Un repositorio con 722 manuscritos matemáticos generados por IA
OpenAI publicó en GitHub un repositorio con 722 manuscritos matemáticos producidos por un modelo interno, organizados en 372 familias de problemas. Cada familia agrupa papers relacionados: un resultado principal, argumentos complementarios, consecuencias o pruebas alternativas, clasificadas por disciplina matemática, según describe el repositorio en su página oficial.
El material no es estático. La propia compañía advierte que no todos los resultados están formalizados en Lean (un asistente de demostración que traduce razonamiento matemático a lógica formal y verifica paso a paso si una prueba es válida) y que «algunos de los resultados no formalizados podrían tener errores». El repositorio se actualizará conforme se obtengan más formalizaciones, y se conservará el historial público de cada versión, según GitHub.
El catálogo forma parte de una estrategia más amplia: en lugar de esperar a que cada resultado pase por un paper tradicional, OpenAI está liberando los artefactos directamente, aunque el formato exacto sigue generando debate en la comunidad matemática.
Leíste lo que hace la IA. ¿Y en tu negocio?
En CAR, dueños de empresa arman en 7 días su primer sistema funcionando: que ningún cliente se les escape, o que el informe del lunes salga solo. Con otros emprendedores al lado.
👥 Probar 7 días¿Cómo se produjeron estos 722 manuscritos?
La mayoría de los resultados se obtuvieron con un mismo procedimiento automatizado usando un modelo interno no liberado de OpenAI. En promedio, cada resultado consumió tres horas de cómputo de razonamiento de ChatGPT Pro con ese modelo, según GitHub.
Durante toda la evaluación, el modelo recibió aproximadamente 4.000 problemas. El agregado y filtrado por nivel de significancia estadística produjo el catálogo final de 722 manuscritos. Entre los resultados más destacados por su rareza hay dos excepciones al procedimiento estándar: una región sin ceros para la función zeta de Riemann y una demostración de la Conjetura de Hodge para variedades abelianas CM (un tipo especial de estructuras algebraicas ligadas a la teoría de números), esta última atribuida a la edición humana del manuscrito, según GitHub.
El modelo usado es significativamente más capaz que GPT-6 Astra, según explicó OpenAI en su anuncio de la solución al problema de Navier-Stokes reportado por Campus Technology.
El contexto: la carrera entre OpenAI y Anthropic por la frontera matemática
Este repositorio llega en un momento de tensión creciente entre los laboratorios de IA y la comunidad matemática. WIRED reportó que OpenAI ha dicho a personas familiarizadas con sus planes que pretende volcar cientos de resultados en GitHub, parte de los decenas de miles de soluciones matemáticas generadas por IA durante 2026, según WIRED.
La presión competitiva se intensificó en septiembre de 2026, cuando OpenAI anunció una solución propuesta al problema de existencia y suavidad de Navier-Stokes —uno de los siete Problemas del Milenio con un premio de US$1 millón—, usando aproximadamente 10.000 agentes concurrentes que intercambiaron 2,7 millones de mensajes y generaron 130.000 millones de tokens en 88 horas, según The Verge.
El anuncio estuvo envuelto en controversia: el matemático Tristan Buckmaster (NYU) acusó a OpenAI de haber adelantado su trabajo con el investigador de Anthropic Levent Alpöge. OpenAI negó haber accedido a datos específicos, aunque admitió que no puede descartar que datos desidentificados derivados del uso de sus productos hayan influido en el modelo, según The Verge.
Por qué importa que el campo se esté moviendo a verificación en Lean
El cambio técnico más relevante no es el catálogo en sí, sino el backbone de verificación. Según Tech Times, tanto OpenAI como Google DeepMind (con AlphaProof Nexus) han convergido en Lean 4 como estándar común para certificados de prueba verificables. La biblioteca mathlib contiene más de 210.000 teoremas formalizados por la comunidad durante nueve años; cuando un modelo produce un certificado Lean, su argumento se valida contra esa base compartida.
