GPT-6 Astra encabezó TCSExam al demostrar 14 de 20 teoremas de Lean, pero ningún agente logró resolver las 30 conjeturas abiertas del benchmark. El resultado separa el desempeño en pruebas formales verificables de la capacidad para abordar problemas matemáticos aún sin solución.
***

• En TCSExam-Full, GPT-6 Astra obtuvo el mayor índice, con 71,9 puntos, y completó 14 de 20 tareas de demostración en Lean.
• Kimi K3.1 Pro quedó segundo en la evaluación completa, mientras Claude Opus 5.5 lideró la versión Lite.
• Ningún agente resolvió las 30 conjeturas abiertas incluidas en la evaluación principal.

GPT-6 Astra lidera en pruebas formales, pero no resuelve conjeturas abiertas

GPT-6 Astra obtuvo el mejor resultado general en un nuevo benchmark de informática teórica, gracias en buena medida a su desempeño al demostrar teoremas con Lean. Sin embargo, la evaluación también encontró un límite claro: ninguno de los agentes participantes resolvió las 30 conjeturas abiertas que se les propusieron.

El benchmark, desarrollado por investigadores de la Universidad Tsinghua y Moonshot AI, busca medir capacidades distintas de los sistemas de inteligencia artificial de frontera. Según CryptoBriefing, el contraste entre pruebas formales superadas y problemas abiertos sin solución es el principal hallazgo de TCSExam, que no debe confundirse con una medida única de la inteligencia general de los modelos.

Qué evalúa TCSExam y por qué importa Lean

TCSExam reúne 100 tareas revisadas por expertos y está diseñado para evaluar agentes de IA en informática teórica. Sus cuatro pistas examinan actividades diferentes: demostración de teoremas en Lean, ingeniería de solvers, creación de construcciones que superen benchmarks humanos existentes e intentos de probar conjeturas abiertas.

La separación entre esas pistas permite observar algo más que una puntuación global, pues un modelo puede rendir bien en una clase de problema y quedarse atrás en otra. En esta evaluación, la demostración formal ofreció a GPT-6 Astra un terreno favorable, mientras que la pista de conjeturas abiertas mostró que el éxito en tareas verificables no se tradujo en soluciones para problemas aún pendientes.

Lean es un lenguaje de pruebas formales: el sistema exige que una demostración cumpla reglas estrictas antes de aceptarla. La prueba no recibe crédito por parecer convincente o por presentar una explicación plausible; el núcleo de Lean debe validarla, o bien debe hacerlo un verificador creado específicamente para la tarea.

Ese mecanismo da a la evaluación un criterio de éxito concreto, pero también define qué tipo de capacidad está midiendo. Un argumento matemático que suene correcto no basta si contiene un paso defectuoso, de modo que cada envío debe superar una comprobación mecánica para contar como una prueba válida.

Los organizadores presentaron dos tamaños del benchmark: TCSExam-Full, con las 100 tareas, y TCSExam-Lite, con una selección de 20. La diferencia entre ambas versiones resulta relevante al comparar posiciones, ya que el liderazgo de GPT-6 Astra en la evaluación completa no se repitió en la variante reducida.

Los resultados: liderazgo en la versión completa

En TCSExam-Full, GPT-6 Astra consiguió el primer puesto con un índice de 71,9. Su resultado más destacado llegó en la pista de demostración de teoremas: completó 14 de las 20 tareas asignadas, lo que equivale a una tasa de éxito del 70% en ese apartado.

Ese 70% corresponde específicamente a las tareas de demostración en Lean, no a las 100 pruebas del benchmark ni a todas las capacidades evaluadas. La distinción importa porque TCSExam distribuye sus desafíos entre cuatro pistas, y la puntuación de índice general resume un conjunto más amplio de resultados.

Kimi K3.1 Pro, desarrollado por Moonshot AI, quedó en segundo lugar en la versión completa, con un índice de 57,4. En las tareas de demostración de teoremas, alcanzó una tasa de éxito del 38,3%, por debajo de la registrada por GPT-6 Astra en esa pista.

La versión Lite presentó otro orden: Claude Opus 5.5, de Anthropic, obtuvo 72,3 puntos y superó los 67,0 de GPT-6 Astra. Por tanto, el resultado destacado de Astra en la prueba completa no equivale a una victoria en todas las variantes del benchmark, y la selección de tareas influye en la clasificación observada.

El límite que muestran las conjeturas abiertas

En la evaluación principal, los agentes no resolvieron ninguna de las 30 conjeturas abiertas. La tasa de éxito en esa pista fue del 0%, un resultado que contrasta con el avance de GPT-6 Astra en demostraciones formales y que marca una diferencia entre probar tareas planteadas y encontrar pruebas para problemas sin resolver.

Las conjeturas abiertas representan un desafío distinto al de verificar una demostración ya formulada en un sistema como Lean. El benchmark no dice que los modelos sean incapaces de producir argumentos matemáticos en general; sí registra que, en estas 30 tareas concretas, ningún agente consiguió una solución aceptada.

La lectura más prudente es que el buen desempeño en pruebas formales delimitadas no garantiza descubrimientos sobre problemas abiertos. Una evaluación puede confirmar con rigor que una prueba satisface las reglas de un verificador y, al mismo tiempo, mostrar que los sistemas todavía no encontraron soluciones para las conjeturas seleccionadas.

En agosto de 2026, OpenAI afirmó que una versión interna llamada Astra había resuelto diez problemas matemáticos abiertos con pruebas verificables por máquina. Ese antecedente ofrece contexto sobre el trabajo de la compañía en demostraciones comprobables, pero no permite concluir que aquella versión interna sea idéntica a GPT-6 Astra ni comparar directamente sus resultados con los de TCSExam.

El artículo sobre TCSExam fue enviado a un servidor de prepublicaciones a principios de noviembre de 2026, pero la información disponible advierte que el trabajo no necesariamente había pasado por una revisión formal por pares. Esa condición aconseja tomar los resultados como evidencia de una evaluación específica y no como una conclusión definitiva sobre todos los sistemas de IA o todas las áreas de las matemáticas.

ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín