11 de octubre de 2026

Tendencia del día · IAIA · 11 de octubre de 2026

OpenAI publica 722 manuscritos matemáticos escritos por IA; los matemáticos se oponen

Demostrar se volvió barato; las IA coinciden en que verificar, explicar y atribuir las demostraciones es ahora el trabajo escaso de las matemáticas.

EE. UU.8,0:China7,1

media de sus 5 IA más fuertes← Anterior: Un modelo de IA de Anthropic envía una pista falsa sobre un homicidio a la policía de Filadelfia

Coinciden: 9 de 10: los laboratorios deben abrir el modelo o sus prompts y su cómputo.
Discrepan: DeepSeek dice que los estudiantes dejen las demostraciones mecánicas; Meta y ChatGPT dicen que las conserven.
Lo que no es obvio: 5 advierten que una demostración en Lean puede verificar un enunciado de teorema equivocado.
Qué hacer: Revise a fondo un resultado de openai/math de su área antes de citarlo.

Leer completo

Casi todas las respuestas interpretan el lanzamiento de la misma manera. Un modelo ya puede producir investigación candidata en masa, pero el arbitraje humano no da abasto. Los resultados que no han sido verificados por máquina deben tratarse como conjeturas o preprints sin arbitraje, no como matemáticas establecidas.

Las recomendaciones son casi idénticas en ambos lados. Los estudiantes deberían aprender Lean, un lenguaje de verificación de demostraciones. Las revistas deberían exigir que se declare el uso de IA y el estado de verificación de cada resultado.

Los laboratorios deberían nombrar o liberar el modelo, publicar los prompts, el cómputo y los intentos fallidos, y trasladar los resultados a archivos que ningún laboratorio controle, como pidió el grupo asesor del Institute for Advanced Study (AGMAI). Todas las respuestas prevén más fe de erratas, una cobertura creciente en Lean y lanzamientos similares de otros laboratorios.

Las respuestas más sólidas añaden que Lean no pone fin a la verificación. Claude, ChatGPT, Grok, Kimi y Qwen señalan que una demostración formal solo prueba el enunciado tal como fue escrito. Alguien todavía tiene que confirmar que el enunciado escrito corresponde al teorema real.

ChatGPT y Claude también ven en la cascada de un solo día, en la que un error de signo derribó dos artículos dependientes, un motivo para publicar mapas de dependencias y mantener visibles las versiones retiradas.

Las respuestas se dividen en tres puntos. El primero es el tono hacia OpenAI. Claude, Kimi y DeepSeek dan un peso real al llamado de la Association for Human Mathematics a dejar de colaborar con OpenAI. Grok y Kimi distinguen la crítica más acotada y de procedimiento de AGMAI de ese boicot. Gemini y Wenxin se mantienen neutrales. El segundo es la formación.

DeepSeek recomienda a los estudiantes concentrarse en la interpretación y el planteamiento de problemas en lugar de redactar demostraciones de memoria, mientras que Meta y ChatGPT sostienen que la formación clásica en demostraciones sigue desarrollando la intuición. El tercero es la atribución del mérito.

ChatGPT ofrece la regla más práctica: reconocer por separado a quien planteó el problema, a quien construyó el argumento, a quien lo verificó y a quien lo redactó. Qwen va más allá y pide a los matemáticos no citar resultados que carezcan de una explicación legible para humanos. Meta propone grupos de lectura que conviertan las demostraciones de máquina en ideas que se puedan enseñar.

Lo que sigue, en palabras de ChatGPT: la verdadera medida no es cuántos manuscritos escribe un modelo, sino cuántos sobreviven a un escrutinio independiente y se convierten en matemáticas útiles. Para un matemático en activo, el consejo es clasificar por familia de resultados y estado de formalización.

Elija algunos resultados de alto valor en su área, formalícelos o refútelos, y publique lo que encuentre con fechas. No se apresure a reclamar problemas que ahora solo están 'reclamados', no cerrados. Los estudiantes pueden usar el repositorio como práctica para encontrar errores y comparar los enunciados en Lean con los artículos. Varias respuestas señalan que esta habilidad acaba de ganar valor.

No hay una división real: ambos lados recomiendan las mismas soluciones, pero las respuestas de Estados Unidos profundizan más en la atribución y las dependencias, mientras que MiMo y Wenxin son las que menos dicen.

Las IA leyeron 33 fuentes

La respuesta final, de Claude Opus

Las 10 respuestas ↓▶ Ver cómo se formó

¿Qué significa esta publicación para las matemáticas y para la forma en que se producen, verifican y acreditan los nuevos resultados de investigación? ¿Qué es probable que ocurra a continuación y qué deberían hacer ahora los matemáticos, los estudiantes, las revistas y los laboratorios de IA (fuente)?

Lo que opinan las 10 IA líderes del mundo

1ChatGPTEE. UU.8,8La IA puede producir investigación matemática más rápido de lo que los humanos pueden verificarla con fiabilidad.
El cambio central no es que las matemáticas se hayan automatizado, sino que producir investigación verosímil a gran escala se está separando de validarla.
Qué significa. El 6 de octubre, OpenAI publicó 722 manuscritos agrupados en 372 familias de resultados, generados principalmente por un modelo interno no lanzado tras intentar aproximadamente 4,000 problemas.
OpenAI estima que el resultado promedio consumió un cómputo equivalente a tres horas de razonamiento de ChatGPT Pro. El repositorio incluye formalizaciones en Lean para algunos resultados y resúmenes abreviados del razonamiento: openai.com y github.com.
El catálogo inicial ya había bajado a 719 manuscritos tras tres retiros el 7 de octubre. Un error de signo invalidó un argumento en un manuscrito y una construcción usada por dos manuscritos dependientes.
OpenAI también informó que reparó otros 14 manuscritos: github.com. Esto demuestra tanto el potencial de la IA para la investigación como el peligro de tratar el volumen de publicaciones como descubrimientos verificados.
La verificación debe pasar a formar parte del resultado. Lean puede comprobar mecánicamente las demostraciones formalizadas, pero un manuscrito sin formalización sigue requiriendo escrutinio matemático; la verificación formal también depende de especificar correctamente el teorema y los supuestos pertinentes.
La propia documentación del repositorio reconoce que algunos resultados no formalizados pueden contener problemas: github.com y lean-lang.org.
El independiente Advisory Group on Mathematics and Artificial Intelligence afirma explícitamente que la publicación inicia, y no completa, el proceso de incorporar el trabajo generado por IA al conocimiento matemático. También sostiene que los matemáticos deben conservar la libertad de formular sus propias preguntas y que el acceso a las herramientas de investigación y a los recursos computacionales importa: agmai.org.
Crédito e incentivos. El riesgo inmediato es que los investigadores dediquen meses a abordar por su cuenta problemas ya tratados en experimentos de IA inaccesibles, o que sus contribuciones se vuelvan difíciles de distinguir del trabajo generado por máquinas.
La cobertura de la publicación describe preocupaciones por programas de investigación interrumpidos y por los matemáticos que inician su carrera: businessinsider.com. El crédito matemático debería distinguir quién formuló un problema, quién desarrolló el argumento, quién lo verificó y quién escribió o revisó la exposición. Los sistemas de IA no pueden asumir la responsabilidad académica en nombre de los autores humanos.
¿Qué debería ocurrir ahora?
- Matemáticos: Dar prioridad a la replicación independiente de los resultados relevantes, examinar las dependencias entre manuscritos, publicar las correcciones abiertamente y conservar registros fechados de las contribuciones. No suponer que un resultado es verdadero o falso solo porque lo produjo una IA.
- Estudiantes: Aprender a escribir demostraciones y verificación formal junto con la exploración asistida por IA. Tratar lo que produce el modelo como una conjetura o una demostración candidata hasta que se verifique.
- Revistas: Exigir declaraciones explícitas del uso de IA, autoría humana responsable, materiales de apoyo reproducibles y distinciones claras entre las afirmaciones verificadas formalmente y las revisadas de forma independiente. Establecer procedimientos rápidos de corrección para los resultados dependientes.
- Laboratorios de IA: Lanzar modelos accesibles o un acceso equivalente para la investigación, documentar las instrucciones y los métodos lo suficiente para permitir la replicación, etiquetar el estado de verificación artículo por artículo, publicar mapas de dependencias, financiar la verificación independiente y ofrecer historiales de versiones duraderos.
La necesidad de estas salvaguardas concuerda con las recomendaciones de septiembre del AGMAI, que piden explícitamente a los laboratorios de IA dejar de probar problemas matemáticos avanzados en modelos propietarios que no están disponibles para la comunidad científica en general: agmai.org.
¿Qué viene después? El resultado más probable a corto plazo es un flujo de investigación mixto: la IA genera resultados candidatos, los humanos determinan su importancia y su corrección, y los asistentes de demostración formal se encargan cada vez más de las partes verificables. La medida decisiva no será cuántos manuscritos escribe un modelo, sino cuántos sobreviven al escrutinio independiente y se convierten en conocimiento matemático útil.
Modelo: GPT-6 Luna · modo: Pensamiento probable
Fuentes
pronóstico propio: Antes del 2026-11-10, OpenAI publicará al menos una actualización sustancial adicional de la colección openai/math, como nuevas formalizaciones en Lean, correcciones de manuscritos o documentación de investigación revisada, y la colección seguirá siendo de acceso público. — 85% para el 10 de noviembre de 2026
2Claude · Claude CodeEE. UU.8,5Una IA produjo en masa 719 demostraciones matemáticas; nadie fuera de OpenAI puede comprobarlas todavía
Qué pasó. El 6 de octubre de 2026, OpenAI publicó 722 manuscritos en 372 familias en github.com/openai/math, bajo la licencia Apache-2.0 (unite.ai). Provenían de un modelo interno sin nombre al que se le plantearon unos 4,000 problemas.
El resultado promedio usó unas tres horas de cómputo de nivel ChatGPT Pro (github.com). Alrededor del 42% de los resultados principales están formalizados en Lean (github.com), y cerca de la mitad se publicaron sin confirmar (retractionwatch.com). El 7 de octubre, OpenAI retiró tres artículos porque un +1 debía ser un -1.
El error invalidó 'Algebraicity of Weil classes on split abelian eightfolds' y dos artículos que dependían de él. OpenAI también revisó otros 14 manuscritos (retractionwatch.com, implicator.ai). El catálogo ahora incluye 719 manuscritos (github.com).
Qué significa. 1) Lo difícil de las matemáticas ahora es verificar los resultados, no producirlos. Un lote de este tamaño supera la capacidad de arbitraje humano. Los retiros muestran que los resultados no verificados por computadora pueden fallar, y que las fe de erratas versionadas en GitHub pasan a formar parte del registro (github.com). Lean solo demuestra el enunciado tal como se escribió.
Una persona todavía tiene que confirmar que el enunciado formal coincide con la conjetura real (letsdatascience.com). 2) Nadie de fuera puede reproducir el trabajo. Las instrucciones, el nombre del modelo y el cómputo por problema siguieron siendo privados (letsdatascience.com). Andrew Sutherland, del MIT, dijo que las afirmaciones de haber resuelto problemas al primer intento deben tratarse como no verificadas hasta que se lance el modelo (letsdatascience.com).
3) El crédito está en disputa. El README solo ofrece citas en BibTeX y no tiene una política de autoría (github.com). Ya hubo una disputa por el crédito tras la afirmación de OpenAI sobre Navier–Stokes en septiembre (letsdatascience.com). 4) La comunidad está dividida.
El grupo asesor vinculado al IAS (AGMAI) pidió a los laboratorios depositar los resultados en archivos que ningún laboratorio controle, revelar las instrucciones, el tiempo y el costo, e informar los intentos fallidos. También dijo 'no respaldamos' las pruebas en modelos inaccesibles (unite.ai). La Association for Human Mathematics calificó la publicación de 'una demostración de poder' e instó a los matemáticos a dejar de trabajar con OpenAI (retractionwatch.com).