Un certificado Lean emite un veredicto binario: la prueba compila o no compila. Esto reduce la dependencia de la revisión social por pares que caracterizó al anuncio original de los problemas de Erdős en mayo de 2026, donde nueve matemáticos externos tuvieron que firmar el resultado. La diferencia importa porque cualquiera con el compilador de Lean puede verificar la prueba por su cuenta.
El propio repositorio de OpenAI lo refleja: «Algunos resultados no están formalizados. Trabajaremos para corregir cualquier error rápidamente», y mantiene un catálogo separado de formalizaciones Lean, según GitHub.
La reacción de la comunidad matemática
La respuesta de los matemáticos profesionales ha sido mixta. Bryna Kra (Northwestern) dijo a WIRED que el ambiente entre los investigadores era de «una mezcla de emoción y pavor», según WIRED. La queja central: los laboratorios están publicando vía blog o post en redes sociales en lugar de papers que permitan a la comunidad absorber y construir sobre los resultados.
Nestor Guillen (NYU) calificó la conducta de las empresas de IA como una «percepción de comportamiento mafioso», recoge WIRED. Otros investigadores temen un efecto enfriamiento: si los matemáticos sospechan que sus consultas a herramientas como Codex pueden terminar influyendo en modelos que luego resuelven los problemas en los que trabajan, se mostrará más cautela a la hora de compartir ideas incompletas.
Como contramedida, la comunidad ha lanzado herramientas como Hexagon (repositorio para material generado por IA) y Palomar (registro de matemáticas verificadas por máquina). Según WIRED, OpenAI fue animada a usar estas plataformas pero, según los académicos consultados, «no ha cambiado su comportamiento».
¿Qué significa esto para tu startup?
El repositorio de OpenAI no es un evento meramente académico: marca un punto de inflexión en cómo se producirá investigación rigurosa asistida por IA en los próximos años, y eso tiene implicaciones directas para founders que construyen productos técnicos.
Acción concreta 1: Explora los preprints como banco de problemas para tus agentes. Si tu startup construye agentes de IA, los manuscritos de github.com/openai/math son un corpus público de problemas matemáticos formalizados con instrucciones de compilación. Úsalos como benchmark realista para medir las capacidades de razonamiento de tu propio modelo o pipeline, en lugar de datasets sintéticos.
Acción concreta 2: Diseña productos que asuman verificación formal, no solo respuesta plausible. La tendencia del sector es que la verificación por máquina (Lean, Coq, Isabelle)se convertirá en estándar en dominios donde el costo de un error es alto: contratos inteligentes, diseño de fármacos, auditorías regulatorias. Si tu producto toca alguno de estos verticales, integrar o anticipar pipelines de verificación formal puede ser una ventaja competitiva.
Para founders hispanohablantes, el reto es también cultural: el español sigue siendo la lengua con menos corpus formalizado en Lean, lo que abre una ventana para equipos que quieran contribuir a mathlib en español o construir herramientas de IA que formalicen papers de investigación producidos en LATAM y España.
Fuentes
- Mathematical manuscripts and supporting proof artifacts produced by OpenAI
- AI Giants Report Advances in Mathematical Research – Campus Technology
- OpenAI’s Astra Solves Ten Decade-Old Math Problems With Machine-Checkable Lean Proofs – Tech Times
- OpenAI Is Pissing Off a Bunch of Mathematicians—Again – WIRED
- OpenAI’s sly mathematical breakthrough sends a chill through academia – The Verge
Leíste lo que hace la IA. ¿Y en tu negocio?
En CAR, dueños de empresa arman en 7 días su primer sistema funcionando: que ningún cliente se les escape, o que el informe del lunes salga solo. Con otros emprendedores al lado.
👥 Probar 7 díasArtículos relacionados:
OpenAI Astra resuelve 10 problemas matemáticos con $2.000
OpenAI y la conjetura de primos gemelos: el modelo que estrecha la brecha
Lean 2026: Por qué esta herramienta domina la verificación formal
Lean verificó el código y el fuzzer halló el bug
Palomar: el registro de pruebas Lean verificadas por IA
