâneas impressas, fóruns e arquivos pessoais. O projeto foi desenvolvido por pesquisadores do MIT CSAIL, da KAUST e da empresa HUMAIN. Segundo a equipe, o MathNet abrange 17 idiomas, 143 competições e cerca de quatro décadas de matemática olímpica.

Os autores precisaram reunir 1595 volumes em PDF, somando mais de 25 mil páginas: de documentos digitais recentes a digitalizações antigas que por anos só existiam em coleções particulares. Boa parte do acervo veio da coleção pessoal de um dos coautores, que digitaliza manualmente coletâneas de olimpíadas desde 2006. Segundo o MIT, o dataset final é cerca de cinco vezes maior que o concorrente mais próximo, já está disponível publicamente e será apresentado na conferência ICLR 2026, no Brasil.

O grande diferencial do MathNet está na escala e também na qualidade das fontes. Enquanto muitos datasets matemáticos existentes foram montados a partir de fóruns como o Art of Problem Solving, aqui os problemas vêm apenas de coletâneas nacionais oficiais. Isso importa porque as soluções nesses materiais costumam ser escritas por especialistas, passam por revisão e muitas vezes apresentam mais de um caminho para resolver o mesmo problema.

Além disso, o conjunto é bem mais amplo geograficamente: cobre seis continentes, inclui problemas textuais e visuais e não se restringe às tradições anglófona e chinesa. Para uma validação adicional, a equipe montou um grupo com mais de 30 revisores de diversos países, que conferiram em conjunto milhares de soluções. Para os pesquisadores, é a chance de treinar modelos com uma cultura matemática mais diversa, em vez de um conjunto estreito de enunciados familiares.

Como benchmark de IA, o MathNet entrega resultados nada confortáveis até para modelos fortes. No conjunto principal de 6400 problemas, o GPT-5 obteve cerca de 69,3 por cento, ou seja, falhou em quase um a cada três problemas de nível olímpico. Quando o enunciado inclui figuras, o desempenho dos modelos cai de forma ainda mais acentuada, o que aponta uma fraqueza persistente no raciocínio visual.

A equipe também avaliou como os modelos lidam com idiomas menos difundidos: vários sistemas open source marcaram 0 por cento nos problemas em mongol. À parte, os pesquisadores incluíram um benchmark de retrieval, no qual é preciso reconhecer a semelhança estrutural entre dois problemas. Mesmo os melhores modelos de embedding acertaram a correspondência correta na primeira tentativa em apenas cerca de 5 por cento dos casos.

Isso tem peso para a IA e também para as próprias olimpíadas: problemas essencialmente semelhantes já apareceram em provas reais, e rastrear equivalências matemáticas entre idiomas, notações e formatos diferentes é extremamente difícil até para especialistas. Outro teste mostrou que a retrieval-augmented generation de fato ajuda, mas só quando o problema sugerido é realmente próximo em estrutura: no DeepSeek-V3.2-Speciale, o ganho chegou a 12 pontos percentuais, enquanto sugestões irrelevantes pioraram o resultado em cerca de 22 por cento dos casos.

A utilidade prática do MathNet vai além da IA acadêmica. Para estudantes e professores, é um caso raro em que materiais olímpicos de alta qualidade de dezenas de países estão reunidos em um só lugar e padronizados em um formato único. Para quem desenvolve modelos, é um lembrete de que as declarações barulhentas sobre uma matemática "quase resolvida" ainda são prematuras: quando os problemas se tornam de fato internacionais, multimodais e menos padronizados, a diferença de qualidade continua bem visível.

Por isso, o MathNet pode se tornar um dos testes mais úteis do raciocínio matemático real dos modelos nos próximos anos e, ao mesmo tempo, uma das bibliotecas abertas mais valiosas para a preparação para olimpíadas de matemática.