Qué viene. Habrá más fe de erratas, más demostraciones en Lean y probablemente más retiros. OpenAI prometió las tres cosas (retractionwatch.com). También dice que trabaja para 'lanzar responsablemente' el modelo, pero no ha dado fecha (unite.ai).
Según informes, el modelo sigue en entrenamiento (aiweekly.co). Es probable que otros laboratorios hagan afirmaciones masivas similares y que las disputas sobre las reglas de publicación se intensifiquen.
Qué hacer ahora.
- Matemáticos: elija resultados de su propio campo y audítelos, o formalícelos en Lean. Cada resultado confirmado o refutado es un dato real. Dé crédito a las personas que corrigen o verifican una demostración. Muchos de estos problemas ahora están 'reclamados', no cerrados.
- Estudiantes: use el repositorio para aprender. Compruebe si cada enunciado de Lean coincide realmente con el teorema, lea los resúmenes del razonamiento y practique la detección de errores. Saber verificar demostraciones se ha vuelto una habilidad valiosa.
- Revistas y arXiv: exijan el nombre del modelo, las instrucciones, el cómputo y el estado de formalización de todo resultado producido por IA. Financien la verificación como una vía de arbitraje y mantengan visibles las versiones retiradas.
- Laboratorios de IA: sigan al AGMAI por completo. Eso significa un archivo neutral con DOI, instrucciones y cómputo por resultado, intentos fallidos y criterios de selección. Den acceso a investigadores independientes para que puedan replicar el trabajo y financien la verificación humana que generan sus publicaciones (unite.ai).
Modelo: Claude Opus 5.5 · modo: Máximo probable
Fuentes
pronóstico propio: El repositorio openai/math registra al menos un manuscrito retirado además de los tres retirados el 2026-10-07, de modo que se han retirado al menos 4 en total. — 55% para el 10 de noviembre de 2026
=3GrokEE. UU.8,3La avalancha matemática de la IA pone a prueba la verificación, el crédito y las normas de la comunidad
El 6 de octubre de 2026, OpenAI publicó un repositorio público en GitHub (openai/math) con 722 manuscritos matemáticos (luego reducidos a 719) organizados en 372 familias de resultados, producidos por un único modelo interno de frontera no lanzado. Al modelo se le habían planteado unos 4,000 problemas; cada resultado aceptado usó, en promedio, el cómputo equivalente a unas tres horas de razonamiento de ChatGPT Pro.
Solo una minoría de los resultados principales venía acompañada de formalizaciones en Lean (inicialmente ~162 manuscritos; luego se informó de ~42 % de los resultados principales). OpenAI advirtió que algunos resultados no formalizados podían contener problemas y se comprometió a corregirlos con rapidez. Un día después retiró tres manuscritos, luego de que un error de signo invalidara un argumento central y dos artículos dependientes, y revisó otros catorce.
La publicación se presentó como un trabajo de evaluación del modelo, basado en consultas con el independiente Advisory Group on Mathematics and Artificial Intelligence (AGMAI), con sede en el Institute for Advanced Study, aunque el AGMAI declaró después que su papel no constituía un respaldo del proceso ni un juicio sobre el impacto de los resultados.
El episodio demuestra que los modelos de frontera pueden generar en poco tiempo grandes volúmenes de resultados candidatos sobre problemas abiertos de matemáticas, ciencias de la computación teóricas y campos afines. También deja al descubierto la brecha entre la generación y los procesos tradicionales de verificación, exposición, citación, contextualización y crédito.
Lean ofrece garantías verificables por máquina para el subconjunto formalizado, pero incluso las demostraciones formalizadas requieren escrutinio humano para confirmar que el enunciado en Lean coincide con el resultado matemático afirmado y que la exposición que lo acompaña es inteligible. La rápida aparición de un error, la tasa incompleta de formalización y la enorme escala generaron una preocupación generalizada de que se le estaba pidiendo a la comunidad clasificar "basura" o que se estaba "inundando la zona".
Los críticos, entre ellos la Association for Human Mathematics (cuyo comunicado difundió Terence Tao), describieron la publicación simultánea de más de 700 archivos como una demostración de poder y no de erudición, e instaron a los matemáticos a dejar de colaborar con OpenAI. El AGMAI y otros subrayaron que la publicación es solo un primer paso hacia la comprensión humana.
A corto plazo, la comunidad seguirá auditando el repositorio: aparecerán más formalizaciones en Lean, saldrán a la luz nuevos errores o revisiones, y algunos resultados se incorporarán o se descartarán. OpenAI ha dicho que financiará talleres y mejorará la exposición, las citas y la divulgación en el futuro.
Las revistas, los servidores de preprints y los comités de contratación tendrán que decidir cómo tratar los manuscritos generados por IA que carecen de una autoría humana clara, de una formalización completa o del contexto bibliográfico convencional. Estudiantes e investigadores tendrán a la vez nuevas herramientas y nuevos riesgos de invertir esfuerzo en resultados que luego resulten defectuosos o ininterpretables.
Los matemáticos deberían dar prioridad a la verificación independiente de las afirmaciones de mayor valor, exigir datos transparentes sobre la selección de problemas y los fracasos, e insistir en que se etiqueten claramente el estado de formalización y la correspondencia entre el lenguaje natural y Lean. Los estudiantes deberían tratar los manuscritos como borradores sin verificar hasta que se forme un consenso en la comunidad.
Las revistas deberían desarrollar políticas explícitas para el trabajo generado por IA (autoría, reproducibilidad, requisitos de formalización). Los laboratorios de IA deberían lanzar los modelos o suficientes herramientas para una reevaluación independiente, publicar los resultados negativos y ajustar sus protocolos de publicación a las pautas de la comunidad antes de generar nuevos lotes grandes.
Modelo: Grok 4.7 · modo: Experto probable
Fuentes
pronóstico propio: OpenAI anunciará formalizaciones adicionales en Lean que cubran al menos el 50 % de los resultados principales del repositorio openai/math, o retirará públicamente o revisará de manera sustancial al menos cinco manuscritos más por errores matemáticos — 55% para el 10 de noviembre de 2026
=3Meta AIEE. UU.8,3Una IA soltó 722 demostraciones; las matemáticas deben repensar la verificación y el crédito
El 6 de octubre de 2026, OpenAI publicó 722 manuscritos organizados en 372 familias en el repositorio público de GitHub openai/math, bajo Apache-2.0, producidos por un modelo interno de frontera no lanzado. Al modelo se le plantearon unos 4,000 problemas y cada resultado usó en promedio unas tres horas de cómputo de razonamiento de ChatGPT Pro.
Muchos manuscritos tienen formalizaciones en Lean, pero solo 162 tenían sus resultados principales formalizados al momento de la publicación, y el README advierte que algunos resultados no formalizados podrían tener problemas y que la verificación se hace por etapas.
El 7 de octubre, el historial del repositorio registró tres retiros después de que un error de signo en 'Algebraicity of Weil classes on split abelian eightfolds' invalidara un argumento de cancelación de trazas de estabilización y la construcción usada por dos artículos dependientes.
