OpenAI släpper 722 matematikmanuskript från outgiven gränsmodell på GitHub

OpenAI publicerade 722 matematiska manuskript producerade av en outgiven intern gränsmodell, vilket placerade hela samlingen i ett offentligt GitHub-förråd under en Apache-2.0-licens. Releasen, som tillkännagavs i ett forskningsinlägg med titeln "Dela AI-framsteg i matematik" den 6 oktober 2026, är bland de största enskilda dumpningarna av AI-genererade matematiska resultat hittills, och den kommer med formella Lean-beviskontroller, förkortade resonemangssammanfattningar och ovanliga detaljer om hur mycket beräkning varje resultat förbrukat.

Flytten landar på ett fält som redan är på kant. New York Times rapporterade att utgåvan ytterligare vacklade en matematisk gemenskap som har tillbringat månader med att brottas med AI-system som producerar seriösa forskningsresultat, medan Scientific American beskrev OpenAI som att släppa lös "hundratals fler matematiska resultat på ett fält som redan är i chock." För läsare som spårar den senaste AI-forskningsutvecklingen, är releasen ett testfall för hur frontier labs delar maskingenererad vetenskap utan att antända kredittvister.

Vad finns inuti förvaret

Samlingen finns i openai/math-förrådet på GitHub. Enligt dess README är innehållet matematiska manuskript och stödjande bevisartefakter producerade av en intern OpenAI-modell, sammansatt som en del av modellutvecklingsutvärderingar av öppna forskningsproblem. Den aktuella katalogen innehåller 722 manuskript organiserade i 372 familjer, där en familj grupperar relaterade artiklar som kan innehålla ett huvudresultat, följeargument, konsekvenser eller alternativa bevis, var och en klassificerad efter matematisk disciplin.

En preprints-katalog innehåller PDF-filer, källfiler och instruktioner för citering och byggande per manuskript. Ett Lean-bibliotek katalogiserar de formella proven tillsammans med tillhörande papper och verifieringskonfigurationer. Inte alla manuskript har formaliserats: många resultat innehåller åtföljande formaliseringar i Lean, programmeringsspråket som används för att låta datorer kontrollera korrektur rad för rad, men README varnar för att vissa oformaliserade resultat kan innehålla problem. OpenAI säger att det kommer att åtgärda sådana problem snabbt, och det åtar sig att bevara samlingens offentliga utgivningshistorik, spela in korrigeringar och revisioner som nya versioner samtidigt som tidigare versioner är tillgängliga. Varje manuskriptkatalog har också ett BibTeX-block för citering.

Hur resultaten producerades

De allra flesta resultat kom från en enda, fast procedur med en outgiven intern OpenAI-modell. Under loppet av utvärderingen ställdes modellen för cirka 4 000 problem. OpenAI rapporterar att det genomsnittliga publicerade resultatet förbrukade motsvarande ungefär tre timmars ChatGPT Pro-tänkande, en nivå av transparens som fortfarande är sällsynt i branschen. Företaget säger att det utökade dessa utvärderingar efter att prestanda på sina befintliga matematiska riktmärken mättats, och att vissa resultat bygger på tidigare resultat som producerats av sina egna modeller. Krävde en lämplig nivå av betydelse och aggregering av råproduktion i familjer och manuskript producerade den publicerade katalogen.

Två namngivna undantag avvek från det förfarandet: arbetet med att upprätta en nollfri region för Riemann zeta-funktionen, med uppskrivningen som täcker Re(s) > 11/12-regionen mänskligt redigerad för läsbarhet, och ett bevis på Hodge-förmodan för CM abelska sorter. Båda är seriös mainstream-matematik, och båda kommer nu att bli föremål för granskning av samhället.

Tio förkortade sammanfattningar av modellens resonemang publiceras också. De täcker resultat inklusive irrationalitetsexponenten för pi, de symmetriska och allmänna Mahler-förmodningarna, isomorfismen av fria gruppfaktorer, kvasipolynomiska gränser för aritmetiska progressioner, Kaplanskys direkt-finiteness-förmodan i karakteristisk två, Mezard-Parisi-formeln för utspädd spinn i glasögonen för utspädd spinn och Heinberg, den spontana quamagnetiseringen, tredimensionellt relativistiskt Vlasov-Maxwell-system.

En rådgivande grupp hjälpte till att forma releasen

OpenAI säger att de konsulterade den oberoende rådgivande gruppen för matematik och artificiell intelligens vid Institutet för avancerade studier samtidigt som de utvecklade bästa praxis för att dela resultat. Den gruppen publicerade sina rekommendationer för ansvarsfull utgivning den 29 september 2026, efter att ha fått mer än 600 svar från den matematiska gemenskapen. Rekommendationerna är raka: "vi stöder inte denna praxis, och vi ber dem att sluta testa avancerade matematiska problem på proprietära modeller." Gruppen uppmanar labb att deponera resultat i vetenskapliga förråd som inget AI-labb kontrollerar, att tilldela beständiga citerbara identifierare, att avslöja modellnamnet, de uppmaningar som används och sammanfattade kedjor av resonemang, och att avstå från att behandla resultatsläpp som marknadsföringsverktyg.

OpenAI:s release är helt klart ett försök att följa det ramverket snarare än att trotsa det. Om samhället accepterar det är en annan fråga. Den rådgivande gruppens undersökning frågade specifikt om ett scenario där ett labb tillkännager förekomsten av många resultat utan att tillhandahålla detaljer, och rekommendationerna som dök upp återspeglar djup oro över meddelanden som överträffar verifieringen.

Verifieringsbördan flyttas till matematiker

Den praktiska utmaningen tillhör nu arbetande matematiker. Formella Lean-bevis kan kontrolleras mekaniskt och deras närvaro minskar risken för fel avsevärt. Men manuskript utan formaliseringar, som README själv flaggar som potentiellt felaktiga, kräver traditionell referentgranskning, och 722 manuskript är långt bortom vad samhället snabbt kan ta till sig. Det finns också frågan om prioritet och kredit: matematiker som tillbringade år i närheten av dessa problem kommer att vilja veta exakt vad modellen tillfrågades, vad den gavs och om något mänskligt resultat inkorporerades. OpenAI:s publicering av promptsammanfattningar och beräkna statistik är utformad för att svara på några av dessa frågor i förväg.

Utgåvan anger också en mall som konkurrenter kan behöva följa. Anthropic, Google DeepMind och andra laboratorier med gränsmodeller som kan matematik på forskningsnivå står nu inför en de facto-norm, formulerad av den rådgivande gruppen, att resultat dolda på proprietära modeller antingen bör släppas med fullständig härkomst eller inte retas alls.

För närvarande är förvaret live, formaliseringsarbetet pågår och korrigeringar versioneras offentligt. Huruvida detta blir standardspelboken för AI-genererad matematik, eller en annan flampunkt i en växande konflikt mellan laboratorier och forskningsgemenskaperna de bygger på, kommer att bero på hur de närmaste veckornas granskning går.

Ligg före AI-kurvan

AI-genererad vetenskap går från pressmeddelande till peer review. Följ de senaste AI-nyheterna på aibuzzwire.news för täckning av alla större forskningsreleaser, modelllanseringar och policyskifte.

Läs mer AI-nyheter →