Το OpenAI αναφέρει ότι το GPT-5.2 Pro έλυσε ένα ανοιχτό πρόβλημα στατιστικής που είχε τεθεί στο COLT 2019

Η μελέτη περίπτωσης είναι η ουσία, όχι τα benchmarks

Το OpenAI ξεκινά με δύο νούμερα: το GPT-5.2 Pro πέτυχε 93,2% στο GPQA Diamond και το GPT-5.2 Thinking έλυσε το 40,3% των προβλημάτων του FrontierMath (Tier 1–3), κάτι που αποκαλούν νέο ρεκόρ επιδόσεων. Και τα δύο αναφέρονται με συγκεκριμένες συνθήκες — το GPQA χωρίς εργαλεία και μέγιστη προσπάθεια συλλογιστικής, το FrontierMath με ενεργοποιημένο εργαλείο Python και μέγιστη προσπάθεια συλλογιστικής.

Ωστόσο, το σημείο της ανάρτησης που πραγματικά δείχνει το μοντέλο να κάνει κάτι νέο είναι η μελέτη περίπτωσης για τη μονοτονία των καμπυλών μάθησης. Εκεί ο ισχυρισμός περνάει από το «απάντησε σε ερωτήσεις επιπέδου μεταπτυχιακού» στο «συνέβαλε με απόδειξη σε ένα ερευνητικό πρόβλημα που έως τότε παρέμενε άλυτο».

Ποιο ήταν στην πραγματικότητα το ανοιχτό πρόβλημα

Το πρόβλημα ανάγεται σε ένα ανοιχτό ερώτημα που έθεσαν οι Viering, Mey και Loog στο Conference on Learning Theory το 2019: αν συγκεντρώσετε περισσότερα δεδομένα, βελτιώνονται σταθερά τα αποτελέσματά σας; Οι ερευνητές είχαν δείξει ότι ακόμη και απλές περιπτώσεις μπορούν να παρουσιάζουν μη μονότονες καμπύλες μάθησης, όπου περισσότερα δεδομένα αυξάνουν το αναμενόμενο σφάλμα.

Το συγκεκριμένο κενό που κάλυψε το GPT-5.2 Pro ήταν η πιο «καθαρή» σχολική περίπτωση: ένα ορθά καθορισμένο μοντέλο, δεδομένα Gauss, γνωστή μέση τιμή, άγνωστη τυπική απόκλιση. Μικρές διαφοροποιήσεις σε αυτή την περίπτωση ήταν ήδη γνωστό ότι διαταράσσουν τη μονοτονία, αλλά η βασική περίπτωση παρέμενε ανοιχτή. Το άρθρο που προέκυψε, «On Learning-Curve Monotonicity for Maximum Likelihood Estimators», δείχνει ότι σε αυτό το πλαίσιο η μάθηση βελτιώνεται προβλέψιμα με περισσότερα δεδομένα.

Η διαδικασία εργασίας που το OpenAI περιγράφει με προσοχή

Το OpenAI δίνει έμφαση στο πώς προέκυψε η απόδειξη, όχι απλά στο ότι προέκυψε. Οι συντάκτες δεν έδωσαν στο μοντέλο κάποιο σχεδιάγραμμα απόδειξης ή ενδιάμεσα επιχειρήματα. Ζήτησαν από το GPT-5.2 Pro να λύσει απευθείας το ανοιχτό πρόβλημα και στη συνέχεια επιβεβαίωσαν το αποτέλεσμα — μεταξύ άλλων με αξιολόγηση από εξωτερικούς ειδικούς του πεδίου. Επόμενες ερωτήσεις ώθησαν το μοντέλο να επεκτείνει το αποτέλεσμα σε πλαίσια μεγαλύτερης διάστασης και σε άλλα συνηθισμένα στατιστικά μοντέλα.

Σε όλη τη διαδικασία, ο ρόλος του ανθρώπου παρέμεινε επικεντρωμένος στην επαλήθευση και στη σαφή διατύπωση, και όχι στην παροχή μαθηματικού σκελετού.Montana Labs

Αυτή η πρόταση είναι ο πυρήνας ολόκληρης της ανάρτησης. Πρόκειται για συγκεκριμένο καταμερισμό εργασίας: το μοντέλο παράγει το δομημένο επιχείρημα, οι άνθρωποι έχουν την ευθύνη για την ορθότητα και τη διατύπωση. Το OpenAI αναφέρει επίσης ξεκάθαρα τα όρια — αυτά τα συστήματα «δεν είναι ανεξάρτητοι ερευνητές», μπορούν να κάνουν λάθη και μπορούν να βασίζονται σε ανείπωτες παραδοχές.

Η διεπαφή που αυτό συνεπάγεται: πρώτα το ερώτημα, μετά η επαλήθευση

Για όσους χτίζουν εργαλεία πάνω σε αυτά τα μοντέλα, το ειλικρινές συμπέρασμα αφορά τη διεπαφή με τον άνθρωπο, όχι τη κατάταξη στα benchmarks. Ο περιγραφόμενος τρόπος εργασίας έχει δύο σημεία επαφής: ένας ερευνητής θέτει ένα καλά διατυπωμένο πρόβλημα και στη συνέχεια ακολουθεί ένας ξεχωριστός, προσεκτικός γύρος επαλήθευσης από ειδικούς του πεδίου. Το αποτέλεσμα του μοντέλου αντιμετωπίζεται ως ένα λεπτομερές επιχείρημα που «αξίζει προσεκτική μελέτη και βελτίωση από ανθρώπους», όχι ως μια απάντηση που γίνεται αποδεκτή αυτόματα.

Αυτή η δομή έχει επιπτώσεις στο πώς πρέπει να φαίνεται ένα καλό frontend σε θεωρητικούς τομείς. Οι πολύτιμες δυνατότητες δεν είναι η ευκολία της συνομιλίας· είναι η δομημένη παρουσίαση αποδείξεων, οι ανιχνεύσιμες παραδοχές και μια διαδικασία αξιολόγησης που κάνει την εξωτερική επικύρωση οικονομική σε κόπο. Το OpenAI δηλώνει ξεκάθαρα ότι η αξιόπιστη πρόοδος «εξαρτάται από διαδικασίες εργασίας που κρατούν σταθερά μέσα στον κύκλο την επικύρωση, τη διαφάνεια και τη συνεργασία» — κάτι που αποτελεί εξίσου απαίτηση προϊόντος όσο και ερευνητική προειδοποίηση.

Η συγκεκριμένη συνέπεια αυτής της ανακοίνωσης: σε αξιωματικά πεδία όπως τα μαθηματικά και η θεωρητική επιστήμη υπολογιστών, το σημείο συμφόρησης που περιγράφει το OpenAI έχει μετατοπιστεί από την παραγωγή πιθανών επιχειρημάτων στην επαλήθευσή τους. Οι ομάδες που θέλουν να χρησιμοποιήσουν το GPT-5.2 για αυτού του είδους την εργασία θα πρέπει να επενδύσουν τη μηχανική τους προσπάθεια στη διεπαφή επαλήθευσης, καθώς αυτό είναι το βήμα που, σύμφωνα με την ανάρτηση, παρέμεινε εξ ολοκλήρου ανθρώπινο.