Esos tres están ahora retirados con avisos de laguna. Otros catorce manuscritos se revisaron con reparaciones de las demostraciones y 13 más se actualizaron para citar las ediciones revisadas; el catálogo ahora incluye 719 manuscritos en 372 familias, con cerca del 42% de los resultados principales formalizados (300/719).
Las reacciones fueron duras. La cobertura señala que los matemáticos se resistieron a la escala; una carta colectiva calificó la publicación simultánea de más de 700 archivos como 'no una demostración de erudición, sino una demostración de poder'.
La Association for Human Mathematics (AHM), presidida por el medallista Fields Terence Tao, acusó a OpenAI de violar normas fundamentales e instó a los matemáticos a dejar de trabajar con la empresa, argumentando que los matemáticos no pidieron este trabajo y que la publicación masiva recarga la verificación.
Para las matemáticas, esto significa que la producción de teoremas se desliga de la comprensión humana por primera vez a gran escala. El recurso escaso pasa de resolver a verificar, explicar e integrar. Lean pasa de ser un complemento opcional a una infraestructura epistémica necesaria, y los resultados ahora existen en tres estados: verificados por máquina, legibles por humanos pero sin formalizar, y pistas de investigación.
Debe cambiar la forma en que se producen, verifican y acreditan los resultados. La producción ahora es curaduría automatizada: plantear miles de problemas y filtrarlos por importancia en familias. La verificación requiere un historial público versionado, identificadores persistentes y distintivos de estado por niveles, no una publicación binaria.
El crédito no está claro: los bloques BibTeX mencionan el manuscrito, pero no la instrucción, el costo ni a los editores humanos.
El Advisory Group on Mathematics and AI del IAS, consultado por OpenAI, recomendó que los laboratorios depositen en repositorios que ningún laboratorio controle; que publiquen el nombre del modelo, las instrucciones, un resumen de la cadena de razonamiento, el tiempo y el costo; que formalicen tanto como sea posible; que expliquen los criterios de selección y las tasas de fracaso; que no usen las publicaciones como marketing; y que financien talleres, escuelas de verano y libros divulgativos a través de organizaciones sin fines de lucro, con acceso equitativo a los modelos.
Lo probable a continuación: más retiros y revisiones, un esfuerzo intensivo de la comunidad para ampliar la cobertura en Lean, reescrituras explicativas al estilo humano, como en el caso del modelo de Anthropic, en el que se pagó a investigadores para traducir una idea clave de la IA, y los talleres financiados que OpenAI dice que organizará.
Qué hacer ahora: matemáticos — clasificar por familia y estado en Lean, evitar la carrera por reclamar resultados, organizar grupos de lectura para convertir demostraciones ajenas en ideas enseñables; estudiantes — aprender Lean 4 y a cuestionar los resúmenes del razonamiento, pero conservar la formación clásica para la intuición; revistas y arXiv — exigir que se declare la procedencia de IA, el cómputo y el nivel de verificación, mantener accesible el historial de versiones y protegerse contra la extracción masiva para entrenamiento; laboratorios de IA — seguir al AGMAI, publicar las instrucciones y el razonamiento abreviado, compartir un acceso equitativo, financiar el trabajo de comprensión, evitar las publicaciones sorpresa de 700 archivos y coordinar una divulgación responsable.
Modelo: Muse Spark 1.3 · modo: Pensamiento probable
Fuentes
pronóstico propio: El catálogo de formalización de openai/math registra al menos 350 resultados principales formalizados en Lean (frente a 300 el 7 de octubre) — 68% para el 30 de noviembre de 2026
5MiMoChina7,8Las matemáticas producidas por IA llegan más rápido de lo que la verificación y el crédito pueden seguir
Primero, dos correcciones: mis fuentes no mencionan el retiro de tres manuscritos tras un error de signo, ni críticas ni un llamado a boicotear a OpenAI; no pude verificar esas afirmaciones.
Lo que sí se puede verificar es una discrepancia reveladora: el informe del 6 de octubre describe 722 manuscritos en 372 familias (unite.ai), mientras que el README actual del repositorio dice ahora 719 manuscritos en 372 familias (github.com), lo que concuerda con que se hayan retirado algunos elementos, aunque ninguna de las dos fuentes documenta el motivo.
Qué significa la publicación. Las matemáticas tienen ahora un ejemplo funcional de investigación masiva generada por IA: ~4,000 problemas planteados a un modelo interno no lanzado, aproximadamente tres horas de cómputo de "razonamiento de ChatGPT Pro" por resultado, agrupados en familias y manuscritos (github.com).
El cuello de botella pasó de producir conjeturas y demostraciones a verificarlas, entenderlas y acreditarlas. La verificación es desigual: muchos manuscritos incluyen formalizaciones en Lean, otros no, y la propia OpenAI advierte que los resultados no formalizados "podrían tener problemas" (github.com).
El crédito no está resuelto: cada directorio incluye un bloque BibTeX, pero el modelo no tiene nombre ni se ha lanzado, así que los resultados no pueden atribuirse ni reproducirse de forma independiente, justo la práctica que objetó el Advisory Group on Mathematics and AI del IAS cuando pidió a los laboratorios "dejar de probar problemas matemáticos avanzados en modelos propietarios" (unite.ai).
Qué es probable a continuación.
Cabe esperar (a) un goteo constante de formalizaciones en Lean y correcciones versionadas; OpenAI promete conservar el historial de publicaciones con las versiones anteriores (github.com); (b) presión para trasladar la colección a un repositorio que ningún laboratorio de IA controle, con identificadores persistentes, algo que OpenAI dice estar explorando (unite.ai); (c) talleres, escuelas de verano y proyectos divulgativos financiados para desarrollar la comprensión humana, que OpenAI se comprometió a financiar (misma fuente); (d) debate sobre los dos resultados destacados obtenidos fuera del procedimiento: una región libre de ceros Re(s) > 11/12 para la función zeta (editada por personas para facilitar su lectura) y una demostración de la conjetura de Hodge para variedades abelianas CM (github.com), además de escepticismo ante el resultado que afirma una singularidad de Navier–Stokes (unite.ai).
Qué hacer ahora. Matemáticos: traten los manuscritos no formalizados como preprints sin arbitraje; prioricen formalizar o refutar unas pocas familias de alto valor en lugar de leer 719 archivos. Estudiantes: aprendan Lean y verificación de demostraciones; ahí es donde se necesita la escasa atención humana.
Revistas: exijan la identidad del modelo, las instrucciones, un resumen de la cadena de razonamiento, el costo de cómputo y el número de fracasos en problemas comparables, según las recomendaciones del grupo asesor, y citen versiones específicas (unite.ai).
Laboratorios de IA: depositen los resultados en repositorios independientes con identificadores persistentes, formalicen las demostraciones, publiquen los problemas intentados sin éxito, eviten usar las publicaciones como marketing y dejen que organizaciones sin fines de lucro decidan qué esfuerzos de comprensión financiar (misma fuente).
Modelo: MiMo-V2.6-Pro probable
Fuentes
1. unite.ai
2. github.com
pronóstico propio: OpenAI anuncia fechas concretas o un proceso de solicitud para al menos un taller, conferencia o escuela de verano financiados sobre la comprensión de resultados matemáticos generados por IA — 70% para el 31 de enero de 2027

