Deep Think Mathematica: Por dentro do modelo matemático vazado do Google, e o grito em seu traço de raciocínio

A coisa mais reveladora sobre Deep Think Mathematica — o modelo matemático do Goo​gle que surgiu em testes internos esta semana — é que ele parece gritar. Uma conta no X que publica sob o nome "Lyra" colocou capturas de tela de registros internos de raciocínio online em 16 de setembro de 2026, e os vestígios parecem menos um assistente de provas do que uma pessoa tendo um insight num quadro branco: "Espera." "Oh meu Deus." E, depois de simplificar uma equação com sucesso, a string SANTA MÃE DA MATEMÁTICA!!!!!!!!!!!!!!!!!!!!!!!! A reação foi imediata e afetuosa — o Goo​gle aparentemente tinha construído uma IA que genuinamente ama matemática. Essa reação também é a coisa menos útil a se tirar do vazamento. Nada aqui foi confirmado pelo Goo​gle. Não há model card, nem ID de modelo em nenhuma lista publicada, nem preço, nem data de lançamento. O que existe é uma string de build, dois rótulos internos, um orçamento de tokens, um conjunto de capturas de tela, e o melhor ponto de comparação já lançado na mesma família, Gem​ini 3.1 Deep Think — um modelo que você pode realmente usar hoje, e o padrão pelo qual este vazamento será eventualmente julgado.

Então, trate tudo abaixo como aquilo que é: uma lista de alegações com uma fonte anexada a cada item, ordenada por quanto peso ela suportará.

O que o sinal realmente diz — e o indício que está logo acima dele

O próprio sinal veio de @testingcatalog, uma conta com um histórico decente especificamente no Google: ela revelou os planos de uso de computador para desktop do Gemini, e capturou o cartão de pré-visualização inicial do Nano Banana 2 sob o nome interno "GEMPIX2" antes de o Google dizer qualquer coisa. Sua postagem de 16 de setembro traz duas alegações de qualidades muito diferentes.

A segunda alegação é o modelo. Um novo "Deep Think Mathematica" foi detectado em testes internos, descrito como um sucessor em espírito do modelo Deep Think IMO que o Google enviou a instituições selecionadas no ano passado.

A primeira afirmação é o indício, e é a que vale a pena entender: "Quando o Gem​ini está prestes a mudar seu plano de fundo, algo grande está sendo preparado." Isso não é um fato sobre um modelo. É uma heurística da comunidade sobre a coreografia de lançamentos do Goo​gle — a observação de que uma atualização visível da superfície do aplicativo Gem​ini precedeu vários dos anúncios maiores do Goo​gle. Heurísticas como essa têm um histórico real e nenhum poder preditivo. Uma atualização de UI não é um modelo.

As duas afirmações não foram verificadas. Nenhuma das duas é um lançamento, e este texto não a trata como tal.

Decodificando a string de build, porque é o artefato mais concreto aqui.

A peça de evidência mais difícil de todas em circulação é um identificador de build atribuído aos logs vazados:

• Caminho de build — models/deepthink-mathematica-tf-raw-thoughts, relatado pelo AI Sight em 16 de setembro de 2026, junto com as capturas de tela.

Essa string recompensa uma leitura atenta, e é aí que a maioria da cobertura para. Três partes dela carregam informação.

• "deepthink" — coloca o modelo na linha Deep Think, em vez da linha principal do Gem​ini. Isso é importante porque o Deep Think é um modo nos produtos lançados do Goo​gle, não uma família separada: é o caminho de raciocínio paralelo que executa várias soluções candidatas ao mesmo tempo.

• "tf" — em contexto, uma abreviatura de "Teamfood", o segundo dos dois rótulos internos relatados juntamente com a build. No vocabulário interno da Goo​gle, trata-se de uma designação inicial, da fase de dogfooding: usada por funcionários, não por clientes.

• "raw-thoughts" — a parte mais interessante, e a chave para os gritos. Isso denota a configuração de cadeia de pensamento não filtrada — o raciocínio do modelo emitido sem ajuste de polidez, restrições de estilo ou filtragem de saída. Uma build de "raw thoughts" não é o produto. É aquilo que os engenheiros observam quando querem ver o que o modelo está fazendo antes que alguém o torne apresentável.

O segundo rótulo relatado é UNSTABLE_EXPERIMENTAL, que é quase autoexplicativo e aponta na mesma direção que "Teamfood": inicial, interno, não para clientes.

Mais dois números são atribuídos aos mesmos registros e têm fonte única, então não os tome como definitivos:

• Janela de contexto —aproximadamente 1.000.000 de tokens, correspondendo à janela de 1M que o Goo​gle já oferece em seus modelos Gem​ini de ponta.

