JOURNAL / 2026.10.12

OpenAI publica cientos de manuscritos matemáticos: las retiradas también cuentan

Una colección generada por un modelo interno abre resultados y pruebas formales a la revisión. Tres retiradas con una dependencia común muestran por qué su valor exige comprobar tanto los argumentos como el alcance de lo demostrado.

El 6 de octubre, OpenAI publicó una colección de resultados matemáticos producidos por un modelo de frontera todavía interno. La publicación permite examinar manuscritos, fuentes y formalizaciones en Lean, un lenguaje con el que se comprueban demostraciones mediante ordenador. Es un cambio sustantivo: otras personas pueden trabajar sobre los argumentos. El modelo que los produjo sigue sin estar disponible públicamente; descargar las pruebas no da acceso al instrumento de investigación.

El catálogo actual de OpenAI contiene 719 manuscritos agrupados en 372 familias. Una familia puede reunir un resultado principal, argumentos auxiliares, consecuencias y pruebas alternativas. Esas unidades no equivalen a otros tantos problemas abiertos resueltos. Además, la empresa reconoce distintos estados de verificación y posibles errores en resultados sin formalizar.

La escala merece atención, pero una corrección concreta ayuda más a entender qué se ha publicado. El historial del repositorio, fechado el 7 de octubre, registra la retirada de tres manuscritos. Un error de signo invalida una construcción en Algebraicity of Weil classes on split abelian eightfolds; dos trabajos sobre correspondencias de Kuga–Satake y productos de superficies K3 dependían de ella. También registra revisiones de otros catorce manuscritos, con reparaciones de argumentos, hipótesis aclaradas y una corrección bibliográfica, y actualizaciones de referencias en trece más. No todas esas modificaciones tienen la misma gravedad.

La nota de retirada del primer trabajo explica el fallo sin exigir aceptar un juicio genérico sobre la IA: un paso debía llevar una cuenta con signo a cero, pero la operación propuesta la aleja de cero. Por eso no se cumple una hipótesis del teorema usado después. La nota aclara que retirar la demostración no significa haber probado falsa su conclusión. Lo que cae es el argumento que pretendía establecerla.

Ese caso revela una relación que el recuento de papers oculta. Tres textos pueden fallar por una sola dependencia compartida. Tampoco basta con corregir el primer texto para dar automáticamente por reparados los demás: hay que volver a comprobar cómo usan la construcción. Para aprovechar esta colección, me parece más útil seguir sus dependencias y versiones que tratar cada título como un descubrimiento independiente.

Qué cubre una prueba formal

Las instrucciones de comprobación del repositorio distinguen expresamente varias verificaciones de resultados auxiliares de las demostraciones de los teoremas principales. Por ejemplo, una configuración sobre un cono de superficie comprueba propiedades de un anillo asociado, no el resultado completo del paper. La presencia de código Lean junto a un manuscrito requiere leer qué enunciado verifica y con qué supuestos.

Una prueba formal puede aportar una garantía muy fuerte sobre el enunciado codificado, dentro de las reglas y dependencias de su comprobador. Queda otra pregunta: ¿ese enunciado expresa exactamente lo que afirma el texto? Revisar esa correspondencia, las hipótesis y los resultados importados forma parte del trabajo. Aquí no hemos compilado la biblioteca ni certificado ninguna demostración; hemos leído las instrucciones y los avisos de cobertura.

Hay más transparencia sobre la búsqueda que en una selección de éxitos sin contexto. Según OpenAI, el modelo recibió aproximadamente 4.000 problemas y la mayoría de los resultados siguieron un procedimiento común, con un gasto medio equivalente a unas tres horas de razonamiento de ChatGPT Pro por resultado. La empresa señala excepciones. Dividir las familias publicadas entre los problemas planteados no produciría una tasa fiable de resolución: hay selección por relevancia, agrupación y verificación todavía desigual. Tampoco ese promedio fija el coste de repetir el trabajo con un modelo comercial.

Las recomendaciones del grupo independiente sobre Matemáticas e IA, al que OpenAI consultó, añaden una exigencia que comparto: apoyar la comprensión humana de los resultados y dejar que la comunidad dirija ese proceso. Piden repositorios académicos ajenos al control de los laboratorios, atribución de antecedentes y trazabilidad de las revisiones. El grupo también rechaza que se investiguen problemas avanzados con modelos propietarios inaccesibles a la comunidad. Consultarlo no equivale a obtener su aval para el conjunto de la publicación.

En el diario ya examinamos seis trabajos elaborados con Muse Spark. Allí había investigadores identificados que dirigían y asumían los textos. Esta colección plantea otra escala de revisión y otra relación con un modelo aún cerrado. Mi valoración es favorable a abrir los artefactos y conservar las retiradas: hacen posible corregir y aprender. Pero el avance científico se asentará cuando otros puedan verificar, explicar y reutilizar resultados concretos. Una demostración cuyo alcance se entiende y cuya versión se puede citar vale más para construir conocimiento que un catálogo leído como marcador de victorias.

Fuentes consultadas el 12 de octubre de 2026. Las cifras describen el catálogo inspeccionado, que puede cambiar con nuevas revisiones.

← Volver al diario