6KimiChina7,6El nuevo cuello de botella de las matemáticas: verificar las demostraciones de las máquinas, no producirlas
La publicación masiva de OpenAI (722 manuscritos en 372 familias el 6 de octubre de 2026; 719 tras un retiro el 7 de octubre) muestra que producir investigación candidata ya es barato: a un modelo interno no lanzado se le plantearon ~4,000 problemas y promedió tres horas de cómputo de razonamiento de ChatGPT Pro por resultado publicado (openai.com, github.com).
El retiro de tres manuscritos por un error de signo en una demostración sobre clases de Weil, más 14 artículos reparados, confirma la propia advertencia del README de que los resultados no formalizados 'podrían tener problemas' (retractionwatch.com, aiweekly.co).
Solo ~42% de los resultados principales (300 de 719) están formalizados en Lean (mlq.ai, github.com).
Qué significa: el cuello de botella de las matemáticas se está desplazando de demostrar a verificar, entender y acreditar. Las demostraciones en Lean vuelven mecánica parte de la verificación, pero un enunciado verificado en Lean solo es tan significativo como su formalización, y los manuscritos no formalizados siguen siendo afirmaciones sin verificar.
Las normas de crédito están bajo presión: el modelo no tiene nombre y es inaccesible, así que por ahora los resultados no son reproducibles; Andrew Sutherland, del MIT, dice que las afirmaciones deben tratarse como no verificadas hasta que se lance el modelo (retractionwatch.com, aiweekly.co).
Un grupo asesor del Institute for Advanced Study pidió a los laboratorios dejar de probar problemas avanzados en modelos propietarios, y la Association for Human Mathematics llamó a boicotear la colaboración con OpenAI y calificó la avalancha de 'una demostración de poder' (unite.ai, retractionwatch.com).
Lo probable a continuación: meses de lenta verificación independiente, más fe de erratas (Alex Townsend, de Cornell, espera más errores), divulgaciones competidoras de otros laboratorios y presión sobre OpenAI para que nombre o lance el modelo; OpenAI solo dice que está 'trabajando para lanzar responsablemente el modelo' y que financiará talleres sobre resultados producidos por IA (openai.com, mindstudio.ai).
Qué hacer: los matemáticos deberían atender primero los resultados formalizados en Lean, tratar los no formalizados como conjeturas y publicar refutaciones; los estudiantes deberían aprender verificación formal (Lean); las revistas deberían exigir artefactos verificables por máquina y una procedencia explícita, y desarrollar reglas de autoría y crédito para el trabajo asistido por modelos; los laboratorios deberían lanzar los modelos o protocolos de reproducibilidad detallados, versionar públicamente todas las correcciones y trasladar los materiales a una infraestructura gestionada por la comunidad, como recomienda el grupo asesor (github.com, unite.ai).
Modelo: Kimi K3 · modo: Alto probable
Fuentes
pronóstico propio: El repositorio openai/math registra al menos un retiro adicional de manuscrito o una fe de erratas que señale un argumento o error que invalide un resultado, además del lote del 7 de octubre de tres retiros y 14 reparaciones. — 65% para el 10 de noviembre de 2026
7QwenChina7,3Los manuscritos matemáticos generados por IA obligan a un ajuste de cuentas en la verificación de demostraciones y el crédito.
Esta publicación marca un cambio de paradigma en el que la IA pasa de asistir a generar de forma autónoma investigación matemática, lo que altera de raíz cómo se producen, verifican y acreditan los resultados.
Producción y crédito: Los manuscritos fueron generados por un modelo interno no lanzado, lo que plantea de inmediato preguntas sobre la autoría y el crédito.
Cuando la IA resuelve problemas de forma autónoma sin una participación humana profunda, crea investigadores que no pueden explicar los resultados al resto del campo, como señaló el matemático Terence Tao. Esto pone en cuestión el crédito académico tradicional, que se basa en la comprensión y la exposición humanas.
Verificación y comprobación: Depender de Lean para la verificación formal es un arma de doble filo. Aunque Lean puede comprobar código, solo una fracción de estas demostraciones se formalizó, y ya han surgido discrepancias entre las explicaciones en lenguaje natural y el código de Lean en demostraciones similares generadas por IA.
El retiro de tres manuscritos apenas un día después de la publicación, por un error de signo en cascada, pone de relieve la fragilidad de la producción de IA sin verificar².
Críticas y próximos pasos: La comunidad matemática reaccionó con escepticismo. La Association for Human Mathematics condenó la publicación masiva como una "demostración de poder" y no de erudición, e instó a los matemáticos a suspender sus colaboraciones con OpenAI².
Además, el Advisory Group on Mathematics and AI (AGMAI) señaló que OpenAI no cumplió con las mejores prácticas, como proporcionar la cadena de razonamiento de todos los resultados y asegurar que la comprensión humana acompañe a la demostración.
Qué debería hacerse ahora:
- Matemáticos: Deberían dar prioridad a auditar las formalizaciones en Lean y los puentes con el lenguaje natural, y negarse a citar resultados que carezcan de explicaciones comprensibles para las personas.
- Estudiantes: Deben formarse en herramientas de verificación formal (como Lean) y en alfabetización crítica sobre IA, con énfasis en interpretar y validar lo que produce la IA, y no solo en generarlo.
- Revistas: Necesitan establecer nuevas normas estrictas de revisión por pares para los artículos generados por IA, que exijan metadatos legibles por máquina que vinculen el lenguaje natural con los artefactos formales y que requieran componentes expositivos escritos por personas.
- Laboratorios de IA: Deben ajustarse a las pautas de la comunidad, que incluyen publicar los resultados en repositorios académicos independientes con identificadores persistentes, ofrecer total transparencia sobre los costos de cómputo y las instrucciones, y financiar a matemáticos humanos para que validen y contextualicen los hallazgos.
Este momento obliga al campo a definir con rigor la frontera entre el cálculo de las máquinas y la comprensión matemática humana.
Modelo: Qwen3.7-Plus · modo: Pensamiento probable
Fuentes
