OpenAI publica 722 manuscritos matemáticos en GitHub

El nuevo lote de 722 manuscritos de OpenAI

OpenAI publicó el 6 de octubre de 2026 un repositorio en GitHub con 722 manuscritos generados por un modelo de frontera aún no lanzado, agrupados en 372 familias de resultados, según informó The Verge. La compañía asegura que el conjunto resuelve más de 100 problemas abiertos de larga data en la mayoría de las áreas de las matemáticas, una afirmación que el ecosistema matemático todavía está procesando.

Cada manuscrito incluye resúmenes del razonamiento del modelo, estimaciones del cómputo utilizado y estadísticas sobre los problemas intentados. OpenAI sostuvo que el "resultado promedio" consumió el equivalente a tres horas de ChatGPT Pro pensando, una métrica presentada para dimensionar el coste computacional detrás del lote.

La iniciativa busca responder a una queja recurrente: que los laboratorios de IA venían publicando resultados matemáticos como piezas de marketing, sin canales académicos formales. El depósito en GitHub, con protocolos para revisión y citación, es el primer paso público tras la creación de un grupo asesor independiente.

Qué es AGMAI y por qué fue creado

AGMAI (Advisory Group on Mathematics and Artificial Intelligence) es un comité independiente de matemáticos de élite convocado por OpenAI para asesorar sobre cómo comunicar resultados de IA de forma responsable. A fines de septiembre publicó sus primeras recomendaciones, instando a los laboratorios a:

• Liberar resultados matemáticos con prontitud y a través de canales académicos establecidos cuando sea posible
• Divulgar el nombre del modelo utilizado, los prompts y los costes de cómputo
• Abstenerse de tratar los anuncios matemáticos como vehículos de marketing para sus modelos

El grupo advirtió que esta práctica "inflige un daño significativo a la comunidad matemática". El lote del 6 de octubre es la primera prueba de fuego de ese compromiso: OpenAI entregó detalles de cómputo, repositorio público y atribución por familia de resultados. La compañía indicó que seguirá explorando alternativas alojadas por la comunidad que cumplan con las guías del comité y que trabaja en mejorar la calidad expositiva de los papers en próximos lotes.

El contexto: de la crisis Navier-Stokes al intento de pacto

El anuncio de octubre llega después de meses turbulentos. En agosto de 2026, OpenAI publicó soluciones a 10 problemas abiertos, también con pruebas formales en Lean 4 —un lenguaje que permite verificar argumentos matemáticos por computadora— según reportó CryptoBriefing. La propia OpenAI cifró el coste en tokens de ese lote en apenas 2.000 dólares, una cifra que levantó cejas entre los especialistas.

Días después, Scientific American documentó denuncias de plagio y omisión de citas: matemáticos como Stephen Miller (Yeshiva University) y Francesco Fournier-Facio (Cambridge) identificaron que varios resultados recombinaban ideas de papers de 2016 y 2019 sin atribuirlos correctamente. OpenAI calificó la situación como "actualizaciones menores consistentes con la práctica académica estándar".

La escalada llegó con el anuncio de Navier-Stokes, uno de los siete Problemas del Milenio del Clay Mathematics Institute, cada uno con un premio de un millón de dólares. Según reportó The Journal, OpenAI organizó unos 10.000 agentes concurrentes del modelo, que intercambiaron 4,9 millones de mensajes y generaron 300.000 millones de tokens de salida; el esfuerzo sobre Navier-Stokes consumió 130.000 millones de tokens y 2,7 millones de mensajes, llegando a la solución en unas 88 horas, seguidas de otras 17 horas de formalización.

El episodio derivó en una controversia pública con el matemático Tristan Buckmaster (NYU) y el investigador de Anthropic Levent Alpöge, quienes habían avanzado en un problema relacionado. AOL recogió el cruce: Buckmaster afirmó que el investigador de OpenAI Sébastien Bubeck le ofreció opciones que dejaban fuera a Alpöge —empleado de Anthropic desde 2024— y que ante la negativa recibió la pregunta "¿por qué arruinarías tu carrera?". Bubeck se disculpó luego por la frase. Terence Tao, medalla Fields, respondió en Mastodon que la dinámica amenaza "siglos de tradición de ciencia abierta" si los investigadores dejan de compartir direcciones prometedoras por miedo a ser aplastados por una estampida de agentes.

Gizmodo agregó que OpenAI retiró su patrocinio del Caltech Mathathon previsto para el mes siguiente y que, según The Information, la empresa ya trabaja en intentar resolver otro Problema del Milenio: la Conjetura de Hodge, descrita por Scientific American como "quizá la más abstracta de las siete".

En ese contexto, el lote de octubre se lee como un gesto de reconstrucción: repositorio en GitHub, grupo asesor externo, divulgación de cómputo y disposición a iterar sobre citaciones.

¿Qué significa esto para tu startup?

El episodio no es una curiosidad académica: redefine cómo se evalúan los modelos y cómo se gestiona la reputación cuando una empresa de IA cruza líneas disciplinarias. Hay tres lecturas prácticas para founders:

• El "cómputo por respuesta" se vuelve métrica de producto. Si un resultado promedio cuesta tres horas de ChatGPT Pro, las startups que vendan investigación agéntica, discovery de fármacos o análisis financiero deben empezar a publicar sus propios benchmarks: horas-equivalente, tokens, coste en dólares. Los clientes enterprise cada vez más van a preguntar cuánto cálculo hay detrás de cada output.
• La cadena de citación y atribución es un problema de producto, no solo legal. OpenAI fue criticada por omitir citas a papers de 2016 y 2019. Si tu startup entrena o ajusta modelos sobre literatura especializada, necesitas un pipeline que rastree fuentes y muestre atribución por defecto, igual que un LLM con retrieval bien afinado. La reputación del modelo se juega ahí.
• Los canales de publicación importan. Optar por GitHub en lugar de revistas peer-reviewed aceleró la entrega pero expuso a OpenAI a cuestionamientos sobre rigor. Si tu producto genera contenido científico, regulatorio o legal, elige el canal según la audiencia: comunidades técnicas aceptan preprints, clientes enterprise piden validación independiente.

Conclusión

El lote de 722 manuscritos es, a la vez, una exhibición de capacidad y un ejercicio de contención. OpenAI demostró que su próximo modelo de frontera puede producir investigación matemática a escala —y, según la propia compañía, resolver Problemas del Milenio con orquestaciones de 10.000 agentes— pero también evidenció que la academia exige procesos de citación, atribución y revisión que las big tech no pueden saltarse sin pagar un coste reputacional. AGMAI nace como puente; la pregunta de fondo es si los próximos lotes mantendrán el estándar o si la presión competitiva por anunciar primero volverá a imponerse.

Fuentes

• OpenAI drops another batch of mathematical breakthroughs — The Verge
• OpenAI's latest math breakthroughs commit research misconduct, experts say — Scientific American
• The Fight Over OpenAI's Math Breakthrough Is a New Kind of Scientific Arms Race — AOL
• OpenAI previously released solutions to 10 open math problems on GitHub — CryptoBriefing
• OpenAI Reportedly Trying to Solve Hodge Conjecture Amid Feud With Math Community — Gizmodo
• AI Models Generate Advances in Mathematical Research — THE Journal