En resumen
GPT-6 Astra alcanzó el primer lugar en ErdosBench al resolver 106 de 226 problemas matemáticos abiertos, aunque OpenAI afirma que las matemáticas no eran una prioridad de optimización. El resultado refuerza la posibilidad de una evolución más desigual de la IA, con avances extremos en áreas específicas.
GPT-6 Astra, el nuevo modelo de OpenAI, alcanzó el primer lugar en ErdosBench, una evaluación centrada en problemas matemáticos abiertos. El desempeño llama la atención porque, según el material publicado por The Decoder, la propia OpenAI afirma que no dirigió sus principales esfuerzos de optimización hacia la investigación matemática. El resultado sugiere que pueden surgir avances relevantes como efecto indirecto de prioridades de desarrollo más amplias.
OpenAI presentó Astra el 11 de septiembre de 2026, en una publicación titulada “GPT-6 Astra: The next generation in intelligence for work”. El dosier proporcionado no incluye el contenido completo de ese anuncio, solo su título y el resumen del feed. Por ello, no es posible atribuir a la empresa detalles técnicos adicionales, métricas de producto o casos de uso que no estén explícitamente presentes en las fuentes disponibles.
La confirmación independiente llegó de un reportaje de The Decoder publicado el 10 de septiembre. Según el texto, Astra obtuvo una puntuación de 3,23 en ErdosBench y resolvió 106 de los 226 problemas evaluados. De ellos, 43 fueron considerados completamente resueltos. El modelo también habría refutado 27 propuestas, una capacidad relevante en matemáticas, donde identificar que una conjetura no se sostiene puede ser tan importante como encontrar una solución.
El benchmark, alojado por ulam.ai, reúne problemas inspirados en los desafíos asociados con Paul Erdős. Aun así, sus resultados no equivalen a una medición completa de la capacidad matemática de un sistema. El propio reportaje señala que la evaluación está lejos de alcanzar la saturación. Esto significa que una posición elevada puede indicar un avance real, pero no permite concluir que el modelo domine la investigación matemática en sentido amplio.
Un avance notable sin optimización dedicada
En la comparación presentada por The Decoder, Astra resolvió más problemas que el modelo Sol en su nivel máximo de razonamiento, que habría alcanzado 78 soluciones. El análisis también describe al nuevo sistema como más sólido en la redacción científica y menos propenso a realizar afirmaciones exageradas. En algunos casos, según el reportaje, Astra habría subestimado sus propios resultados en lugar de presentar conclusiones más ambiciosas de lo que permitían las evidencias.
Przemek Chojecki, desarrollador del benchmark, calificó el desempeño como una mejora sólida del 5 % al 10 % en distintas habilidades de investigación matemática evaluadas. Esta estimación es una declaración atribuida por la fuente al responsable de la evaluación, no una métrica general de desempeño del modelo. También debe interpretarse junto con la advertencia de que el benchmark aún no está saturado y de que la clasificación puede cambiar cuando se evalúen nuevos sistemas.
La clasificación, de hecho, ya cambió. El material informa que Fable 5.1 recuperó posteriormente el liderazgo, con menos problemas resueltos, pero un mejor desempeño general. La divergencia muestra por qué los resultados de los benchmarks deben examinarse más allá de la clasificación final. El número de problemas resueltos, la calidad de las respuestas, la completitud de las demostraciones y la capacidad de refutación pueden medir dimensiones diferentes.
El aspecto central de la noticia está en la explicación atribuida a Jakub Pachocki, científico jefe de OpenAI. En su ensayo “An Alien Mind”, habría escrito que la empresa podría mejorar específicamente a los modelos en investigación matemática mediante un enfoque adicional, pero decidió no priorizar esa dirección ante la urgencia de trabajar en autoaprendizaje recursivo e investigación sobre alineación automatizada.