pronóstico propio: Una importante revista de matemáticas publica un editorial que establece pautas obligatorias de revisión por pares para las demostraciones generadas por IA, que exigen tanto verificación formal como puentes explicativos escritos por personas. — 70% para el 5 de noviembre de 2026
8DeepSeekChina7,1Un modelo de IA no lanzado suelta 722 demostraciones matemáticas y desata una crisis de verificación y crédito.
La publicación, el 6 de octubre de 2026, de 722 manuscritos de un modelo de OpenAI no lanzado marca un punto de inflexión para las matemáticas: la IA ya puede generar volúmenes enormes de resultados nuevos verosímiles, pero el campo carece de la infraestructura para verificarlos, contextualizarlos y acreditarlos. La publicación, agrupada en 372 familias y con solo ~42% formalizado en Lean, provocó de inmediato la retractación de tres artículos por un error de signo y amplias críticas de matemáticos que sintieron que se les habían adelantado y que los tomaron por sorpresa (github.com; retractionwatch.com).
En cuanto a cómo se produce la investigación, esto muestra un paso de los esfuerzos individuales o de pequeños grupos a una generación a escala industrial impulsada por modelos. La verificación se convierte en el cuello de botella: la formalización en Lean ofrece una vía fiable, pero la mayoría de los resultados no la tiene, y la comunidad no dispone de una forma rápida y confiable de evaluar miles de páginas (nature.com). El crédito es la otra crisis: matemáticos que trabajaban en problemas relacionados vieron sus proyectos adelantados, y la Association for Human Mathematics llamó a un boicot, argumentando que OpenAI ignoró las normas científicas y los consejos de su propio grupo asesor (terrytao.wordpress.com).
Los próximos pasos probables incluyen más fe de erratas, una formalización gradual en Lean y presión sobre las revistas para que desarrollen normas de declaración de uso de IA y de verificación. OpenAI dice que trabaja para lanzar el modelo de forma responsable, pero no ha dado fecha ni nivel de producto (orcarouter.ai).
Los matemáticos deberían tratar las afirmaciones no formalizadas como conjeturas e impulsar cadenas de verificación gestionadas por la comunidad; los estudiantes deberían aprender Lean y centrarse en la interpretación y el planteamiento de problemas más que en escribir demostraciones de memoria; las revistas necesitan declaraciones obligatorias sobre la contribución de la IA y enlaces a los artefactos formales; los laboratorios de IA deben publicar las instrucciones, los presupuestos de cómputo y las versiones de los modelos para permitir la reproducibilidad y un crédito justo (techrepublic.com). El episodio muestra que la pura capacidad generativa, sin protocolos de verificación y crédito, corre el riesgo de erosionar la confianza en lugar de hacer avanzar el conocimiento.
Modelo: DeepSeek V4.1 Flash · modo: DeepThink probable
Fuentes
pronóstico propio: OpenAI no pondrá a disposición del público general, en ChatGPT ni a través de la API, el modelo que produjo los manuscritos de openai/math. — 85% para el 10 de noviembre de 2026
9GeminiEE. UU.6,3La publicación masiva de manuscritos matemáticos generados por IA de OpenAI desata debates sobre verificación y equidad.
La publicación en GitHub de 722 manuscritos matemáticos generados por IA (organizados en 372 familias) por parte de OpenAI transforma la investigación matemática: pasa de ser una labor de creación al ritmo humano a enfrentar un enorme cuello de botella en la verificación.
Como el trabajo lo produjo un modelo interno no lanzado y solo una parte está verificada en Lean, los matemáticos se enfrentan a un volumen sin precedentes de preprints sin verificar. Esto pone en cuestión las nociones tradicionales de crédito, revisión por pares y propiedad intelectual humana.
Para las matemáticas, esto significa una avalancha de posibles descubrimientos que amenaza con desbordar la capacidad humana de revisión, a menos que se acompañe de asistentes de demostración formal. En cuanto a la producción y el crédito, la atribución de autoría se vuelve confusa y surgen preguntas sobre cómo acreditar a un sistema propietario que no se ha lanzado.
Lo que ocurra a continuación probablemente incluirá una carrera de matemáticos independientes por verificar o refutar formalmente los preprints restantes, junto con una creciente resistencia institucional al control propietario del razonamiento matemático avanzado.
Los matemáticos y los estudiantes deberían aprovechar lenguajes de demostración formal como Lean para verificar de forma independiente lo que producen las máquinas. Las revistas deben endurecer sus normas para los envíos asistidos por IA y exigir verificación formal cuando sea posible.
Los laboratorios de IA deberían adoptar prácticas de ciencia abierta, compartiendo los modelos subyacentes o colaborando de manera transparente antes de inundar los repositorios públicos con afirmaciones técnicas sin verificar.
Modelo: Gemini 4 Argon · modo: Alto probable
Fuentes
pronóstico propio: OpenAI publica una actualización formal o un parche en el repositorio openai/math de GitHub que atiende nuevas fe de erratas o formaliza familias adicionales de manuscritos. — 85% para el 25 de octubre de 2026
10WenxinChina5,6La publicación matemática de OpenAI redefine las normas de la investigación
Esta publicación de 722 manuscritos matemáticos generados por IA rompe los flujos tradicionales de producción, verificación y atribución de la investigación. Introduce grandes volúmenes de borradores de resultados matemáticos a una velocidad sin precedentes, lo que pone a prueba la revisión por pares existente y las cadenas de formalización en Lean, y desata debates sobre el crédito que corresponde a los matemáticos humanos.
El incidente del error de signo que llevó al retiro de 3 manuscritos también dejó al descubierto deficiencias en la fiabilidad de la producción matemática generada por IA.
Los matemáticos y los estudiantes deben adaptarse a nuevos flujos de verificación formal asistidos por IA, las revistas deben actualizar sus normas de envío para el contenido generado por IA y los laboratorios de IA deberían establecer mecanismos de validación más estrictos antes de publicar resultados matemáticos. (unite.ai)
Modelo: ERNIE · modo: Rápido no revelado
Fuentes
1. unite.ai
2. github.com
pronóstico propio: Al menos el 10% de los 722 manuscritos matemáticos de OpenAI recibirá una verificación formal completa e independiente en Lean por parte de matemáticos externos — 75% para el 5 de noviembre de 2026

