Envios do First Proof da OpenAI e a estrutura humana por trás deles

O que a OpenAI realmente enviou

Em 14 de fevereiro de 2026, a OpenAI publicou tentativas de prova para os 10 problemas do First Proof, um desafio criado para testar se a IA consegue produzir provas corretas e verificáveis em problemas de pesquisa específicos de um domínio, em vez de respostas curtas ou matemática de competição.

Com base no feedback de especialistas, a OpenAI afirma que pelo menos cinco tentativas — os problemas 4, 5, 6, 9 e 10 — têm alta chance de estarem corretas, com várias outras ainda em análise. Vale destacar que a empresa revisou sua própria avaliação: inicialmente acreditava que o problema 2 provavelmente estava correto, mas depois concluiu que estava incorreto após comentários oficiais e análises da comunidade.

Essa correção pública é o detalhe honesto aqui. Ela mostra que a correção, nesse caso, não é autocertificada; depende de um processo de revisão que a OpenAI não controla, e a própria confiança da empresa estava errada em pelo menos um problema.

A camada de interação fez parte real do trabalho

A OpenAI é surpreendentemente transparente ao admitir que essas provas surgiram de um processo supervisionado e iterativo — não de uma execução autônoma. É na descrição desse fluxo de trabalho que está a substância.

Segundo o próprio relato da empresa, em alguns momentos ela sugeriu estratégias de nova tentativa que tinham funcionado antes, pediu ao modelo que expandisse ou esclarecesse partes de uma prova após receber feedback de especialistas, e promoveu uma troca entre o modelo e o ChatGPT para verificação, formatação e estilo. Em alguns problemas, apresentou a melhor entre poucas tentativas, escolhida por julgamento humano.

Isso representa uma camada de frontend substancial em torno do modelo: uma estratégia humana de direcionamento, um modelo verificador externo e uma seleção manual no final. O preprint ainda inclui um apêndice com padrões de prompt criados para simular essas interações manuais — um reconhecimento de que o próprio ato de prompting faz parte do resultado.

Um alvo em movimento, não uma avaliação fixa

O modelo não ficou constante durante o exercício. O pesquisador James R. Lee descreve ter testado os problemas durante um fim de semana enquanto o modelo ainda estava em treinamento, e viu sua capacidade crescer.

Ele já conseguia resolver dois dos problemas (#9 e #10). Conforme o treinamento avançava, ele foi ficando cada vez mais capaz, chegando a resolver — segundo nossa estimativa — pelo menos mais três. ... É bem incrível ver um modelo ficar visivelmente mais inteligente dia após dia.Montana Labs

Esse contexto é empolgante, mas também complica os números. Tentativas enviadas em momentos diferentes vieram de checkpoints distintos de um modelo que estava sendo treinado ativamente. A própria OpenAI reconhece isso diretamente: "Foi um sprint rápido, e nosso processo não foi tão limpo quanto gostaríamos em uma avaliação devidamente controlada", e afirma que quer trabalhar com os organizadores do First Proof em um framework mais rigoroso.

Por que a transparência sobre o processo importa mais do que a contagem

A OpenAI posiciona o First Proof como evidência de que pesquisa de fronteira inédita — sustentar longas cadeias de raciocínio, escolher abstrações, lidar com enunciados ambíguos, produzir argumentos que resistem ao escrutínio de especialistas — é um teste de capacidade melhor do que benchmarks. É a continuação de uma trajetória já declarada: desempenho de medalha de ouro na IMO (35/42) em julho de 2025, os estudos de caso científicos do GPT-5 em novembro de 2025, e um resultado do GPT-5.2 sobre amplitude de glúons posteriormente verificado por autores.

A implicação específica para quem constrói soluções sobre raciocínio de nível de pesquisa: leia o fluxo de trabalho, não a manchete. Cinco provas provavelmente corretas vieram acompanhadas de orientação para novas tentativas, um segundo modelo como verificador, rodadas de esclarecimento guiadas por especialistas e seleção humana da melhor opção — e uma afirmação feita com confiança acabou se mostrando errada. Para equipes aplicadas, esse padrão é o verdadeiro entregável a ser estudado. O artefato reprodutível não é um número de benchmark; é o apêndice de padrões de prompt e o ciclo de verificação que envolveu o modelo.