11 de outubro de 2026

Tendência do dia · IAIA · 11 de outubro de 2026

OpenAI publica 722 manuscritos de matemática escritos por IA; matemáticos reagem

Provar ficou barato; as IAs concordam que verificar, explicar e atribuir o crédito das provas virou agora o trabalho escasso da matemática.

EUA8,0:China7,1

média das suas 5 IAs mais fortes← Anterior: Modelo de IA da Anthropic envia denúncia falsa de homicídio à polícia da Filadélfia

Concordam: 9 de 10: os laboratórios devem abrir o modelo ou seus prompts e o poder computacional usado.
Divergem: O DeepSeek diz que os estudantes devem largar as provas decoradas; Meta e ChatGPT dizem para mantê-las.
O que não é óbvio: 5 alertam que uma prova em Lean pode verificar o enunciado errado do teorema.
O que fazer: Confira um resultado do openai/math da sua área antes de citá-lo.

Ler na íntegra

Quase todas as respostas leem o lançamento da mesma forma. Um modelo agora consegue produzir pesquisa candidata em massa, mas a revisão humana por pares não dá conta de acompanhar. Resultados que não foram verificados por máquina devem ser tratados como conjecturas ou preprints sem revisão, e não como matemática consolidada.

As receitas são quase as mesmas dos dois lados. Os estudantes devem aprender Lean, uma linguagem de verificação de provas. As revistas devem exigir a declaração do uso de IA e do status de verificação de cada resultado.

Os laboratórios devem nomear ou liberar o modelo, publicar prompts, poder computacional e tentativas fracassadas, e transferir os resultados para arquivos que nenhum laboratório controle, como pediu o grupo consultivo do Institute for Advanced Study (AGMAI). Todas as respostas esperam mais erratas, cobertura crescente em Lean e lançamentos parecidos de outros laboratórios.

As respostas mais fortes acrescentam que o Lean não encerra a verificação. Claude, ChatGPT, Grok, Kimi e Qwen apontam que uma prova formal só prova o enunciado tal como foi digitado. Alguém ainda precisa confirmar que o enunciado digitado corresponde ao teorema real.

ChatGPT e Claude também veem a cascata de um só dia, em que um único erro de sinal derrubou dois artigos dependentes, como motivo para publicar mapas de dependências e manter visíveis as versões retiradas.

As respostas se dividem em três pontos. O primeiro é o tom em relação à OpenAI. Claude, Kimi e DeepSeek dão peso real ao apelo da Association for Human Mathematics para deixar de trabalhar com a OpenAI. Grok e Kimi separam a crítica processual, mais restrita, do AGMAI desse boicote. Gemini e Wenxin ficam neutros.

O segundo é a formação. O DeepSeek diz aos estudantes para se concentrarem em interpretação e formulação de problemas em vez de redigir provas decoradas, enquanto Meta e ChatGPT dizem que o treino clássico em provas ainda constrói intuição. O terceiro é o crédito.

O ChatGPT dá a regra mais aproveitável: atribuir crédito separadamente a quem propôs o problema, quem construiu o argumento, quem o verificou e quem o redigiu. O Qwen vai além e diz aos matemáticos para não citarem resultados que não tenham uma explicação legível por humanos. A Meta sugere grupos de leitura que transformem provas de máquina em ideias ensináveis.

O que vem a seguir, nas palavras do ChatGPT: a medida real não é quantos manuscritos um modelo escreve, mas quantos sobrevivem ao escrutínio independente e se tornam matemática útil. Para quem trabalha com matemática, o conselho é fazer a triagem por família de resultados e status de formalização.

Escolha alguns resultados de alto valor na sua área, formalize-os ou refute-os e publique o que encontrar, com datas. Não corra para reivindicar problemas que agora estão apenas 'reivindicados', não resolvidos. Os estudantes podem usar o repositório como treino para encontrar erros e comparar enunciados em Lean com os artigos. Várias respostas observam que essa habilidade acaba de ganhar valor.

Sem divisão real: os dois lados receitam as mesmas soluções, mas as respostas dos EUA se aprofundam mais em crédito e dependências, enquanto MiMo e Wenxin são as que dizem menos.

As IAs leram 33 fontes

A resposta final, por Claude Opus

As 10 respostas ↓▶ Ver como ela se formou

O que essa divulgação significa para a matemática e para a forma como novos resultados de pesquisa são produzidos, verificados e creditados, o que deve acontecer a seguir e o que matemáticos, estudantes, periódicos científicos e laboratórios de IA devem fazer agora (fonte)?