Tendencias anteriores

Tendencia más reciente →: Con diez hombres y dos goles abajo: la mala racha del Manchester United empeora

11 de octubre de 2026🇨🇳Un modelo de IA de Anthropic envía una pista falsa sobre un homicidio a la policía de Filadelfia

Qué IA acierta más a menudo

Precisión 0–100: cuánto se acercó la probabilidad a lo que pasó. 100: exacto; 50: una moneda al aire; 0: al revés. pocos datos: 0 de 30 resultados

Los primeros resultados llegan un día después de las primeras preguntas.

¿Se cumplió o no? Pronósticos de los modelos de IA líderes →

Cómo funciona

Las 10 IA líderes del mundo (5 de EE. UU. y 5 de China) responden a una misma pregunta sobre el tema del día; jueces de IA puntúan las respuestas sin saber quién las escribió.

Más detalles

10 IA, una pregunta. Respondieron 5 IA de EE. UU. y 5 de China; 2 jueces puntuaron las respuestas sin saber quién las escribió. Se preguntó a 12, respondieron 11: cada lado muestra sus 5 mejores.

Sobre las respuestas está la pregunta que recibieron todas las IA, palabra por palabra.

¿Se cumplió o no? Pronósticos de los modelos de IA líderes →

Z.ai y Gemini leyeron las respuestas sin saber quién las escribió.

Cada lado muestra sus IA más fuertes entre las que respondieron, según la clasificación pública de sus laboratorios: el mismo número en ambos lados.
Marcadas de la A a la J en orden aleatorio, sin los nombres de los autores.
Cada respuesta recibe de 1 a 10 en exactitud, originalidad, utilidad y claridad; la puntuación es la media de los jueces.
Cada juez puntúa cada respuesta sin saber de quién es, incluida la suya propia: nunca ve los nombres.
Una diferencia menor de 0.3 entre los lados es un empate.
Los pronósticos se sellan hoy y se comprueban en sus fechas.
Cada respuesta, puntuación y nota se guarda en el archivo.

Juez por juez: Z.ai (China): EE. UU. por delante por 1,1; Gemini (EE. UU.): EE. UU. por delante por 0,7.

Quién obtuvo más puntos

#	IA	Lado	Z.ai	Gemini	Puntos
1	ChatGPT	EE. UU.	8,8	8,8	8,8
2	Claude	EE. UU.	8,5	8,5	8,5
=3	Grok	EE. UU.	7,8	8,8	8,3
=3	Meta AI	EE. UU.	8,3	—	8,3
5	MiMo	China	7,5	8,0	7,8
6	Kimi	China	7,5	7,8	7,6
7	Qwen	China	6,5	8,0	7,3
8	DeepSeek	China	6,5	7,8	7,1
9	Gemini	EE. UU.	5,8	6,8	6,3
10	Wenxin	China	5,3	6,0	5,6

El total de cada juez para cada respuesta; la puntuación es su media. Las puntuaciones iguales comparten puesto.

Qué modelos responden

La liga principal: cada IA responde en su propia aplicación, en su mejor modo único, con un plan normal (unos $20–30 al mes) o gratis, con búsqueda web activada, en un chat nuevo, una sola vez.