• Limite de saída — 65.536 tokens, o que, para um modelo de raciocínio, significa uma deliberação muito longa antes de uma resposta.

Essa é toda a superfície técnica do vazamento. Um caminho de build, dois rótulos de etapa, uma janela de contexto e um limite de saída. Basta dizer que uma coisa existe em um harness de teste. Não basta dizer quanto ela pontua.

Por que um traço de raciocínio que grita é uma evidência mais fraca do que parece

Os pontos de exclamação são a razão pela qual este vazamento circulou, e são a razão para ter cuidado com ele.

A explicação relatada é trivial e se encaixa exatamente na string de build: uma configuração de raciocínio não filtrada, executada com temperatura de geração alta, com as camadas de polidez e formatação removidas. Quando você remove o ajuste que faz um modelo soar calmo, você não revela a alma dele — revela o sampler dele. Uma saída cheia de exclamações é o que parece uma amostra de alta temperatura de uma continuação excitada. A leitura emocional é um artefato da configuração, não uma descoberta sobre o modelo.

O ponto mais profundo é sobre o que uma cadeia de pensamento é. Um traço de raciocínio é texto gerado que por acaso é útil para resolver problemas. Ler uma transcrição dele e inferir um estado interno — entusiasmo, frustração, deleite — é o mesmo erro de categoria que inferir que uma calculadora está satisfeita quando produz um número inteiro exato. Vale a pena dizer isso claramente porque a cobertura em chinês desse vazamento se apoiou na piada ("等等", "我的天") e parte da cobertura em inglês deixou a piada se cristalizar em uma descrição do caráter do modelo.

Nada disso torna o trace inútil. Expor uma build de pensamentos brutos é evidência genuína sobre uma prática real de engenharia — você só registra raciocínio não filtrado quando está depurando o próprio raciocínio, que é o que você faz com um modelo cuja proposta de valor inteira é a qualidade com que ele raciocina sobre problemas difíceis. E não está comprovado se os traces vieram de depuração deliberada ou de registro não intencional.

O resumo honesto: as exclamações indicam que existe uma configuração bruta de raciocínio. Elas não dizem nada sobre capacidade matemática.

Millennium Bench não é os Problemas do Prêmio Millennium

Vários textos sobre este vazamento, incluindo os resumos de agregadores que circularam em 16 de setembro, põem o modelo "mirando o Millennium Bench" e param por aí. O nome está fazendo um trabalho acidental, porque fica a uma palavra de algo muito mais famoso e muito mais carregado — os sete Problemas do Prêmio do Milênio do Clay Mathematics Institute, cada um com uma recompensa de US$ 1 milhão, e objeto de uma alegação separada e totalmente não confirmada neste mês sobre a Ope​nAI e uma prova de Navier–Stokes. Um relatório daquele tópico diz que o Goo​gle construiu uma IA que "resolveu" o problema em 88 horas. Clay ainda o lista como aberto.

Essas são coisas diferentes, e confundi-las infla consideravelmente esse vazamento.

MILLENNIUM-BENCH, conforme apresentado no artigo da ICLR 2026 "Onde a Dedução Falha: Diagnosticando Falhas de Raciocínio em Matemática de Nível de Pesquisa," é um benchmark de problemas de nível de pesquisa curados por especialistas, abrangendo nove domínios, incluindo física matemática, topologia e probabilidade teórica da medida. Foi construído para exigir dedução sustentada em múltiplas etapas muito além da matemática de competição.

Seu resultado principal é a parte que importa para a leitura deste vazamento. Em cinco modelos de fronteira, executados 100 vezes por problema, o mais forte alcançou no máximo 24% de pass@1 e 39% de pass@3. O diagnóstico do artigo sobre como os modelos falham é mais útil do que as pontuações: alucinação de framework, em que um modelo inventa uma teoria inaplicável e depois raciocina de forma coerente dentro dela, e teoremas fabricados, em que ele cita resultados que não existem, com nomes de autores e números de teoremas inventados.

Tenha essas duas coisas em mente ao mesmo tempo. Um benchmark em que o melhor modelo atinge no máximo cerca de um quarto dos problemas, e cuja falha característica é inventar com confiança, é exatamente o benchmark em que capturas de tela vazadas são menos capazes de demonstrar qualquer coisa. Um modelo que grita enquanto trabalha é um modelo cujo resultado você gostaria que fosse avaliado por outra pessoa que não o próprio autor.

O que o Google realmente lançou nesta linha

O vazamento só é legível em contraste com o registro divulgado, porque a história matemática do Goo​gle é uma progressão documentada e o nome vazado está tomando emprestada a credibilidade dela.