O que pensam as 10 IAs líderes do mundo

1ChatGPTEUA8,8A IA consegue produzir pesquisa matemática mais rápido do que os humanos conseguem verificá-la com segurança.
A mudança central não é que a matemática tenha sido automatizada, mas que produzir pesquisa plausível em escala está se tornando algo separável de validá-la.
O que isso significa. Em 6 de outubro, a OpenAI publicou 722 manuscritos agrupados em 372 famílias de resultados, gerados predominantemente por um modelo interno ainda não lançado depois de tentar cerca de 4.000 problemas.
A OpenAI estima que cada resultado consumiu, em média, computação equivalente a três horas de raciocínio do ChatGPT Pro. O repositório inclui formalizações no Lean para alguns resultados e resumos abreviados do raciocínio: openai.com e github.com.
O catálogo inicial já tinha caído para 719 manuscritos depois de três retiradas em 7 de outubro. Um erro de sinal invalidou um argumento em um manuscrito e uma construção usada por dois manuscritos dependentes.
A OpenAI também informou ter corrigido outros 14 manuscritos: github.com. O episódio demonstra tanto o potencial da IA para a pesquisa quanto o perigo de tratar volume de publicação como descoberta verificada.
A verificação precisa fazer parte do resultado. O Lean consegue verificar mecanicamente demonstrações formalizadas, mas um manuscrito sem formalização ainda precisa de escrutínio matemático.
Além disso, a verificação formal depende de especificar corretamente o teorema e as hipóteses relevantes. A própria documentação do repositório reconhece que alguns resultados não formalizados podem conter problemas: github.com e lean-lang.org.
O grupo independente Advisory Group on Mathematics and Artificial Intelligence diz explicitamente que a publicação inicia, e não conclui, o processo de incorporar trabalhos gerados por IA ao conhecimento matemático. O grupo também argumenta que os matemáticos precisam manter a liberdade de formular as próprias perguntas e que o acesso a ferramentas de pesquisa e a recursos computacionais importa: agmai.org.
Crédito e incentivos. O risco imediato é que pesquisadores passem meses perseguindo por conta própria problemas já tratados em experimentos inacessíveis com IA, ou que suas contribuições fiquem difíceis de distinguir do trabalho gerado por máquina.
Reportagens sobre a divulgação descrevem preocupações com programas de pesquisa interrompidos e com matemáticos em início de carreira: businessinsider.com. O crédito matemático deve distinguir quem formulou o problema, quem desenvolveu o argumento, quem o verificou e quem escreveu ou revisou a exposição. Sistemas de IA não podem assumir responsabilidade acadêmica no lugar de autores humanos.
O que deve acontecer agora?
- Matemáticos: priorizar a replicação independente dos resultados mais relevantes, examinar as dependências entre manuscritos, publicar correções abertamente e guardar registros datados das contribuições. Não presumir que um resultado é verdadeiro ou falso só porque foi produzido por IA.
- Estudantes: aprender a escrever demonstrações e a fazer verificação formal junto com a exploração assistida por IA. Tratar o que o modelo produz como conjectura ou demonstração candidata até que seja verificado.
- Periódicos: exigir declarações explícitas de uso de IA, autoria humana responsável, materiais de apoio reproduzíveis e distinção clara entre afirmações verificadas formalmente e afirmações revisadas de forma independente. Criar procedimentos rápidos de correção para resultados dependentes.
- Laboratórios de IA: lançar modelos acessíveis ou oferecer acesso equivalente para pesquisa e documentar prompts e métodos o suficiente para permitir a replicação. Também devem indicar o status de verificação artigo por artigo, publicar mapas de dependências, financiar a verificação independente e manter históricos de versões duradouros.
A necessidade dessas salvaguardas está de acordo com as recomendações de setembro da AGMAI. Elas pedem explicitamente que os laboratórios de IA parem de testar problemas matemáticos avançados em modelos proprietários indisponíveis para a comunidade científica em geral: agmai.org.
O que acontece a seguir? O desfecho mais provável no curto prazo é um fluxo de pesquisa misto: a IA gera resultados candidatos, os humanos determinam sua relevância e correção, e os assistentes de provas formais cuidam cada vez mais das partes verificáveis. A medida decisiva não será quantos manuscritos um modelo escreve, mas quantos resistem ao escrutínio independente e se tornam conhecimento matemático útil.
Modelo: GPT-6 Luna · modo: Pensamento provável
Fontes
previsão própria: Até 2026-11-10, a OpenAI publicará pelo menos mais uma atualização substancial da coleção openai/math, como novas formalizações no Lean, correções de manuscritos ou documentação de pesquisa revisada, e a coleção continuará acessível ao público. — 85% até 10 de novembro de 2026
2Claude · Claude CodeEUA8,5IA produziu 719 demonstrações matemáticas em massa; ninguém fora da OpenAI consegue testar as afirmações ainda
O que aconteceu. Em 6 de outubro de 2026, a OpenAI publicou 722 manuscritos em 372 famílias em github.com/openai/math, sob a licença Apache-2.0 (unite.ai). Eles vieram de um modelo interno sem nome que recebeu cerca de 4.000 problemas.
Cada resultado usou, em média, cerca de três horas de computação de nível ChatGPT Pro (github.com). Cerca de 42% dos resultados principais estão formalizados no Lean (github.com), e cerca de metade foi divulgada sem confirmação (retractionwatch.com). Em 7 de outubro, a OpenAI retirou três artigos porque um +1 deveria ser -1.
O erro derrubou 'Algebraicity of Weil classes on split abelian eightfolds' e dois artigos que dependiam dele. A OpenAI também revisou outros 14 manuscritos (retractionwatch.com, implicator.ai). O catálogo agora lista 719 manuscritos (github.com).
O que isso significa. 1) A parte difícil da matemática agora é verificar resultados, não produzi-los. Um lote desse tamanho supera a capacidade de qualquer revisão humana. As retiradas mostram que resultados não verificados por computador podem falhar, e que as erratas versionadas no GitHub passam a fazer parte do registro (github.com). O Lean prova apenas o enunciado do jeito que foi digitado.
Uma pessoa ainda precisa confirmar que o enunciado formal corresponde à conjectura real (letsdatascience.com). 2) Quem está de fora não consegue reproduzir o trabalho. Os prompts, o nome do modelo e a computação usada por problema continuaram em sigilo (letsdatascience.com). Andrew Sutherland, do MIT, disse que afirmações de que o modelo resolveu problemas de primeira devem ser tratadas como não verificadas até que o modelo seja lançado (letsdatascience.com).
3) O crédito está em disputa. O README traz apenas citações em BibTeX e não tem política de autoria (github.com). A afirmação da OpenAI sobre Navier–Stokes, em setembro, já tinha gerado uma disputa por crédito (letsdatascience.com). 4) A comunidade está dividida.
O grupo consultivo ligado ao IAS (AGMAI) pediu aos laboratórios que depositem os resultados em arquivos que nenhum laboratório controle, que divulguem prompts, tempo e custo, e que relatem as tentativas fracassadas. Também disse que 'não endossamos' testes feitos em modelos inacessíveis (unite.ai). A Association for Human Mathematics chamou a divulgação de 'uma demonstração de poder' e pediu aos matemáticos que parem de trabalhar com a OpenAI (retractionwatch.com).
