OpenAIs erste Proof-Einreichungen und das menschliche Gerüst dahinter

Was OpenAI tatsächlich eingereicht hat

Am 14. Februar 2026 veröffentlichte OpenAI Beweisversuche für alle 10 Aufgaben von First Proof, einer Challenge, die testen soll, ob KI korrekte, überprüfbare Beweise zu fachspezifischen Forschungsproblemen liefern kann – statt nur Kurzantworten oder Wettbewerbsmathematik.

Basierend auf Expertenfeedback erklärt OpenAI, dass mindestens fünf Versuche – die Aufgaben 4, 5, 6, 9 und 10 – mit hoher Wahrscheinlichkeit korrekt sind, während mehrere weitere noch geprüft werden. Bemerkenswert ist, dass das Unternehmen seine eigene Einschätzung korrigierte: Zunächst hielt man Aufgabe 2 für wahrscheinlich richtig, kam nach offiziellem Kommentar und Community-Analyse aber zu dem Schluss, dass sie falsch war.

Diese öffentliche Korrektur ist das ehrliche Detail dabei. Sie zeigt, dass Korrektheit hier nicht selbstbestätigend ist, sondern von einem Prüfprozess abhängt, den OpenAI nicht kontrolliert – und dass OpenAIs eigene Einschätzung bei mindestens einer Aufgabe falsch lag.

Die Interaktionsebene hat die eigentliche Arbeit geleistet

OpenAI räumt ungewöhnlich offen ein, dass diese Beweise aus einem überwachten, iterativen Prozess stammen – nicht aus einem autonomen Durchlauf. Genau in der Beschreibung dieses Workflows steckt die Substanz.

Nach eigener Aussage schlug OpenAI teilweise Retry-Strategien vor, die sich bei früheren Versuchen bewährt hatten, bat das Modell nach Expertenfeedback, Teile eines Beweises auszubauen oder zu klären, und ermöglichte einen Hin-und-Her-Austausch zwischen dem Modell und ChatGPT zur Verifikation, Formatierung und stilistischen Feinabstimmung. Bei manchen Aufgaben wurde aus mehreren Versuchen der beste ausgewählt – nach menschlichem Urteil.

Das ist ein beträchtliches Frontend rund um das Modell: eine steuernde menschliche Strategie, ein externes Verifikationsmodell und am Ende eine manuelle Auswahl. Der Preprint enthält sogar einen Anhang mit Prompt-Mustern, die diese manuellen Interaktionen nachbilden sollen – ein Eingeständnis, dass das Prompting selbst Teil des Ergebnisses ist.

Ein bewegliches Ziel, keine feste Evaluation

Das Modell blieb während der Übung nicht konstant. Forscher James R. Lee beschreibt, wie er die Aufgaben an einem Wochenende ausprobierte, während das Modell noch trainiert wurde, und dabei beobachtete, wie dessen Fähigkeiten wuchsen.

Schon zu Beginn konnte es zwei der Aufgaben lösen (#9 und #10). Im Laufe des Trainings wurde es zunehmend leistungsfähiger und löste – nach unserer Einschätzung – schließlich mindestens drei weitere. ... Es ist ziemlich unglaublich, zuzusehen, wie ein Modell Tag für Tag greifbar klüger wird.Montana Labs

Diese Einordnung ist spannend, macht die Zahlen aber auch komplizierter. Zu unterschiedlichen Zeitpunkten eingereichte Versuche stammten von verschiedenen Checkpoints eines Modells, das aktiv weitertrainiert wurde. OpenAI räumt das offen ein: „Das war ein schneller Sprint, und unser Prozess war nicht so saubere wie wir es uns für eine wirklich kontrollierte Evaluation wünschen würden“, und man wolle mit den Organisatoren von First Proof an einem rigoroseren Rahmenwerk arbeiten.

Warum die Offenlegung des Prozesses wichtiger ist als die Zahl

OpenAI positioniert First Proof als Beleg dafür, dass echte Grenzforschung – das Durchhalten langer Denkketten, die Wahl geeigneter Abstraktionen, der Umgang mit mehrdeutigen Problemstellungen, das Erstellen von Argumenten, die der Prüfung durch Experten standhalten – ein besserer Fähigkeitstest ist als Benchmarks. Es ist die Fortsetzung einer erklärten Entwicklungslinie: die IMO-Goldmedaillenleistung (35/42) im Juli 2025, die GPT-5-Wissenschaftsfallstudien im November 2025 und ein GPT-5.2-Ergebnis zu Gluon-Amplituden, das später von den Autoren bestätigt wurde.

Die konkrete Konsequenz für alle, die auf forschungsnahem Reasoning aufbauen: Lesen Sie den Workflow, nicht die Schlagzeile. Fünf wahrscheinlich korrekte Beweise kamen mit Retry-Coaching, einem zweiten Modell als Verifizierer, von Experten angestoßenen Klärungsrunden und menschlicher Best-of-Auswahl zustande – und eine selbstbewusste Behauptung erwies sich trotzdem als falsch. Für angewandte Teams ist genau dieses Muster das, was es zu studieren gilt. Das reproduzierbare Artefakt ist keine Benchmark-Zahl, sondern der Anhang mit Prompt-Mustern und die Verifikationsschleife, die das Modell umrahmt hat.