OpenAI:s 722 matematikmanus: Modellen bakom dem har varken namn, pris eller API

Den 6 oktober 2026 kl. 21:47 UTC, ett repo med namnet openai/math dök upp på GitHub utan beskrivning och med en första commit. Fjorton minuter senare publicerade OpenAI det på X och lade upp en tillhörande sida, "Att dela AI-framsteg inom matematik." Tillsammans beskriver dessa två saker en händelse utan motstycke: 722 matematiska manuskript, grupperade i 372 familjer, producerade av en intern frontier-modell som OpenAI inte har namngett, inte har satt något pris på och inte kan anropas från något API. Modellerna som den ligger över är de du faktiskt kan nå i dag — GPT-6 Astra till $10 / $50 per miljon tokens och GPT-6.1 Sol till $2 / $10 — och ingen av dem skrev dessa artiklar. OpenAI säger att modellen som gjorde det fortfarande tränas, och att man arbetar på att "ansvarsfullt släppa" den. Detta är vad som är verifierat hittills, vad som inte är det, och den enda frågan en läsare bör ta med sig av det.

Börja med vad detta släpp inte är. Det är inte en modellansering: det finns inget modellkort, ingen identifierare, inget kontextfönster, ingen benchmarktabell, inget datum. Det är inte en artikel: inget här har referentgranskats, och OpenAI säger rakt ut att resultat utan en Lean-formalisering "kan ha problem". Och det är inte en läcka – anledningen till att den här texten skrivs i en inramning av vad vi vet hittills är inte att materialet är hemligt, utan att själva ämnet, modellen, inte har släppts. Allt annat nedan går att kontrollera mot repositoriet, OpenAIs eget inlägg och den rådgivande grupp som OpenAI uppger att man har konsulterat.

Vad landade faktiskt den 6 oktober?

Repositoriet är offentligt, licensierat under Apache-2.0 och skrivet i Lean. I dess README står det att katalogen "innehåller 722 manuskript organiserade i 372 familjer", där en familj grupperar ett huvudresultat med kompletterande argument, konsekvenser eller alternativa bevis. Manuskriptkartan är tillräckligt detaljerad för att kunna granskas: 372 familjer med ett huvudresultat vardera, listade med sina ingående artiklar och, där sådan finns, en länk till Lean-formalisering.

OpenAI:s inlägg lägger till härkomstsiffrorna, som är dess egna och inte oberoende granskade:

• Ställda problem — ungefär 4 000, från vilka de frigivna familjerna valdes ut

• Beräkningskraft per resultat – i genomsnitt motsvarande ungefär tre timmars ChatGPT Pro-tänkande

• Resonemangssammanfattningar — 10 släppta, som täcker familjer inklusive irrationalitetsexponenten för π, de symmetriska och allmänna Mahlerförmodningarna, Kaplanskys förmodan om direkt ändlighet i karakteristik två, Mézard–Parisi-formeln för utspädda spinglas och det tredimensionella relativistiska Vlasov–Maxwell-systemet

• Revisionspolicy — nya versioner publiceras för rättelser, med tidigare versioner fortsatt tillgängliga

Ämnena spänner över hela kartan: talteori, algebraisk och komplex geometri, kombinatorik, teoretisk datavetenskap, operatoralgebror, sannolikhetsteori och matematisk fysik. Några av familjetitlarna är till synes mycket stora påståenden — ett motexempel på Rysers täckningsförmodan, heltalsmultiplikation under n log n, matrismultiplikation med exponent högst 9/4, Mahlers förmodanden, motexempel mot Baum–Connes och Kadison–Kaplansky. Huruvida ett givet påstående håller är precis den fråga som denna utgåva inte avgör åt dig.

Modellen är namnlös, inte släppt, och OpenAI säger att den är på väg.

README-filen är otvetydig om upphovsmannen: ”matematiska manuskript och stödjande bevisartefakter framställda av en intern OpenAI-modell”, där den stora majoriteten erhölls ”med hjälp av en ännu inte släppt intern OpenAI-modell”. Inget namn, ingen kodbeteckning, ingen storlek. Namn som cirkulerar i annan rapportering har inte bekräftats av OpenAI, och vi kommer inte att tillhandahålla något.

Det som är daterbart är tidslinjen runt det. Enligt OpenAI:s sida om sin matematiska rådgivande grupp "började företaget träna en ny intern modell" den 28 augusti 2026, som sedan dess har löst Navier–Stokes millennieprisproblem och, enligt OpenAI:s egen räkning, fler än 100 långvariga öppna problem. Navier–Stokes-resultatet annonserades separat den 8 september 2026, där OpenAI beskrev modellen bakom det som "betydligt mer kapabel än GPT-6 Astra" och sade att träningen fortfarande pågick. Två av manuskripten i veckans samling bryter mot standardförfarandet, vilket är värt att notera eftersom det innebär att utgivningen inte är en enhetlig pipeline: arbetet med ett nollfritt område för Riemanns zetafunktion och ett bevis för Hodge-förmodan för CM-abelska varieteter hanterades annorlunda, och OpenAI säger att zeta-redogörelsen redigerades av människor för läsbarhet.

