Los 722 manuscritos matemáticos de OpenAI: el modelo que hay detrás no tiene nombre, ni precio, ni API

A las 21:47 UTC del 6 de octubre de 2026, un repositorio llamado openai/math apareció en GitHub sin descripción y con un commit inicial. Catorce minutos después, Open​AI lo publicó en X y creó una página complementaria, "Compartir el progreso de la IA en matemáticas". Juntos, esos dos hechos describen un evento sin precedentes: 722 manuscritos matemáticos, agrupados en 372 familias, producidos por un modelo de frontera interno que Open​AI no ha nombrado, no ha puesto precio, y no se puede invocar desde ninguna API. Los modelos por encima de los cuales se sitúa son los que realmente puedes alcanzar hoy — GPT-6 Astra a $10 / $50 por millón de tokens y GPT-6.1 Sol a $2 / $10 — y ninguno de ellos escribió estos artículos. Open​AI dice que el modelo que lo hizo todavía se está entrenando, y que está trabajando en "liberarlo de forma responsable". Esto es lo que se ha verificado hasta ahora, lo que no, y la única pregunta que un lector debería sacar de esto.

Empieza por lo que este lanzamiento no es. No es el lanzamiento de un modelo: no hay tarjeta de modelo, ni identificador, ni ventana de contexto, ni tabla de benchmarks, ni fecha. No es un artículo: nada de esto ha sido revisado por pares, y OpenAI dice claramente que los resultados sin una formalización en Lean "podrían tener problemas". Y no es una filtración: la razón por la que este texto está escrito en el marco de lo que sabemos hasta ahora no es que el material sea secreto, sino que el propio tema, el modelo, aún no se ha publicado. Todo lo demás que aparece a continuación se puede verificar con el repositorio, la propia publicación de OpenAI y el grupo asesor que OpenAI dice haber consultado.

¿Qué llegó realmente el 6 de octubre?

El repositorio es público, tiene licencia Apache-2.0 y está escrito en Lean. Su README afirma que el catálogo "contiene 722 manuscritos organizados en 372 familias", donde una familia agrupa un resultado principal con argumentos complementarios, consecuencias o demostraciones alternativas. El mapa de manuscritos es lo bastante detallado para auditarlo: 372 familias con un resultado principal cada una, listadas con sus artículos integrantes y, cuando están disponibles, un enlace de formalización en Lean.

La publicación de OpenAI añade las cifras de procedencia, que son propias y no están auditadas de forma independiente:

• Problemas planteados — aproximadamente 4.000, de los cuales se seleccionaron las familias publicadas

• Cómputo por resultado — en promedio, el equivalente a aproximadamente tres horas de pensamiento de ChatGPT Pro

• Resúmenes de razonamiento — 10 publicados, que abarcan familias que incluyen el exponente de irracionalidad de π, las conjeturas de Mahler simétrica y general, la conjetura de finitud directa de Kaplansky en característica dos, la fórmula de Mézard–Parisi para vidrios de espín diluidos y el sistema de Vlasov–Maxwell relativista tridimensional

• Política de revisiones — las nuevas versiones se publican para incorporar correcciones, y las versiones anteriores se mantienen accesibles

Los temas abarcan todo el mapa: teoría de números, geometría algebraica y compleja, combinatoria, informática teórica, álgebras de operadores, probabilidad y física matemática. Algunos de los títulos de la familia son, a primera vista, afirmaciones muy grandes — un contraejemplo a la conjetura de cobertura de Ryser, multiplicación de enteros por debajo de n log n, multiplicación de matrices con exponente como máximo 9/4, las conjeturas de Mahler, contraejemplos a Baum–Connes y Kadison–Kaplansky. Que una de ellas sea cierta es exactamente la cuestión que esta publicación no resuelve por ti.

El modelo no tiene nombre ni ha sido lanzado, y OpenAI dice que está en camino.

El README es inequívoco respecto al autor: "manuscritos matemáticos y artefactos de demostración de apoyo producidos por un modelo interno de OpenAI", y la gran mayoría se obtuvo "usando un modelo interno de OpenAI no publicado". Ni nombre, ni nombre en clave, ni tamaño. Los nombres que circulan en otras coberturas no han sido confirmados por OpenAI, y no vamos a proporcionar ninguno.

Lo que puede fecharse es la cronología que lo rodea. El 28 de agosto de 2026, según la página de OpenAI sobre su grupo asesor de matemáticas, la empresa “comenzó a entrenar un nuevo modelo interno” que desde entonces ha resuelto el problema del Premio del Milenio de Navier–Stokes y, según el propio recuento de OpenAI, más de 100 problemas abiertos de larga data. El resultado de Navier–Stokes se anunció por separado el 8 de septiembre de 2026, donde OpenAI describió el modelo que lo sustenta como “significativamente más capaz que GPT-6 Astra” y dijo que el entrenamiento seguía en curso. Dos de los manuscritos de la colección de esta semana rompen el procedimiento estándar, lo cual vale la pena señalar porque significa que la publicación no es un único flujo de trabajo uniforme: el trabajo sobre una región libre de ceros para la función zeta de Riemann y una prueba de la conjetura de Hodge para variedades abelianas de CM se manejaron de manera diferente, y OpenAI dice que el texto sobre la zeta fue editado por humanos para mejorar su legibilidad.