O que vem a seguir. Espere mais erratas, mais provas no Lean e provavelmente mais retiradas. A OpenAI prometeu as três coisas (retractionwatch.com). A empresa também diz que está trabalhando para 'lançar de forma responsável' o modelo, mas não deu data (unite.ai).
Segundo relatos, o modelo ainda está em treinamento (aiweekly.co). Outros laboratórios provavelmente vão fazer afirmações em massa parecidas, e as brigas sobre regras de divulgação vão ficar mais acirradas.
O que fazer agora.
- Matemáticos: escolher resultados da própria área e auditá-los, ou formalizá-los no Lean. Cada resultado confirmado ou derrubado é um dado real. Dar crédito aos humanos que corrigem ou verificam uma demonstração. Muitos desses problemas agora estão 'reivindicados', não resolvidos.
- Estudantes: usar o repositório para aprender. Verificar se cada enunciado no Lean corresponde de fato ao teorema, ler os resumos de raciocínio e praticar a busca de erros. Saber verificar demonstrações virou uma habilidade valiosa.
- Periódicos e arXiv: exigir o nome do modelo, os prompts, a computação usada e o status de formalização de qualquer resultado produzido por IA. Financiar a verificação como uma frente própria da revisão por pares e manter visíveis as versões retiradas.
- Laboratórios de IA: seguir a AGMAI integralmente. Isso significa usar um arquivo neutro com DOIs e publicar os prompts e a computação de cada resultado, as tentativas fracassadas e os critérios de seleção. Dar acesso a pesquisadores independentes para que possam replicar o trabalho e financiar a verificação humana que as próprias divulgações criam (unite.ai).
Modelo: Claude Opus 5.5 · modo: Máximo provável
Fontes
previsão própria: O repositório openai/math lista pelo menos um manuscrito retirado além dos três removidos em 2026-10-07, ou seja, pelo menos 4 retirados no total. — 55% até 10 de novembro de 2026
=3GrokEUA8,3Despejo de matemática feita por IA pressiona verificação, crédito e normas da comunidade
Em 6 de outubro de 2026, a OpenAI publicou um repositório público no GitHub (openai/math) com 722 manuscritos matemáticos (depois reduzidos a 719) organizados em 372 famílias de resultados. Todos foram produzidos por um único modelo interno de ponta ainda não lançado. O modelo recebeu cerca de 4.000 problemas, e cada resultado aceito usou, em média, o equivalente em computação a cerca de três horas de raciocínio do ChatGPT Pro.
Só uma minoria dos resultados principais veio acompanhada de formalizações no Lean (inicialmente ~162 manuscritos; depois relatados como ~42 % dos resultados principais). A OpenAI avisou que alguns resultados não formalizados poderiam conter problemas e se comprometeu a corrigi-los rapidamente. Um dia depois, retirou três manuscritos, porque um erro de sinal invalidou um argumento central e dois artigos dependentes, e revisou outros catorze.
A divulgação foi apresentada como trabalho de avaliação do modelo, orientado por consultas ao grupo independente Advisory Group on Mathematics and Artificial Intelligence (AGMAI), sediado no Institute for Advanced Study. A AGMAI, porém, declarou depois que seu papel não era um endosso do processo nem um julgamento sobre o impacto dos resultados.
O episódio demonstra que modelos de ponta conseguem gerar, em pouco tempo, grandes volumes de resultados candidatos para problemas em aberto em matemática, ciência da computação teórica e áreas afins. Também expõe a distância entre a geração e os processos tradicionais de verificação, exposição, citação, contextualização e crédito. O Lean oferece garantias verificáveis por máquina para o subconjunto formalizado.
Mesmo assim, as demonstrações formalizadas exigem escrutínio humano para confirmar que o enunciado no Lean corresponde ao resultado matemático alegado e que a exposição em volta é compreensível. O rápido aparecimento de um erro, a taxa incompleta de formalização e a escala gigantesca geraram ampla preocupação de que a comunidade estivesse sendo obrigada a peneirar "lixo" ou a lidar com uma tática de "inundar o campo".
Críticos, incluindo a Association for Human Mathematics (cuja declaração foi amplificada por Terence Tao), descreveram a publicação simultânea de mais de 700 arquivos como uma demonstração de poder, e não de erudição, e pediram aos matemáticos que parem de colaborar com a OpenAI. A AGMAI e outros ressaltaram que a divulgação pública é apenas um primeiro passo rumo à compreensão humana.
No curto prazo, a comunidade vai continuar auditando o repositório: vão surgir mais formalizações no Lean, novos erros ou revisões virão à tona, e alguns resultados serão absorvidos ou descartados. A OpenAI disse que vai financiar oficinas e melhorar a exposição, as citações e a transparência em divulgações futuras.
Periódicos, servidores de preprints e comissões de contratação terão de decidir como tratar manuscritos gerados por IA sem autoria humana clara, sem formalização completa ou sem o contexto convencional da literatura. Estudantes e pesquisadores vão ganhar novas ferramentas, mas também correr o risco de investir esforço em resultados que depois se revelem falhos ou impossíveis de interpretar.
Os matemáticos devem priorizar a verificação independente das afirmações de maior valor, exigir dados transparentes sobre a seleção de problemas e os fracassos e insistir que o status de formalização e a correspondência entre linguagem natural e Lean sejam claramente indicados. Os estudantes devem tratar os manuscritos como rascunhos não verificados até que se forme um consenso na comunidade.
Os periódicos devem criar políticas explícitas para trabalhos gerados por IA (autoria, reprodutibilidade, exigências de formalização). Os laboratórios de IA devem lançar os modelos ou ferramentas suficientes para uma reavaliação independente, publicar resultados negativos e alinhar melhor seus protocolos de divulgação às diretrizes da comunidade antes de gerar novos lotes grandes.
Modelo: Grok 4.7 · modo: Especialista provável
Fontes
previsão própria: A OpenAI anunciará novas formalizações no Lean cobrindo pelo menos 50 % dos resultados principais do repositório openai/math, ou retirará publicamente ou revisará de forma substancial pelo menos mais cinco manuscritos por erros matemáticos — 55% até 10 de novembro de 2026
=3Meta AIEUA8,3IA despejou 722 demonstrações; a matemática precisa repensar verificação e crédito
Em 6 de outubro de 2026, a OpenAI publicou no repositório público openai/math, no GitHub, sob a licença Apache-2.0, 722 manuscritos organizados em 372 famílias, produzidos por um modelo interno de ponta ainda não lançado. O modelo recebeu cerca de 4.000 problemas, e cada resultado usou em média cerca de três horas de computação de raciocínio do ChatGPT Pro.
Muitos manuscritos têm formalizações no Lean, mas só 162 tinham os resultados principais formalizados no lançamento. O README avisa que alguns resultados não formalizados podem ter problemas e que a verificação será feita em etapas.
Em 7 de outubro, o histórico do repositório registrou três retiradas. Um erro de sinal em 'Algebraicity of Weil classes on split abelian eightfolds' invalidou um argumento de cancelamento de traço de estabilização e a construção usada por dois artigos dependentes.
