--- title: "OpenAI divulga 722 manuscritos matemáticos criados por IA" author: "Gabriela P. Torres" date: "2026-10-07 12:44:00-03" category: "Inteligência Artificial & Dados" url: "http://desbugados.scale.press/portal/desbugados/post/2026/10/07/openai-divulga-722-manuscritos-matematicos-criados-por-ia/md" --- ## Resumo - A OpenAI publicou 722 manuscritos matemáticos gerados por um modelo interno ainda não lançado ao público. - Os trabalhos foram organizados em 372 famílias de resultados e cobrem cerca de quatro mil problemas testados. - Apenas 162 manuscritos tinham formalização em Lean no momento da divulgação. - Pesquisadores independentes verificaram provas específicas, incluindo um resultado relacionado à função zeta de Riemann. - O catálogo inclui tentativas relacionadas à conjectura de Kakeya em quatro dimensões e à hipótese de Riemann, mas isso não significa que os problemas tenham sido resolvidos. - A OpenAI não liberou os pesos, a API, os prompts ou o acesso público ao modelo, limitando a reprodução integral dos resultados. - A empresa pretende financiar discussões sobre os achados e trabalhar para disponibilizar o modelo futuramente. --- Em 6 de outubro de 2026, a **OpenAI** publicou no GitHub uma coleção de **722 manuscritos matemáticos** produzidos por um modelo interno de inteligência artificial ainda não lançado ao público. Os trabalhos foram organizados em 372 grupos de resultados e abrangem cerca de quatro mil problemas testados, mas a própria estrutura da divulgação exige uma leitura menos apressada do que a manchete sugere. Apenas 162 manuscritos tinham formalização na linguagem Lean, usada para conferir provas matemáticas por computador, enquanto o modelo responsável pela geração continuava inacessível. A pergunta, portanto, não é apenas quantos textos foram produzidos, mas quantos resultados podem ser auditados, reproduzidos e tratados como conclusões verificadas. ## O que foi publicado e o que ficou fechado A primeira distinção ajuda a desmontar o anúncio: a OpenAI disponibilizou uma biblioteca de resultados, não uma versão pública do sistema que os gerou. O conjunto reúne **722 manuscritos** distribuídos em **372 famílias de resultados**, com materiais hospedados no repositório openai/math e apresentados sob licença Apache 2.0. Na prática, o público recebeu documentos para leitura e análise, e não uma ferramenta capaz de receber perguntas e produzir novas respostas. A [reportagem da Exame sobre a publicação](https://exame.com/inteligencia-artificial/openai-divulga-722-manuscritos-matematicos-criados-por-ia-ainda-nao-lancada/) descreve justamente essa entrega documental, que permite examinar o que foi produzido sem oferecer o mecanismo de geração para novos testes. Essa diferença muda o significado de expressões como acesso aberto e pesquisa reproduzível. A OpenAI não liberou os **pesos do modelo**, que são os parâmetros internos usados para gerar respostas, nem uma API, isto é, uma interface para que outros sistemas façam chamadas ao modelo. Também não foram divulgados os prompts utilizados, que são as instruções dadas à inteligência artificial, nem acesso público para inferência, o processo de executar o modelo diante de uma nova solicitação. O material consolidado informa ainda uma estimativa média de **três horas de raciocínio do tipo ChatGPT Pro por resultado**. Se o leitor só consegue consultar o produto final, então consegue avaliar os manuscritos publicados, mas não repetir a cadeia completa que levou cada um deles ao papel. ## O filtro Lean separa texto produzido de prova conferida O ponto técnico mais relevante está na diferença entre escrever uma demonstração e formalizá-la. A linguagem **Lean** funciona como um ambiente em que etapas matemáticas são descritas de modo que um verificador computadorizado possa conferir se as regras utilizadas são compatíveis com a conclusão apresentada. Dos 722 manuscritos, apenas **162 contavam com formalização em Lean** no momento da publicação, enquanto os demais estavam em outros estágios de verificação. A OpenAI também publicou arquivos em PDF, fontes em LaTeX, formato usado para preparar documentos científicos, e arquivos Lean no repositório openai/math. O leitor passa, assim, a ter níveis diferentes de evidência dentro da mesma coleção. Mesmo dentro desse conjunto, a checagem precisa ser observada caso a caso. Pesquisadores independentes relataram ter verificado com sucesso provas específicas, incluindo um resultado relacionado à **função zeta de Riemann**, usando ferramentas de terceiros contra a configuração fornecida pela OpenAI. Essa verificação localizada não autoriza concluir que todos os manuscritos estejam corretos, porque a própria empresa informa que os resultados estão em diferentes estágios de análise e admite que materiais não formalizados podem conter erros. A [discussão da comunidade técnica da OpenAI](https://community.openai.com/t/first-look-at-mathematics-manuscripts-from-an-internal-frontier-model-at-openai/1403886) mostra por que os arquivos Lean