Sedan kommer meningen som spelar roll för alla som planerar utifrån detta: OpenAI skriver att man "arbetar för att på ett ansvarsfullt sätt släppa den modell som producerade dessa resultat". Det är en avsiktsförklaring, inte ett datum. Fram till dess att den släpps är de enda OpenAI-modeller en utvecklare kan anropa de som redan finns på prislistan.

Vad "verifiering" innebär här – och var den slutar

Det här är den del som de flesta skildringar av släppet komprimerar till en fras, och det är den del som avgör hur mycket vikt man bör fästa vid en enskild artikel.

OpenAI är tydliga med att "den här samlingen innehåller resultat i olika stadier av verifiering." Det starkaste beviset i paketet är en Lean-formalisering, som gör att en dator kan kontrollera beviset i stället för en människa. Repositoriets egen formaliseringsmanifest – katalogen över artiklar med ett formaliserat huvudresultat – listar 162 poster, så ungefär vart femte av de 722 manuskripten stöds av ett maskinkontrollerbart bevis i det offentliga trädet. OpenAI säger att fler kommer att läggas till "i takt med att vi får dem."

Den återstående stora majoriteten är inte verifierad i den bemärkelsen, och OpenAI låtsas inte något annat när det gäller hela samlingen: "Vissa av de icke-formaliserade resultaten kan ha problem. Vi kommer att sträva efter att snabbt åtgärda alla sådana problem." Två strukturella detaljer förstärker att detta är en hanterad utgivning snarare än en öppen sådan — issues är inaktiverade i repositoriet, och pull requests är begränsade till medarbetare. Det finns ingen offentlig väg att ifrågasätta ett bevis i dess nuvarande form.

Så den ärliga tolkningen är snävare än vad rubrikens antal antyder:

• Maskinverifierad — 162 manuskript med ett formaliserat huvudresultat i det offentliga Lean-trädet

• Inte maskinkontrollerad — resten, som OpenAI själv flaggar som potentiellt innehållande fel

• Mänskligt ansvar — ingen namngiven; OpenAI:s egen framställning är att ingen person förstår argumenten bakom merparten av det som producerades

• Oberoende bedömning — ingen publicerad; urvalet av vilka resultat som var ”signifikanta” nog att inkludera gjordes av OpenAI

Inget av det betyder att arbetet är fel. Det betyder att ”OpenAI släppte 722 bevis” och ”722 bevis har kontrollerats” för närvarande är olika påståenden, och att bara det första är sant i dag.

Den rådgivande gruppen bifogade ett villkor, och det är protokollfört.

OpenAI:s inlägg säger att företaget konsulterade den oberoende rådgivande gruppen för matematik och artificiell intelligens vid Institute for Advanced Study och byggde på ”deras råd och offentliga rekommendationer”. Dessa rekommendationer publicerades den 29 september 2026, efter att gruppen hade fått mer än 600 svar från matematikgemenskapen, och de är värda att läsa direkt eftersom gruppen inte är en gummistämpel.

Samma dokument inleds med att slå fast att gruppen inte alls stöder praktiken: "vissa banbrytande AI-laboratorier testar avancerade matematiska problem på proprietära modeller som fortfarande är oåtkomliga för den bredare vetenskapliga gemenskapen... vi stöder inte denna praktik, och vi ber dem att sluta." Gruppen beskriver sig också som självständigt verksam, med oavlönade medlemmar och utan beslutanderätt över OpenAI – en beskrivning av relationen som OpenAIs eget inlägg upprepar.

Det som stämmer överens mellan gruppens rekommendationer och den här utgåvan gäller processen: en grundlig litteraturgenomgång med hänvisningar till arbetet som introducerade idéerna, bevisredogörelser skrivna i en standardiserad stil i stället för rå modellutdata, och versionshantering som bevarar tidigare utgåvor. Det som inte stämmer överens gäller den del som gruppen kallar central – att ett labb som släpper resultat som ingen förstår bör finansiera den mänskliga förståelsen som måste följa, genom workshopar, konferenser och program, och att detta arbete förblir communityledd snarare än labbstyrd. OpenAI har åtagit sig att finansiera "en serie workshopar, konferenser och särskilda program kring förståelsen av viktiga resultat som producerats av AI" och säger att detaljer kommer att följa. Det är den öppna posten, och det är den man bör hålla dem fast vid.