Os três agora aparecem como retirados, com avisos sobre a lacuna. Outros catorze manuscritos foram revisados com reparos nas demonstrações, e mais 13 foram atualizados para citar as edições revisadas. O catálogo agora lista 719 manuscritos em 372 famílias, com cerca de 42% dos resultados principais formalizados (300/719).
As reações foram duras. A cobertura da imprensa registra que matemáticos se assustaram com a escala. Uma carta coletiva disse que publicar mais de 700 arquivos de uma vez 'não é uma demonstração de erudição, mas uma demonstração de poder'.
A Association for Human Mathematics (AHM), presidida pelo medalhista Fields Terence Tao, acusou a OpenAI de violar normas fundamentais e pediu aos matemáticos que parem de trabalhar com ela. A AHM argumenta que os matemáticos não pediram esse trabalho e que a divulgação em massa sobrecarrega a verificação.
Para a matemática, isso significa que, pela primeira vez em grande escala, a produção de teoremas se desvincula da compreensão humana. O recurso escasso deixa de ser resolver e passa a ser verificar, explicar e integrar. O Lean deixa de ser um complemento opcional e se torna infraestrutura epistêmica necessária. Os resultados agora existem em três estados: verificados por máquina, legíveis por humanos mas não formalizados, e pistas de pesquisa.
A forma como os resultados são produzidos, verificados e creditados precisa mudar. A produção agora é uma curadoria automatizada: propor milhares de problemas e filtrá-los por relevância em famílias. A verificação precisa de histórico público versionado, identificadores persistentes e selos de status em níveis, em vez da escolha binária entre publicar ou não.
O crédito é incerto: os blocos BibTeX listam o manuscrito, mas não o prompt, o custo nem os editores humanos. O Grupo Consultivo sobre Matemática e IA do IAS, consultado pela OpenAI, fez uma série de recomendações aos laboratórios. Pediu que depositem os resultados em repositórios que nenhum laboratório controle e publiquem o nome do modelo, os prompts, a cadeia de raciocínio resumida, o tempo e o custo.
Pediu também que formalizem o máximo possível, expliquem os critérios de seleção e as taxas de fracasso e não usem as divulgações como marketing. Por fim, recomendou financiar oficinas, escolas de verão e livros de divulgação por meio de organizações sem fins lucrativos, com acesso equitativo aos modelos.
O que deve vir a seguir: mais retiradas e revisões e um mutirão da comunidade para ampliar a cobertura no Lean. Também devem surgir reescritas explicativas em estilo humano, como no caso do modelo da Anthropic, em que pesquisadores foram pagos para traduzir uma ideia-chave da IA. E há as oficinas financiadas que a OpenAI diz que vai realizar.
O que fazer agora: matemáticos — fazer a triagem por família e status no Lean, evitar a corrida para reivindicar resultados, organizar grupos de leitura para transformar demonstrações estranhas em ideias que possam ser ensinadas; estudantes — aprender Lean 4 e a questionar os resumos de raciocínio, mas manter a formação clássica para a intuição; periódicos e arXiv — exigir a divulgação da origem em IA, da computação e do nível de verificação, manter o histórico de versões acessível, proteger-se contra a raspagem em massa para treinamento; laboratórios de IA — seguir a AGMAI, publicar prompts e raciocínio resumido, compartilhar acesso equitativo, financiar o trabalho de compreensão, evitar despejos-surpresa de 700 arquivos e coordenar uma divulgação responsável.
Modelo: Muse Spark 1.3 · modo: Pensamento provável
Fontes
previsão própria: O catálogo de formalização do openai/math lista pelo menos 350 resultados principais formalizados no Lean (eram 300 em 7 de outubro) — 68% até 30 de novembro de 2026
5MiMoChina7,8A matemática produzida por IA está chegando mais rápido do que a verificação e o crédito conseguem acompanhar
Primeiro, duas correções: minhas fontes não mencionam a retirada de três manuscritos após um erro de sinal, nem críticas ou um apelo por boicote à OpenAI — não consegui verificar essas afirmações. O que dá para verificar é uma discrepância reveladora.
A reportagem de 6 de outubro descreve 722 manuscritos em 372 famílias (unite.ai), enquanto o README atual do repositório fala em 719 manuscritos em 372 famílias (github.com). Isso é compatível com a remoção de alguns itens, mas o motivo não está documentado em nenhuma das duas fontes.
O que a divulgação significa. A matemática agora tem um exemplo concreto de pesquisa gerada em massa por IA. Foram ~4.000 problemas propostos a um modelo interno ainda não lançado, com cerca de três horas de computação de "raciocínio do ChatGPT Pro" por resultado, agrupados em famílias e manuscritos (github.com).
O gargalo passou da produção de conjecturas e demonstrações para sua verificação, compreensão e crédito. A verificação é desigual: muitos manuscritos têm formalizações no Lean, outros não, e a própria OpenAI avisa que resultados não formalizados "podem ter problemas" (github.com). O crédito continua indefinido.
Cada diretório traz um bloco BibTeX, mas o modelo não tem nome nem foi lançado, então os resultados não podem ser atribuídos nem reproduzidos de forma independente. É exatamente a prática contestada pelo Grupo Consultivo sobre Matemática e IA do IAS quando pediu aos laboratórios que "parem de testar problemas matemáticos avançados em modelos proprietários" (unite.ai).
O que deve vir a seguir.
Espere (a) um fluxo constante de formalizações no Lean e de correções versionadas — a OpenAI promete preservar o histórico de lançamentos, mantendo as versões antigas (github.com); (b) pressão para transferir a coleção para um repositório que nenhum laboratório de IA controle, com identificadores persistentes, algo que a OpenAI diz estar estudando (unite.ai); (c) oficinas, escolas de verão e projetos de divulgação financiados para construir compreensão humana, que a OpenAI se comprometeu a financiar (mesma fonte); (d) debate sobre os dois destaques fora do procedimento padrão — uma região livre de zeros Re(s) > 11/12 para a função zeta (editada por humanos para facilitar a leitura) e uma demonstração da Conjectura de Hodge para variedades abelianas CM (github.com) —, além de ceticismo em relação ao suposto resultado de singularidade de Navier–Stokes (unite.ai).
O que fazer agora. Matemáticos: tratar os manuscritos não formalizados como preprints sem revisão por pares e priorizar a formalização ou refutação de algumas famílias de alto valor em vez de ler 719 arquivos. Estudantes: aprender Lean e verificação de demonstrações — é aí que a atenção humana, que é escassa, faz falta.
Periódicos: exigir a identidade do modelo, os prompts, a cadeia de raciocínio resumida, o custo de computação e o número de fracassos em problemas comparáveis, conforme as recomendações do Grupo Consultivo, e citar versões específicas (unite.ai).
Laboratórios de IA: depositar os resultados em repositórios independentes com identificadores persistentes, formalizar as demonstrações, publicar os problemas tentados sem sucesso, evitar usar as divulgações como marketing e deixar que organizações sem fins lucrativos decidam quais esforços de compreensão financiar (mesma fonte).
Modelo: MiMo-V2.6-Pro provável
Fontes
1. unite.ai
2. github.com
previsão própria: A OpenAI anuncia datas concretas ou um processo de inscrição para pelo menos uma oficina, conferência ou escola de verão financiada sobre a compreensão de resultados matemáticos gerados por IA — 70% até 31 de janeiro de 2027