• Julho de 2025 — uma versão avançada do Gemini Deep Think alcançou o padrão de medalha de ouro na Olimpíada Internacional de Matemática, resolvendo cinco dos seis problemas, com 35 dos 42 pontos, avaliada por autoridades da IMO segundo os mesmos critérios aplicados aos estudantes. Demis Hassabis observou que ele funcionou de ponta a ponta em linguagem natural, sem tradução para sintaxe formal.

• 1º de agosto de 2025 — O Goo​gle lançou o Gem​ini 2.5 Deep Think publicamente, mas não o modelo gold. A versão lançada foi descrita pelo Goo​gle como uma variação mais rápida e mais otimizada, alcançando desempenho de nível Bronze no benchmark da IMO de 2025, segundo a avaliação interna do Goo​gle. Ela foi restrita ao nível de consumidor mais alto. Simultaneamente, o Goo​gle deu o modelo gold completo a um grupo seleto de matemáticos e acadêmicos — as "instituições selecionadas" às quais o sinal vazado se refere.

• Dezembro de 2025 — Gem​ini 3 Deep Think, com um grande salto geracional que o Goo​gle relatou como 45,1% no ARC-AGI-2 com execução de código e 41,0% no Humanity's Last Exam sem ferramentas.

• Agora — Gem​ini 3.1 Deep Think, construído sobre o Gemini 3.1 Pro, vendido por meio do nível mais alto de assinatura para consumidores e de um programa de API apenas por convite. Os próprios números publicados pelo Goo​gle, que são relatados pelo fornecedor e não foram reproduzidos de forma independente, o situam em 84,6% no ARC-AGI-2, 48,4% no Humanity's Last Exam sem ferramentas e 53,4% com busca e código, 81,5% na IMO 2025, e um Elo de 3455 no Codeforces.

Dois esforços adjacentes também importam. Aletheia, um agente de pesquisa matemática construído sobre o Gemini Deep Think, é relatado por terceiros com cerca de 95,1% no IMO-ProofBench Advanced — e é notável menos pelo número do que por ter sido projetado para dizer "nenhuma solução encontrada" em vez de inventar uma; no desafio FirstProof de fevereiro de 2026, resolveu 6 de 10 e recusou o restante. E uma configuração de AI Co-Mathematician rodando no Gemini 3.1 Pro teria elevado o desempenho do FrontierMath Tier 4 de 19% para 47,9%.

Vale a pena parar para refletir sobre esse último número, porque ele é o argumento mais forte contra interpretar este vazamento da forma como ele foi redigido. Um salto de 19% para 47,9% em matemática de nível de pesquisa, obtido por um scaffold em torno de um modelo Gemini geral, e não por um novo checkpoint, sugere que os maiores ganhos recentes no desempenho matemático do Google vieram do harness em torno do modelo, não de um modelo especializado por baixo dele. Isso não significa que o Mathematica seja um scaffold. Significa que o ônus da prova para "este é um novo modelo de matemática dedicado" é maior do que a cobertura presumiu.

Mais um elemento de contexto paira sobre tudo isso: a DeepMind foi reestruturada em agosto de 2026, com Demis Hassabis assumindo um cargo de presidente do conselho. Vazamentos vindos de dentro de um laboratório em reorganização não são mais confiáveis do que vazamentos de um laboratório estável, e a cobertura não tratou o momento como relevante. Talvez seja.

Modelo ou arcabouço? A questão que este vazamento não resolve

Há um debate ativo na cobertura sobre se o Mathematica é sequer um novo modelo. Um grupo aponta para o prefixo "deepthink" da build string e o interpreta como um checkpoint separado. Outro grupo — no qual se enquadrou nossa própria análise anterior sobre o boato do Deep Think V3 — sustenta que os resultados matemáticos especializados do Google vêm de scaffolds de agentes em torno de modelos Gemini gerais, e que nenhum modelo matemático separado precisa existir para que os números sejam reais.

A string de build é um ponto modesto a favor do primeiro grupo: models/deepthink-mathematica-tf-raw-thoughts nomeia um modelo, e "raw-thoughts" descreve uma configuração de modelo, e não uma camada de harness. Um andaime não precisaria ter seu raciocínio sem filtro para ser depurado; um modelo cujo pensamento é o produto precisaria. Isso é um sinal real.

Não é uma prova decisiva. Os harnesses também têm configuração, e uma string de caminho interno é escrita por quem configurou o logging, não por um schema. O que resolveria a questão é o que ninguém tem: um model card, ou um endpoint, ou um benchmark executado por alguém sem interesse na resposta.