Vad du kan ringa idag, och vad routing faktiskt är till för här

Det finns inget sätt att skicka en förfrågan till modellen som producerade dessa manuskript, och ingen tredjepartsplattform kan routa den – varje listning som påstår något annat beskriver en modell som inte finns i någons katalog. De OpenAI-modeller som är i produktion är den aktiva GPT-6-linjen, och deras siffror står på prislistan i stället för att behöva härledas:

• GPT-6 Astra – $10 / $50 per miljon tokens, $1 för cacheläsning; nivå för lång kontext över 272K prompttokens till $20 / $75; kontext på 1,05M tokens, max 128K utdata

• GPT-6.1 Sol — $2 / $10 per miljon tokens, $0,10 cacheläsning; samma långkontextnivåer vid $4 / $15; 1,05 M-tokens kontext, 128K max utdata

Båda finns i OrcaRouter-katalogen, vilket är den praktiska poängen för alla som läser detta släpp som en signal om förmåga: modellerna du får använda i dag är också modellerna som dina prompter redan är utformade kring, och gapet mellan dem och den interna är precis det gap som OpenAI ber matematiker att hjälpa sig att stänga.

Det gapet är också ett skäl att hålla experimentfakturan åtskild från produktionsvägen. När OpenAI väl sätter ett namn och ett pris på den här modellen blir den första veckan en flod av overifierade benchmarkpåståenden och en massa panikartat återintegreringsarbete — routingargumentet för en plattform som vår är att det då att prova en oprövad modell kostar dig en modellsträng, inte en migrering. GPT-6 Astra ligger på $10 / $50 och GPT-6.1 Sol på $2 / $10 per miljon tokens, vidarefaktureras till listpris med 0 % påslag, så en leverantörsprisändring är live samma dag som den landar. Automatisk failover innebär att en ny modell kan bära en bråkdel av trafiken och tas bort utan att ta ner förfrågningsvägen med sig, och routing-DSL:en låter dig komponera flera modeller till ett anrop om du vill ha en andra åsikt om en lång härledning i stället för ett enda svar. Inget av det gäller en modell som inte har släppts — men det är exakt den infrastruktur du vill ha på plats innan nästa gör det.

Vad du ska titta på härnäst

Fyra saker, i den ordning de sannolikt kommer att ha betydelse. Antalet formaliseringar, eftersom det är det enda talet i den här utgåvan som kan gå från ”OpenAI säger” till ”en maskin har kontrollerat det”, och det är offentligt. Den första genuint oberoende utvärderingen av ett namngivet resultat – en matematiker utanför OpenAI som offentligt arbetar sig igenom en specifik artikel, inte en sammanfattning av samlingen. Förvaret som hostas av communityn, som OpenAI säger att man fortfarande utforskar, vilket skulle flytta artefakten ut ur OpenAI:s eget konto och in i fältets händer. Och släppet av själva modellen, som OpenAI har åtagit sig men inte schemalagt.

Innebär de 722 handskrifterna att AI har löst dessa problem?

För en delmängd, om matematiken håller: samlingen gör anspråk på motexempel och bevis för välkända öppna problem, och 162 av artiklarna har en maskinkontrollerbar formalisering bakom sitt huvudresultat. För resten är påståendet att en modell producerade ett manuskript om problemet, vilket är ett svagare påstående än en verifierad lösning, och OpenAI självt varnar för att icke-formaliserade resultat kan innehålla fel. Skillnaden mellan "producera ett bevis" och "ha ett bevis" är hela historien med detta släpp.

Är något av detta användbart i en produkt idag?

Nej. Manuskripten är PDF:er, Lean-källor och resonemangssammanfattningar – forskningsartefakter, inte en tjänst. Det finns inget modell-ID, ingen endpoint, inget pris och inget formulär för åtkomstbegäran. Den praktiskt användbara delen av släppet för en utvecklare är bekräftelsen att OpenAI har en modell under träning som väsentligt överträffar GPT-6 Astra, vilket är en planeringssignal för de kommande tolv månaderna snarare än något du kan anropa den här veckan.

Varför släppte OpenAI resultat i stället för modellen?

Eftersom de två har olika riskprofiler. Att publicera manuskript är reversibelt — OpenAI behåller tidigare versioner och säger att man kommer att åtgärda problem — medan att släppa modellen inte är det. OpenAI uppger att man arbetar med att släppa den på ett ansvarsfullt sätt, och den rådgivande gruppens rekommendationer, som företaget säger sig ha utgått från, är uppbyggda kring exakt denna sekvens: få resultaten i händerna på fältet med citeringar och versionshantering, sedan finansiera den mänskliga förståelsen som måste följa.

Enradsversionen för den som skummar: ett genuint aldrig tidigare skådat material av AI-producerad matematik offentliggjordes den 6 oktober, ungefär en femtedel av det maskinkontrollerat, inget av det referentgranskat, allt kopplat till en modell som du inte kan använda. Den intressanta frågan är inte huruvida modellen är kapabel — tre timmars beräkningskraft för frontier-tänkande per resultat över 4 000 problem besvarar det, och OpenAI säger att modellen är betydligt mer kapabel än GPT-6 Astra — utan huruvida verifieringen och den mänskliga förståelsen hinner ikapp innan nästa släpp gör den här föråldrad.