Luego, la frase que importa para cualquiera que esté planificando en torno a esto: OpenAI escribe que está "trabajando para lanzar de forma responsable el modelo que produjo estos resultados". Eso es una declaración de intención, no una fecha. Hasta que se lance, los únicos modelos de OpenAI a los que un desarrollador puede llamar son los que ya están en la lista de precios.

Qué significa "verificación" aquí — y hasta dónde llega

Esta es la parte que la mayoría de la cobertura del lanzamiento comprime en una frase, y es la parte que decide cuánto peso darle a cualquier artículo individual.

OpenAI es explícito en que «esta colección incluye resultados en diferentes etapas de verificación». La forma más sólida de evidencia en el conjunto es una formalización en Lean, que permite que una computadora verifique la prueba en lugar de una persona. El propio manifiesto de formalización del repositorio —el catálogo de artículos con un resultado principal formalizado— enumera 162 entradas, por lo que aproximadamente uno de cada cinco de los 722 manuscritos está respaldado por una prueba verificable por máquina en el árbol público. OpenAI dice «a medida que los obtengamos».

La gran mayoría restante no está verificada en ese sentido, y OpenAI no pretende lo contrario con respecto a toda la colección: "Algunos de los resultados no formalizados podrían tener problemas. Nos esforzaremos por corregir rápidamente cualquier problema de ese tipo." Dos detalles estructurales refuerzan que esta es una publicación gestionada y no una abierta: las incidencias están deshabilitadas en el repositorio, y las solicitudes de extracción están restringidas a colaboradores. No hay una vía pública para cuestionar una prueba ya establecida.

Así que la lectura honesta es más limitada de lo que sugiere el recuento del titular:

• Verificado por máquina — 162 manuscritos con un resultado principal formalizado en el árbol público de Lean

• No verificado por máquina — el resto, que la propia OpenAI señala como potencialmente con errores

• Responsabilidad humana — no se nombra a nadie; el propio planteamiento de OpenAI es que ninguna persona comprende los argumentos que subyacen a la mayor parte de lo que se produjo

• Evaluación independiente — ninguna publicada; la selección de qué resultados eran lo suficientemente "significativos" como para incluirlos la hizo OpenAI

Nada de eso significa que el trabajo esté mal. Significa que, por ahora, «OpenAI publicó 722 demostraciones» y «se han verificado 722 demostraciones» son afirmaciones distintas, y solo la primera es cierta hoy.

El grupo asesor adjuntó una condición, y está en el registro.

La publicación de OpenAI dice que consultó al Grupo Asesor Independiente sobre Matemáticas e Inteligencia Artificial del Institute for Advanced Study y se basó en «sus consejos y recomendaciones públicas». Esas recomendaciones se publicaron el 29 de septiembre de 2026, después de que el grupo recibiera más de 600 respuestas de la comunidad matemática, y vale la pena leerlas directamente porque el grupo no se limita a dar el visto bueno.

El mismo documento comienza afirmando que el grupo no respalda en absoluto la práctica: «algunos laboratorios de IA de frontera están probando problemas matemáticos avanzados en modelos propietarios que siguen siendo inaccesibles para la comunidad científica en general... no respaldamos esta práctica y les pedimos que la detengan». El grupo también afirma operar de forma independiente, con miembros no remunerados y sin poder de decisión sobre OpenAI —una descripción de la relación de la que se hace eco la propia publicación de OpenAI.

Donde las recomendaciones del grupo y esta publicación coinciden es en el proceso: una revisión exhaustiva de la literatura con citas a los trabajos que introdujeron las ideas, informes de demostraciones elaborados con un estilo estándar en lugar de con la salida bruta del modelo, y un versionado que conserva las publicaciones anteriores. Donde no coinciden es en la parte que el grupo considera central: que un laboratorio que publica resultados que nadie entiende debería financiar la comprensión humana que ha de venir después, mediante talleres, conferencias y programas, y que este trabajo siga siendo liderado por la comunidad y no dirigido por el laboratorio. OpenAI se ha comprometido a financiar "una serie de talleres, conferencias y programas especiales en torno a la comprensión de los principales resultados producidos por la IA" y dice que los detalles se darán a conocer más adelante. Ese es el punto abierto, y es a ese al que hay que exigirles cuentas.