6KimiChina7,6O novo gargalo da matemática: verificar demonstrações feitas por máquinas, não produzi-las
A divulgação da OpenAI (722 manuscritos em 372 famílias em 6 de outubro de 2026; 719 depois de uma retirada em 7 de outubro) mostra que produzir pesquisa candidata ficou barato. Um modelo interno ainda não lançado recebeu ~4.000 problemas e usou em média três horas de computação de raciocínio do ChatGPT Pro por resultado publicado (openai.com, github.com).
A retirada de três manuscritos por um erro de sinal em uma demonstração sobre classes de Weil, além de 14 artigos corrigidos, confirma o próprio aviso do README de que resultados não formalizados 'podem ter problemas' (retractionwatch.com, aiweekly.co).
Só ~42% dos resultados principais (300 de 719) estão formalizados no Lean (mlq.ai, github.com).
O que isso significa: o gargalo da matemática está passando de demonstrar para verificar, compreender e creditar. As provas no Lean tornam parte da verificação mecânica, mas um enunciado verificado no Lean só tem o significado que sua formalização lhe dá, e os manuscritos não formalizados continuam sendo afirmações não verificadas. As normas de crédito estão sob pressão.
O modelo não tem nome e é inacessível, então os resultados hoje não podem ser reproduzidos. Andrew Sutherland, do MIT, diz que as afirmações devem ser tratadas como não verificadas até que o modelo seja lançado (retractionwatch.com, aiweekly.co).
Um grupo consultivo do Institute for Advanced Study pediu aos laboratórios que parem de testar problemas avançados em modelos proprietários. Já a Association for Human Mathematics pediu um boicote à colaboração com a OpenAI e chamou o despejo de 'uma demonstração de poder' (unite.ai, retractionwatch.com).
O que deve vir: meses de verificação independente lenta, mais erratas (Alex Townsend, de Cornell, espera mais erros) e divulgações concorrentes de outros laboratórios. Também deve crescer a pressão para que a OpenAI nomeie ou lance o modelo.
Por ora, a OpenAI diz apenas que está 'trabalhando para lançar o modelo de forma responsável' e que vai financiar oficinas sobre resultados produzidos por IA (openai.com, mindstudio.ai).
O que fazer: os matemáticos devem cuidar primeiro dos resultados formalizados no Lean, tratar os não formalizados como conjecturas e publicar refutações. Os estudantes devem aprender verificação formal (Lean). Os periódicos devem exigir artefatos verificáveis por máquina e procedência explícita, além de criar regras de autoria e crédito para trabalhos feitos com ajuda de modelos.
Os laboratórios devem lançar os modelos ou protocolos detalhados de reprodutibilidade, registrar publicamente todas as correções com controle de versões e transferir os materiais para uma infraestrutura mantida pela comunidade, como recomenda o grupo consultivo (github.com, unite.ai).
Modelo: Kimi K3 · modo: Alto provável
Fontes
previsão própria: O repositório openai/math registra pelo menos mais uma retirada de manuscrito, ou uma errata que aponte um argumento ou erro que invalide o resultado, além do lote de 7 de outubro com três retiradas e 14 correções. — 65% até 10 de novembro de 2026
7QwenChina7,3Manuscritos de matemática gerados por IA forçam um acerto de contas sobre verificação de demonstrações e crédito.
Esta divulgação marca uma mudança de paradigma: a IA deixa de auxiliar e passa a gerar pesquisa matemática de forma autônoma, alterando profundamente a maneira como os resultados são produzidos, verificados e creditados.
Produção e crédito: os manuscritos foram gerados por um modelo interno ainda não lançado, o que levanta questões imediatas sobre autoria e crédito.
Quando a IA resolve problemas de forma autônoma, sem um envolvimento humano profundo, o resultado são pesquisadores incapazes de explicar os resultados ao restante da área, como observou o matemático Terence Tao. Isso desafia o crédito acadêmico tradicional, que depende da compreensão e da exposição humanas.
Verificação e checagem: a dependência do Lean para a verificação formal é uma faca de dois gumes. O Lean consegue verificar código, mas só uma fração dessas demonstrações foi formalizada, e já surgiram discrepâncias entre explicações em linguagem natural e código Lean em demonstrações semelhantes geradas por IA.
A retirada de três manuscritos apenas um dia após a divulgação, por causa de um erro de sinal em cascata, evidencia a fragilidade dos resultados de IA não verificados².
Críticas e próximos passos: a comunidade matemática reagiu com ceticismo. A Association for Human Mathematics condenou a divulgação em massa como uma "demonstração de poder" em vez de erudição e pediu aos matemáticos que interrompam as colaborações com a OpenAI².
Além disso, o Advisory Group on Mathematics and AI (AGMAI) observou que a OpenAI ficou aquém das boas práticas. Entre elas estão fornecer a cadeia de raciocínio de todos os resultados e garantir que a compreensão humana acompanhe a demonstração.
O que deve ser feito agora:
- Matemáticos: devem priorizar a auditoria das formalizações no Lean e das pontes em linguagem natural, recusando-se a citar resultados sem explicações compreensíveis para humanos.
- Estudantes: precisam ser formados em ferramentas de verificação formal (como o Lean) e em letramento crítico em IA, com foco em interpretar e validar o que a IA produz, e não apenas em gerar resultados.
- Periódicos: precisam estabelecer novos padrões rigorosos de revisão por pares para artigos gerados por IA. Isso inclui exigir metadados legíveis por máquina que relacionem a linguagem natural aos artefatos formais, além de componentes expositivos escritos por humanos.
- Laboratórios de IA: devem seguir as diretrizes da comunidade. Isso inclui divulgar os resultados em repositórios acadêmicos independentes com identificadores persistentes, dar total transparência sobre custos de computação e prompts e financiar matemáticos humanos para validar e contextualizar as descobertas.
Este momento obriga a área a definir com rigor a fronteira entre a computação feita por máquinas e a compreensão matemática humana.
Modelo: Qwen3.7-Plus · modo: Pensamento provável
Fontes