importam: eles oferecem um caminho concreto para testar determinadas afirmações, em vez de pedir que o leitor aceite a autoridade do texto gerado. ## Problemas ambiciosos não equivalem a soluções confirmadas A lista de temas ajuda a medir a ambição do projeto, mas também mostra por que a linguagem precisa ser precisa. O catálogo inclui **tentativas de abordar a conjectura de Kakeya em quatro dimensões** e a hipótese de Riemann, dois problemas matemáticos de grande alcance. A palavra tentativa é decisiva: ela descreve um esforço de resolução, não uma solução aceita pela comunidade matemática. Quando um manuscrito apresenta uma linha de raciocínio para um problema aberto, o resultado ainda depende da análise das etapas, da verificação formal quando disponível e da avaliação de outros pesquisadores. Se apenas o título do problema for usado como prova de sucesso, então a divulgação deixa de ser lida como catálogo de pesquisas e passa a ser tratada como uma lista de descobertas confirmadas, algo que as fontes não sustentam. A fórmula de capacidade usada pela empresa também precisa ser separada dos dados diretamente auditáveis. Uma das fontes afirma que a OpenAI descreve o sistema como **significativamente mais capaz que o GPT-6 Astra**, mas a mesma documentação informa que não houve liberação dos pesos, da API ou de acesso público para inferência. Sem executar o modelo, o leitor pode examinar os manuscritos e as formalizações disponíveis, porém não consegue testar a afirmação de capacidade nas mesmas condições usadas pela empresa. O raciocínio é simples: se a comparação depende de um sistema fechado, então a coleção publicada permite avaliar alguns resultados, mas não reproduzir integralmente a comparação entre modelos. A quantidade de páginas, por si só, não resolve essa diferença. ## O problema da reprodução continua no centro da divulgação A questão da reprodução ganhou peso porque a OpenAI consultou o **Grupo Consultivo de Matemática e Inteligência Artificial do Institute for Advanced Study** sobre o processo de divulgação. Segundo o material consolidado, a empresa manteve a prática de publicar resultados gerados por sistemas proprietários fechados, o que provocou críticas relacionadas à capacidade de reprodução independente e ao rigor científico. A crítica não depende de negar que alguns resultados possam estar corretos; ela aponta para a dificuldade de repetir o processo completo quando o gerador, os prompts e os recursos internos não estão disponíveis. O leitor pode conferir arquivos e provas específicas, mas não tem como reconstruir todas as condições computacionais que produziram os 722 manuscritos. Esse ponto fica mais claro quando se coloca lado a lado a licença dos documentos e o acesso ao sistema. O repositório foi disponibilizado sob a licença **Apache 2.0**, que estabelece condições amplas para uso do material publicado, mas a licença não transforma o modelo gerador em uma ferramenta acessível. Os textos podem ser baixados e estudados dentro dos limites da licença informada, enquanto a máquina que produziu os resultados permanece sem pesos, API e interface pública. A distinção evita um erro comum em anúncios de inteligência artificial: confundir a abertura dos artefatos finais com a abertura do processo de geração. São camadas diferentes, e cada uma responde a uma pergunta diferente sobre transparência. ## Como interpretar a coleção sem cair na manchete Para ler os manuscritos com algum controle, o primeiro passo é separar três objetos que aparecem juntos na divulgação: o texto matemático, a formalização e o modelo que gerou o material. O texto pode apresentar uma ideia ou uma prova; a formalização em **Lean** pode permitir a conferência computadorizada de determinadas etapas; e o modelo continua sendo uma ferramenta fechada para quem está fora da OpenAI. Os PDFs, as fontes em LaTeX e os arquivos Lean permitem que pesquisadores comparem a argumentação escrita com a versão preparada para verificação, quando essa versão existe. A pergunta prática deixa de ser quantos manuscritos foram publicados e passa a ser qual afirmação está formalizada, qual ainda aguarda checagem e qual permanece como proposta sujeita a erro. O próximo passo anunciado pela empresa é continuar financiando programas de discussão dos achados e trabalhar para disponibilizar o modelo futuramente. Até que esse acesso aconteça, a coleção funciona como um conjunto estático de resultados, com diferentes graus de verificação e sem os elementos necessários para reproduzir toda a geração. O caso da função zeta de Riemann mostra que verificações específicas já foram feitas por pesquisadores independentes, enquanto os **162 manuscritos formalizados** oferecem um ponto de partida mais delimitado para auditorias. A caixa de ferramentas do leitor, portanto, é modesta e concreta: distinguir manuscrito de prova, conferir se há formalização, observar o estágio de verificação e não transformar uma promessa de capacidade em evidência que o material publicado ainda não fornece.