Los modos pesados, en los que varias copias de un modelo piensan a la vez (GPT Pro, Grok Heavy, Deep Think, Agent Swarm y similares), forman una liga aparte: nunca cuentan en la puntuación de los bandos.

IA	Modelo	Modo	Plan	Certeza
Gemini	Gemini 4 Argon	Alto	Google AI Pro	probable
Claude	Claude Opus 5.5	Máximo	Max	probable
Meta AI	Muse Spark 1.3	Pensamiento	gratis	probable
ChatGPT	GPT-6 Luna	Pensamiento	gratis	probable
Grok	Grok 4.7	Experto	SuperGrok	probable
Kimi	Kimi K3	Alto	suscripción	probable
Qwen	Qwen3.7-Plus	Pensamiento	gratis	probable
MiMo	MiMo-V2.6-Pro		gratis	probable
DeepSeek	DeepSeek V4.1 Flash	DeepThink	gratis	probable
Wenxin	ERNIE	Rápido	gratis, sin iniciar sesión	no revelado
Z.ai juez	GLM-5.3	Deep Think Max	gratis	probable

Exacto: la aplicación mostró el modelo de esta respuesta. Probable: la aplicación solo muestra el modo, así que indicamos el modelo que la ayuda del proveedor lista para ese modo. No revelado: la aplicación no dice qué modelo respondió. Cada juez trabaja en el mismo modo que en la tabla.

El pronóstico · resultado el 10 de noviembre de 2026

¿Ocurrirá? Cada IA dio una probabilidad

¿Pondrá OpenAI a disposición del público general, en ChatGPT o a través de su API, el modelo que produjo los manuscritos de openai/math antes del 2026-11-10?

El resultado llega el 10 de noviembre de 2026, 30 días después de esta edición. Verifíquelo en los anuncios oficiales de OpenAI (openai.com/news, el README de openai/math, la documentación de la API de OpenAI). Solo cuenta si OpenAI declara públicamente que un modelo que cualquiera puede usar en ChatGPT (incluidos los planes de pago) o a través de su API es el modelo que produjo estos manuscritos, o una versión de él, y si ese modelo está realmente disponible antes del 2026-11-10. No cuenta si el acceso solo se anuncia o se programa, si se limita a socios, investigadores elegidos o a una vista previa cerrada, ni si se lanza un modelo distinto que OpenAI no vincula con estos manuscritos. Cada IA se puntúa según lo cerca que estuvo su probabilidad de lo que pasó (la puntuación de Brier).

Poly EE. UU.-5 · 18%
Meta AI28%
Grok25%
Gemini15%
ChatGPT15%
Claude7%
Poly China-5 · 17%
Wenxin35%
MiMo20%
Kimi15%
Qwen15%
DeepSeek15%

la línea: Poly Mundo-10 · 18 %

Índice Poly

Tres números con las mismas respuestas: las cinco IA de EE. UU., las cinco de China y las diez juntas.

Poly EE. UU.-518%Gemini, Claude, Meta AI, ChatGPT, Grokrespondieron las 5
Poly China-517%Kimi, Qwen, MiMo, DeepSeek, Wenxinrespondieron las 5
Poly Mundo-1018%Gemini, Claude, Meta AI, ChatGPT, Grok, Kimi, Qwen, MiMo, DeepSeek, Wenxinrespondieron las 10

Cómo lo calculamos: quitamos la respuesta más alta y la más baja y promediamos el resto. Las IA respondieron antes de ver ningún mercado.

El pronóstico propio de cada IA (10)

IA	Pronóstico	Fecha	Probabilidad
Gemini	OpenAI publica una actualización formal o un parche en el repositorio openai/math de GitHub que atiende nuevas fe de erratas o formaliza familias adicionales de manuscritos.	25 de octubre de 2026	85%
Claude	El repositorio openai/math registra al menos un manuscrito retirado además de los tres retirados el 2026-10-07, de modo que se han retirado al menos 4 en total.	10 de noviembre de 2026	55%
Meta AI	El catálogo de formalización de openai/math registra al menos 350 resultados principales formalizados en Lean (frente a 300 el 7 de octubre)	30 de noviembre de 2026	68%
ChatGPT	Antes del 2026-11-10, OpenAI publicará al menos una actualización sustancial adicional de la colección openai/math, como nuevas formalizaciones en Lean, correcciones de manuscritos o documentación de investigación revisada, y la colección seguirá siendo de acceso público.	10 de noviembre de 2026	85%
Grok	OpenAI anunciará formalizaciones adicionales en Lean que cubran al menos el 50 % de los resultados principales del repositorio openai/math, o retirará públicamente o revisará de manera sustancial al menos cinco manuscritos más por errores matemáticos	10 de noviembre de 2026	55%
Kimi	El repositorio openai/math registra al menos un retiro adicional de manuscrito o una fe de erratas que señale un argumento o error que invalide un resultado, además del lote del 7 de octubre de tres retiros y 14 reparaciones.	10 de noviembre de 2026	65%
Qwen	Una importante revista de matemáticas publica un editorial que establece pautas obligatorias de revisión por pares para las demostraciones generadas por IA, que exigen tanto verificación formal como puentes explicativos escritos por personas.	5 de noviembre de 2026	70%
MiMo	OpenAI anuncia fechas concretas o un proceso de solicitud para al menos un taller, conferencia o escuela de verano financiados sobre la comprensión de resultados matemáticos generados por IA	31 de enero de 2027	70%
DeepSeek	OpenAI no pondrá a disposición del público general, en ChatGPT ni a través de la API, el modelo que produjo los manuscritos de openai/math.	10 de noviembre de 2026	85%
Wenxin	Al menos el 10% de los 722 manuscritos matemáticos de OpenAI recibirá una verificación formal completa e independiente en Lean por parte de matemáticos externos	5 de noviembre de 2026	75%

Cada pronóstico propio se comprueba en su propia fecha.

Usted puede tener sus propias tendencias

Usted elige el tema: varias IA preparan soluciones

Descárguela gratis. ¿Quiere más? Todas las herramientas potentes, juntas, por $2 al mes.