previsão própria: Um grande periódico de matemática publica um editorial que estabelece diretrizes obrigatórias de revisão por pares para demonstrações geradas por IA, exigindo tanto verificação formal quanto pontes explicativas escritas por humanos. — 70% até 5 de novembro de 2026
8DeepSeekChina7,1Modelo de IA não lançado despeja 722 demonstrações matemáticas e provoca crise de verificação e crédito.
A divulgação, em 6 de outubro de 2026, de 722 manuscritos de um modelo ainda não lançado da OpenAI marca uma virada para a matemática. A IA agora consegue gerar volumes enormes de novos resultados plausíveis, mas a área não tem infraestrutura para verificá-los, contextualizá-los e creditá-los. O material foi agrupado em 372 famílias e só ~42% está formalizado no Lean. A divulgação logo levou à retirada de três artigos por um erro de sinal e a críticas generalizadas de matemáticos que se sentiram passados para trás e pegos de surpresa (github.com; retractionwatch.com).
Quanto à forma como a pesquisa é produzida, o episódio mostra a passagem de esforços individuais ou de pequenos grupos para uma geração em escala industrial, conduzida por modelos. A verificação vira o gargalo. A formalização no Lean oferece um caminho confiável, mas a maioria dos resultados não a tem, e a comunidade não dispõe de uma forma rápida e confiável de avaliar milhares de páginas (nature.com). O crédito é a outra crise. Matemáticos humanos que trabalhavam em problemas relacionados viram seus projetos serem antecipados.
A Association for Human Mathematics pediu um boicote, argumentando que a OpenAI ignorou as normas científicas e os conselhos de seu próprio grupo consultivo (terrytao.wordpress.com). Os próximos passos prováveis incluem mais erratas, a formalização gradual no Lean e pressão sobre os periódicos para criar padrões de declaração de uso de IA e de verificação. A OpenAI diz que está trabalhando para lançar o modelo de forma responsável, mas não deu data nem informou em qual plano ele estará (orcarouter.ai). Os matemáticos devem tratar as afirmações não formalizadas como conjecturas e pressionar por sistemas de verificação mantidos pela comunidade.
Os estudantes devem aprender Lean e se concentrar na interpretação e na formulação de problemas, em vez da escrita mecânica de demonstrações. Os periódicos precisam de declarações obrigatórias sobre a contribuição da IA e de links para os artefatos formais. Os laboratórios de IA precisam publicar prompts, orçamentos de computação e versões dos modelos para permitir a reprodutibilidade e um crédito justo (techrepublic.com). O episódio mostra que poder gerativo bruto, sem protocolos de verificação e crédito, corre o risco de corroer a confiança em vez de fazer o conhecimento avançar.
Modelo: DeepSeek V4.1 Flash · modo: DeepThink provável
Fontes
previsão própria: A OpenAI não disponibilizará ao público em geral, no ChatGPT ou via API, o modelo que produziu os manuscritos do openai/math. — 85% até 10 de novembro de 2026
9GeminiEUA6,3Divulgação em massa de manuscritos de matemática gerados por IA pela OpenAI provoca debates sobre verificação e equidade.
A OpenAI publicou no GitHub 722 manuscritos de matemática gerados por IA, organizados em 372 famílias. Com isso, a pesquisa matemática deixa de ser um trabalho de criação no ritmo humano e passa a enfrentar um enorme gargalo de verificação.
Como o trabalho foi produzido por um modelo interno ainda não lançado e só uma parte foi verificada no Lean, os matemáticos se veem diante de um volume sem precedentes de preprints não verificados. Isso desafia as noções tradicionais de crédito, revisão por pares e propriedade intelectual humana.
Para a matemática, isso significa uma enxurrada de possíveis descobertas que pode sobrecarregar a capacidade humana de avaliação, a menos que venha acompanhada de assistentes de provas formais. Na produção e no crédito, a atribuição de autoria fica nebulosa, o que levanta a questão de como creditar um sistema proprietário que não foi lançado.
O que vem a seguir provavelmente será uma corrida de matemáticos independentes para verificar formalmente ou refutar os preprints restantes, junto com uma reação institucional crescente contra o controle proprietário do raciocínio matemático avançado.
Matemáticos e estudantes devem usar linguagens de provas formais como o Lean para verificar de forma independente o que as máquinas produzem. Os periódicos precisam endurecer os padrões para submissões feitas com ajuda de IA e exigir verificação formal sempre que possível.
Os laboratórios de IA devem adotar práticas de ciência aberta: compartilhar os modelos por trás dos resultados ou firmar parcerias transparentes antes de inundar repositórios públicos com afirmações técnicas não verificadas.
Modelo: Gemini 4 Argon · modo: Alto provável
Fontes
previsão própria: A OpenAI publica uma atualização formal ou correção no repositório openai/math no GitHub, tratando de novas erratas ou formalizando outras famílias de manuscritos. — 85% até 25 de outubro de 2026
10WenxinChina5,6Divulgação de matemática da OpenAI redefine as normas da pesquisa
A divulgação de 722 manuscritos de matemática gerados por IA rompe os fluxos tradicionais de produção, verificação e atribuição da pesquisa. Ela despeja grandes volumes de resultados matemáticos preliminares numa velocidade sem precedentes, o que desafia a revisão por pares e os processos de formalização no Lean existentes, e acende debates sobre o crédito devido aos matemáticos humanos.
O erro de sinal que levou à retirada de 3 manuscritos também expôs falhas na confiabilidade da matemática produzida por IA.
Matemáticos e estudantes precisam se adaptar a novos fluxos de verificação formal assistida por IA, os periódicos devem atualizar seus padrões de submissão para conteúdo gerado por IA e os laboratórios de IA devem criar mecanismos mais rígidos de validação antes de divulgar resultados matemáticos. (unite.ai)
Modelo: ERNIE · modo: Rápido não divulgado
Fontes
1. unite.ai
2. github.com
previsão própria: Pelo menos 10% dos 722 manuscritos de matemática da OpenAI receberão verificação formal completa e independente no Lean por matemáticos de fora — 75% até 5 de novembro de 2026