Qué puedes llamar hoy y para qué sirve realmente el enrutamiento aquí

No hay forma de enviar una solicitud al modelo que produjo estos manuscritos, y ninguna plataforma de terceros puede enrutarla — cualquier anuncio que afirme lo contrario está describiendo un modelo que no existe en el catálogo de nadie. Los modelos de OpenAI en producción son la línea GPT-6 activa, y sus cifras están en la lista de precios en lugar de inferirse:

• GPT-6 Astra — $10 / $50 por millón de tokens, $1 de lectura de caché; nivel de contexto largo por encima de 272K tokens de prompt a $20 / $75; contexto de 1.05M tokens, salida máxima de 128K

• GPT-6.1 Sol — $2 / $10 por millón de tokens, $0.10 por lectura de caché; mismo escalonamiento por contexto largo a $4 / $15; contexto de 1.05M tokens, salida máxima de 128K

Ambos están en el catálogo de OrcaRouter, que es el punto práctico para cualquiera que lea este anuncio como una señal sobre la capacidad: los modelos que se te permite usar hoy son también los modelos en torno a los cuales ya están moldeados tus prompts, y la brecha entre ellos y el interno es precisamente la brecha que OpenAI está pidiendo a los matemáticos que le ayuden a cerrar.

Esa brecha es también una razón para mantener la facturación de experimentación separada de la ruta de producción. Cuando OpenAI finalmente ponga un nombre y un precio a este modelo, la primera semana será una avalancha de afirmaciones de benchmarks sin verificar y mucho trabajo de reintegración en pánico — el argumento de enrutamiento para una plataforma como la nuestra es que probar un modelo no comprobado te cuesta entonces una cadena de modelo, no una migración. GPT-6 Astra se sitúa en $10 / $50 y GPT-6.1 Sol en $2 / $10 por millón de tokens, passed through at list price with 0% markup, así que un cambio de precio del proveedor está activo el mismo día en que llega. La conmutación por error automática significa que un nuevo modelo puede llevar una fracción del tráfico y ser descartado sin que ello derribe la ruta de solicitudes, y el DSL de enrutamiento te permite componer varios modelos en una sola llamada si quieres una segunda opinión sobre una derivación larga en lugar de una única respuesta. Nada de eso se aplica a un modelo que no se ha lanzado — pero es exactamente la infraestructura que quieres tener en su lugar antes de que lo haga el siguiente.

Qué ver a continuación

Cuatro cosas, en el orden en que probablemente importen. El recuento de formalizaciones, porque es el único número de esta publicación que puede pasar de «OpenAI lo dice» a «una máquina lo verificó», y es público. La primera evaluación verdaderamente independiente de un resultado con nombre —un matemático ajeno a OpenAI que analiza en público un artículo concreto, no un resumen de la colección—. El repositorio alojado por la comunidad que OpenAI dice que aún está explorando, lo que sacaría el artefacto de la propia cuenta de OpenAI y lo pondría en manos del campo. Y el lanzamiento del modelo en sí, al que OpenAI se ha comprometido pero para el que no ha fijado fecha.

¿Significan los 722 manuscritos que la IA ha resuelto estos problemas?

Para un subconjunto, si las matemáticas se sostienen: la colección afirma contraejemplos y demostraciones en problemas abiertos bien conocidos, y 162 de los artículos cuentan con una formalización comprobable por máquina detrás de su resultado principal. Para el resto, la afirmación es que un modelo produjo un manuscrito sobre el problema, lo cual es una declaración más débil que una solución verificada, y la propia OpenAI advierte que los resultados no formalizados pueden contener errores. La distinción entre “produjo una demostración” y “tiene una demostración” es toda la historia de este lanzamiento.

¿Hay algo de esto que sea utilizable en un producto hoy en día?

No. Los manuscritos son PDF, fuentes Lean y resúmenes de razonamiento: artefactos de investigación, no un servicio. No hay ID de modelo, ni endpoint, ni precio, ni formulario de solicitud de acceso. La parte prácticamente útil del lanzamiento para un desarrollador es la confirmación de que OpenAI tiene en entrenamiento un modelo sustancialmente superior a GPT-6 Astra, lo cual es una señal de planificación para los próximos doce meses más que algo que puedas invocar esta semana.

¿Por qué OpenAI publicó resultados en lugar del modelo?

Porque ambos tienen un significado distinto. Publicar manuscritos es reversible —OpenAI hace públicas versiones anteriores y dice que corregirá los problemas—, mientras que lanzar el modelo no lo es. OpenAI afirma que está trabajando para lanzarlo de forma responsable, y las recomendaciones del grupo asesor, en las que la compañía dice haberse basado, se articulan exactamente en torno a esta secuencia: poner los resultados en manos de los especialistas del campo con citas y compartición de versiones, financiar la comprensión que debe venir después.

La versión de una sola línea para quien le eche un vistazo rápido: un conjunto de matemáticas producidas por IA genuinamente sin precedentes se hizo público el 6 de octubre, aproximadamente una quinta parte verificado por máquina, nada revisado por pares, todo vinculado a un modelo que no puedes usar. La pregunta interesante no es si el modelo es capaz —tres horas de cómputo de pensamiento de frontera por resultado en 4.000 problemas responden a eso, y Open​AI dice que el modelo es significativamente más capaz que GPT-6 Astra—, sino si la verificación y la comprensión humana se pondrán al día antes de que el próximo lanzamiento deje obsoleto a este.