O que você pode realmente chamar hoje

Nada disso muda o que você pode colocar em produção esta semana, e vale a pena ser franco sobre a lacuna. Deep Think mathematica não está em nenhuma API. Gem​ini 3.1 Deep Think também não é vendido por token — ele está restrito ao nível mais alto de assinatura para consumidor, listado entre US$ 99,99 e US$ 199,99 por mês, dependendo do nível, além de um programa de API apenas por convite. Não há preço publicado por milhão de tokens para ele.

O modelo base no qual ele supostamente se baseia é outra história. O Gemini 3.1 Pro custa US$ 2,00 por milhão de tokens de entrada, US$ 0,20 em cache e US$ 12,00 por milhão de tokens de saída para contextos com menos de 200.000 tokens, subindo para US$ 4,00 / US$ 0,40 / US$ 18,00 acima disso — as próprias tarifas publicadas do Google.

Esse detalhe de preço é onde a decisão prática reside, porque a diferença de custo entre os modos de raciocínio não é pequena. No ARC-AGI-2, o Deep Think é reportado com aproximadamente 85% por cerca de US$ 13,62 por tarefa, contra o Gemini 3.1 Pro com 77% por cerca de US$ 0,96 por tarefa. Você está pagando cerca de catorze vezes mais por oito pontos. Essa é uma troca defensável para um problema de pesquisa difícil e indefensável para um fluxo de produção que lida principalmente com trabalho rotineiro — e a resposta correta geralmente é que você quer que ambos estejam acessíveis a partir do mesmo lugar, em vez de uma decisão de assinatura tomada com antecedência.

Esse é o caso do roteamento em uma única chave. Os modelos Gem​ini que podem ser chamados hoje — Gemini 3.1 Pro Preview, Gemini 3.8 Flash a US$ 0,750 por milhão de tokens de entrada, com leitura de cache a US$ 0,075, e o restante da família — estão no catálogo de 198 modelos em 15 provedores do OrcaRouter, por trás de um único endpoint compatível com a OpenAI. Não há markup sobre o preço de tabela dos provedores, então uma mudança de preço do Goo​gle entra em vigor do nosso lado no mesmo dia, em vez de esperar por uma renegociação de contrato. O failover automático significa que um modelo não comprovado ou em pré-visualização pode ficar em uma rota sem carregar sozinho um caminho de produção, que é exatamente a postura que um modelo vazado merece: experimente, mantenha um fallback, não mude mais nada. A DSL de roteamento compõe vários modelos em uma única chamada, e a fusão de modelos executa um painel e combina as respostas — ambas úteis quando a pergunta é difícil e a posição honesta é que você quer a opinião de mais de um modelo.

Para deixar claro o limite: o OrcaRouter não hospeda o Deep Think mathematica, e não hospeda o Gem​ini 3.1 Deep Think. Eles não estão no nosso catálogo e nada aqui deve sugerir o contrário. O que está no catálogo é a camada Gem​ini por baixo deles.

O que transformaria isso de vazamento em notícia?

Quatro coisas, em ordem aproximada de quanto elas movimentariam a história.

• Um cartão de modelo.Os lançamentos do Deep Think do Google têm vindo acompanhados de avaliações publicadas. Um cartão com números no MILLENNIUM-BENCH ou no IMO-ProofBench Advanced, executados sob condições declaradas, transformaria isto de uma string de build em um modelo.

• Um endpoint. O sinal mais claro seria se o Mathematica aparecesse na API do Gemini ou na lista de modelos do Google sob qualquer nome. Até que isso aconteça, ninguém pode chamá-lo e não existe preço para comparar.

• A rota institucional. O padrão do Google em 2025 era dar o modelo matemático mais forte primeiro a matemáticos selecionados e ao público uma variante mais rápida depois. Um lançamento discreto para pesquisadores se encaixaria nesse precedente e provavelmente apareceria antes de qualquer anúncio de produto.

• Uma execução de terceiros. Dado que o benchmark em questão atinge no máximo cerca de 24% de pass@1 para os melhores modelos disponíveis, e que seu modo de falha característico é a fabricação confiante, uma avaliação independente é a única evidência que se sustenta. Cada número deste texto ou é do próprio Google, ou reportado por terceiros, ou explicitamente sinalizado como não verificado — e nenhum deles veio de um modelo que alguém fora do DeepMind tenha executado.

A única coisa que vale a pena fazer agora é não esperar. A diferença entre o modo matemático do Goo​gle e o seu modelo base é de catorze vezes no custo e oito pontos na precisão, e essa troca já está ativa; pode fazê-la hoje com o Gemini 3.1 Pro Preview numa chave e um fallback por trás dela. Quando o Mathematica receber um model card, vai querer já ter decidido como encaminha problemas difíceis — e a resposta a isso não dependerá do que o modelo vazado venha a ser.