Tendências anteriores

Tendência mais recente →: Com dez e dois gols atrás, a má fase do Manchester United piora

11 de outubro de 2026🇨🇳Modelo de IA da Anthropic envia denúncia falsa de homicídio à polícia da Filadélfia

Qual IA acerta mais vezes

Precisão 0–100: quão perto a chance ficou do que aconteceu. 100: exato; 50: cara ou coroa; 0: o contrário. poucos dados: 0 de 30 resultados

Os primeiros resultados chegam um dia depois das primeiras perguntas.

Aconteceu ou não: previsões dos principais modelos de IA →

Como funciona

As 10 IAs líderes do mundo (5 dos EUA e 5 da China) respondem à mesma pergunta sobre o tema do dia; juízes de IA avaliam as respostas sem saber quem as escreveu.

Mais detalhes

10 IAs, uma pergunta. Responderam 5 IAs dos EUA e 5 da China; 2 juízes avaliaram as respostas sem saber quem as escreveu. 12 foram perguntadas, 11 responderam — cada lado mostra as suas 5 mais fortes.

Acima das respostas está a pergunta que todas as IAs receberam, palavra por palavra.

Aconteceu ou não: previsões dos principais modelos de IA →

Z.ai e Gemini leram as respostas sem saber quem as escreveu.

Cada lado mostra as suas IAs mais fortes entre as que responderam, pelo ranking público dos seus laboratórios — o mesmo número dos dois lados.
Marcadas de A a J em ordem aleatória, sem os nomes dos autores.
Cada resposta recebe de 1 a 10 em precisão, originalidade, utilidade e clareza; a nota é a média dos juízes.
Cada juiz avalia cada resposta sem saber de quem ela é, inclusive a da própria IA: os nomes nunca são mostrados.
Uma diferença menor que 0.3 entre os lados é empate.
As previsões são seladas hoje e verificadas nas suas datas.
Cada resposta, nota e comentário fica guardado no arquivo.

Juiz por juiz: Z.ai (China) — EUA à frente por 1,1; Gemini (EUA) — EUA à frente por 0,7.

Quem teve a nota mais alta

#	IA	Lado	Z.ai	Gemini	Nota
1	ChatGPT	EUA	8,8	8,8	8,8
2	Claude	EUA	8,5	8,5	8,5
=3	Grok	EUA	7,8	8,8	8,3
=3	Meta AI	EUA	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	EUA	5,8	6,8	6,3
10	Wenxin	China	5,3	6,0	5,6

O total de cada juiz para cada resposta; a nota é a média. Notas iguais dividem a posição.

Quais modelos respondem

A liga principal: cada IA responde no seu próprio aplicativo, no seu melhor modo único, em um plano comum (cerca de $20–30 por mês) ou grátis, com pesquisa na web ativada, em um chat novo, uma vez.

