OpenAI ha publicado en GitHub 722 manuscritos matemáticos generados por un modelo interno que todavía no está disponible. El volumen es llamativo, pero la cifra que decide cuánto confiar no es 722: es cuántos resultados tienen una prueba formal comprobable y cuántos siguen pendientes de revisión matemática independiente.
El anuncio de OpenAI, fechado el 6 de octubre, agrupa los trabajos en 372 familias. El repositorio openai/math incluye PDF, fuentes, instrucciones de cita, un catálogo de formalizaciones en Lean y diez resúmenes abreviados del razonamiento. La compañía dice que planteó unos 4.000 problemas al modelo y que cada resultado consumió, de media, el equivalente a tres horas de razonamiento de ChatGPT Pro.
Una biblioteca de resultados no equivale a 722 teoremas confirmados
El propio README advierte de que los manuscritos están en fases distintas de verificación y que los no formalizados pueden contener errores. Un recuento reproducible del catálogo público identifica 162 resultados principales con formalización en Lean: aproximadamente el 22 % del total de manuscritos. Esa comparación no significa que los otros 560 sean falsos; significa que no tienen el mismo tipo de comprobación mecánica publicada.
Lean comprueba que una demostración formal se deriva de unas definiciones y axiomas expresados en el sistema. No decide por sí solo si el resultado es importante, si la formulación capta exactamente la pregunta original o si las referencias y el contexto histórico están completos. Para eso siguen haciendo falta especialistas.
Cómo leer la colección sin dejarse arrastrar por el número
- Empieza por la familia, no por el PDF suelto: puede haber un resultado principal, consecuencias y demostraciones alternativas.
- Comprueba si la entrada enlaza una formalización y qué versión de las dependencias utiliza.
- Separa «formalizado» de «revisado por pares». Son controles distintos y ninguno reemplaza al otro.
- Revisa el historial de versiones. OpenAI promete conservar las anteriores y publicar correcciones como versiones nuevas.
- Busca comentarios de matemáticos del área antes de repetir que un problema abierto está resuelto.
La publicación bajo licencia Apache 2.0 facilita descargar, inspeccionar y citar los artefactos. También traslada una carga real a la comunidad: cientos de textos nuevos compiten por la atención de quienes pueden verificarlos. La cobertura de The Information recuerda que una divulgación anterior de OpenAI sobre Navier–Stokes ya provocó controversia por el crédito y por el uso de trabajo matemático no publicado.
La aportación útil está en hacer visible la deuda de verificación
El repositorio mejora la auditabilidad frente a una nota de prensa: hay fuentes, versiones y pruebas formales que terceros pueden comprobar. Pero la colección no ofrece una certificación uniforme. Nuestra lectura distingue tres niveles: 162 resultados con artefacto Lean catalogado; manuscritos con argumentos legibles pero sin formalización; y afirmaciones generales del laboratorio sobre el modelo y el proceso.
Quien use estos trabajos como base de investigación debería citar la versión exacta, registrar si comprobó el artefacto formal y dejar claro qué parte revisó un experto. «Producido por IA» no vuelve falso un resultado, igual que «publicado en GitHub» no lo vuelve cierto.
Nivel de evidencia: repositorio y documentación primaria, con cobertura periodística independiente. No hemos ejecutado Lean ni validado los teoremas.
Transparencia: artículo elaborado con asistencia de IA a partir de las fuentes enlazadas. No se han ejecutado los productos o sistemas descritos.