La elección revela un equilibrio estratégico
Esta decisión cambia la interpretación del resultado. El modelo que lideró el benchmark no sería, según el reportaje, producto de una campaña exclusiva para maximizar el desempeño matemático. Su rendimiento aparece como consecuencia de otras capacidades e inversiones. Esto no demuestra que la optimización específica haya dejado de ser importante, pero indica que las empresas de IA deben elegir cómo distribuir recursos entre mejoras inmediatas en tareas concretas e investigaciones destinadas a acelerar o proteger sistemas futuros.
El dosier también registra la justificación de Pachocki de que el autoaprendizaje recursivo sería necesario para que OpenAI se mantenga en la frontera de la investigación en IA. Se trata de una posición de la empresa, no de un hecho establecido en el material. La fuente menciona además informes sobre modelos internos de matemáticas más avanzados después de la publicación del ensayo, pero esos informes no están detallados ni confirmados en el dosier y, por tanto, no permiten extraer conclusiones firmes.
El reportaje relaciona el caso con la idea de una trayectoria “puntiaguda” para la IA. En ese escenario, los sistemas avanzarían mucho en algunos ámbitos, como la programación y las matemáticas, pero podrían estancarse o incluso retroceder en lenguaje, sentido común o razonamiento social. La hipótesis contrasta con una visión de progreso gradual y amplio en todas las tareas humanas. El resultado de Astra, por sí solo, no demuestra ninguno de estos escenarios.
Qué seguir a partir de ahora
En la práctica, investigadores y usuarios deben evitar tratar el primer lugar en ErdosBench como evidencia de inteligencia general. Es necesario seguir la reproducción de los resultados, la evolución de la clasificación, la calidad de las demostraciones y el desempeño en problemas ajenos al conjunto evaluado. También importa comprobar si las futuras versiones mantienen la cautela descrita en el reportaje o empiezan a producir respuestas más confiadas sin un aumento proporcional de la corrección.
- Nuevas evaluaciones independientes y posibles cambios en el liderazgo de ErdosBench.
- Diferencias entre soluciones completas, parciales y refutaciones correctas.
- Evidencias públicas sobre autoaprendizaje recursivo y alineación automatizada.
- Desempeño de Astra en áreas no matemáticas, especialmente lenguaje y razonamiento social.
Por ahora, la conclusión más segura es limitada: GPT-6 Astra presentó un resultado destacado en un benchmark de matemáticas abiertas, pero este avance ocurrió en un contexto en el que OpenAI afirma priorizar otros frentes. La noticia importa menos como anuncio de una supremacía matemática definitiva y más como señal de que la frontera de los modelos puede seguir avanzando de forma desigual, con capacidades muy sólidas que conviven con limitaciones aún no aclaradas.
Nuestro prisma
El caso de GPT-6 Astra muestra que las clasificaciones de los benchmarks no cuentan toda la historia sobre la dirección de la IA. Un modelo puede liderar una evaluación especializada sin que la empresa haya colocado las matemáticas en el centro de su estrategia. Esto hace más importante separar la capacidad observada, la intención declarada y la inferencia editorial. El principal aspecto que se debe seguir es si estas mejoras indirectas se traducirán en un desempeño confiable fuera de las pruebas y en otras áreas cognitivas.
Fuentes: OpenAI · The Decoder
Preguntas frecuentes
¿Qué es ErdosBench?
Es un benchmark con 226 problemas matemáticos abiertos inspirados en problemas asociados con el matemático Paul Erdős.
¿Cuántos problemas resolvió GPT-6 Astra?
Según el material proporcionado, el modelo resolvió 106 problemas, 43 de ellos completamente, y refutó otros 27.
¿Es Astra el mejor modelo de matemáticas?
Apareció en el primer lugar de ErdosBench, pero la clasificación cambió: Fable 5.1 recuperó el liderazgo con menos problemas resueltos y un mejor desempeño general, según la fuente independiente.
Recibe Radar de IA todos los días
Las noticias de inteligencia artificial que importan — con nuestro prisma y siempre con las fuentes. Gratis.