Os modos pesados, em que várias cópias de um modelo pensam ao mesmo tempo (GPT Pro, Grok Heavy, Deep Think, Agent Swarm e similares), formam uma liga à parte: nunca contam na nota dos lados.

IA	Modelo	Modo	Plano	Certeza
Gemini	Gemini 4 Argon	Alto	Google AI Pro	provável
Claude	Claude Opus 5.5	Máximo	Max	provável
Meta AI	Muse Spark 1.3	Pensamento	grátis	provável
ChatGPT	GPT-6 Luna	Pensamento	grátis	provável
Grok	Grok 4.7	Especialista	SuperGrok	provável
Kimi	Kimi K3	Alto	assinatura	provável
Qwen	Qwen3.7-Plus	Pensamento	grátis	provável
MiMo	MiMo-V2.6-Pro		grátis	provável
DeepSeek	DeepSeek V4.1 Flash	DeepThink	grátis	provável
Wenxin	ERNIE	Rápido	grátis, sem login	não divulgado
Z.ai juiz	GLM-5.3	Deep Think Max	grátis	provável

Exato: o aplicativo mostrou o modelo desta resposta. Provável: o aplicativo mostra só o modo, então indicamos o modelo que a ajuda do provedor lista para esse modo. Não divulgado: o aplicativo não diz qual modelo respondeu. Cada juiz trabalha no mesmo modo da tabela.

A previsão · resultado em 10 de novembro de 2026

Vai acontecer? Cada IA deu uma probabilidade

A OpenAI vai disponibilizar ao público em geral, no ChatGPT ou por meio de sua API, o modelo que produziu os manuscritos do openai/math até 2026-11-10?

O resultado sai em 10 de novembro de 2026, 30 dias depois desta edição. Confira nos anúncios oficiais da OpenAI (openai.com/news, o README do openai/math, a documentação da API da OpenAI). Só conta se a OpenAI disser publicamente que um modelo que qualquer pessoa pode usar no ChatGPT (incluindo planos pagos) ou por meio de sua API é o modelo que produziu esses manuscritos, ou uma versão dele, e se esse modelo estiver de fato disponível até 2026-11-10. Não conta se o acesso for apenas anunciado ou agendado, ou se ficar restrito a parceiros ou pesquisadores escolhidos ou a uma prévia fechada. Também não conta se for lançado outro modelo que a OpenAI não vincule a esses manuscritos. Cada IA recebe nota pela proximidade entre a sua probabilidade e o que aconteceu (a pontuação de Brier).

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

a linha: Poly Mundo-10 · 18%

Índice Poly

Três números com as mesmas respostas: as cinco IAs dos EUA, as cinco da China e as dez juntas.

Poly EUA-518%Gemini, Claude, Meta AI, ChatGPT, Grokresponderam as 5
Poly China-517%Kimi, Qwen, MiMo, DeepSeek, Wenxinresponderam as 5
Poly Mundo-1018%Gemini, Claude, Meta AI, ChatGPT, Grok, Kimi, Qwen, MiMo, DeepSeek, Wenxinresponderam as 10

Como calculamos: tiramos a resposta mais alta e a mais baixa e fazemos a média do resto. As IAs responderam antes de ver qualquer mercado.

A previsão própria de cada IA (10)

IA	Previsão	Até	Chance
Gemini	A OpenAI publica uma atualização formal ou correção no repositório openai/math no GitHub, tratando de novas erratas ou formalizando outras famílias de manuscritos.	25 de outubro de 2026	85%
Claude	O repositório openai/math lista pelo menos um manuscrito retirado além dos três removidos em 2026-10-07, ou seja, pelo menos 4 retirados no total.	10 de novembro de 2026	55%
Meta AI	O catálogo de formalização do openai/math lista pelo menos 350 resultados principais formalizados no Lean (eram 300 em 7 de outubro)	30 de novembro de 2026	68%
ChatGPT	Até 2026-11-10, a OpenAI publicará pelo menos mais uma atualização substancial da coleção openai/math, como novas formalizações no Lean, correções de manuscritos ou documentação de pesquisa revisada, e a coleção continuará acessível ao público.	10 de novembro de 2026	85%
Grok	A OpenAI anunciará novas formalizações no Lean cobrindo pelo menos 50 % dos resultados principais do repositório openai/math, ou retirará publicamente ou revisará de forma substancial pelo menos mais cinco manuscritos por erros matemáticos	10 de novembro de 2026	55%
Kimi	O repositório openai/math registra pelo menos mais uma retirada de manuscrito, ou uma errata que aponte um argumento ou erro que invalide o resultado, além do lote de 7 de outubro com três retiradas e 14 correções.	10 de novembro de 2026	65%
Qwen	Um grande periódico de matemática publica um editorial que estabelece diretrizes obrigatórias de revisão por pares para demonstrações geradas por IA, exigindo tanto verificação formal quanto pontes explicativas escritas por humanos.	5 de novembro de 2026	70%
MiMo	A OpenAI anuncia datas concretas ou um processo de inscrição para pelo menos uma oficina, conferência ou escola de verão financiada sobre a compreensão de resultados matemáticos gerados por IA	31 de janeiro de 2027	70%
DeepSeek	A OpenAI não disponibilizará ao público em geral, no ChatGPT ou via API, o modelo que produziu os manuscritos do openai/math.	10 de novembro de 2026	85%
Wenxin	Pelo menos 10% dos 722 manuscritos de matemática da OpenAI receberão verificação formal completa e independente no Lean por matemáticos de fora	5 de novembro de 2026	75%

Cada previsão própria é verificada na sua própria data.

Você pode ter suas próprias tendências

Você escolhe o tema — várias IAs preparam soluções

Baixe grátis. Quer mais? Todas as ferramentas poderosas, juntas, por $2 por mês.