Os primeiros envios do OpenAI para o Proof e o suporte humano em torno deles

O que o OpenAI submeteu na realidade

A 14 de fevereiro de 2026, o OpenAI publicou tentativas de prova para os 10 problemas do First Proof, um desafio criado para testar se a AI (mantém-se o acrónimo em inglês) consegue produzir provas corretas e verificáveis em problemas de investigação específicos de um domínio, em vez de respostas curtas ou matemática de competição.

Com base no feedback de especialistas, o OpenAI afirma que pelo menos cinco tentativas — os problemas 4, 5, 6, 9 e 10 — têm uma elevada probabilidade de estarem corretas, havendo ainda várias outras em análise. É de assinalar que a empresa reviu a sua própria avaliação: inicialmente acreditava que o problema 2 estava provavelmente correto, mas concluiu depois que estava incorreto, após o comentário oficial e a análise da comunidade.

Essa correção pública é o detalhe mais honesto de todo o processo. Mostra que a correção aqui não é autocertificável; depende de um processo de revisão que o OpenAI não controla, e a própria confiança do OpenAI estava errada em pelo menos um problema.

A camada de interação fez trabalho real

O OpenAI é incomummente transparente ao admitir que estas provas resultaram de um processo supervisionado e iterativo — não de uma execução autónoma. É na descrição desse fluxo de trabalho que está a verdadeira substância.

Segundo o próprio relato, o OpenAI por vezes sugeriu estratégias de repetição que tinham funcionado em tentativas anteriores, pediu ao modelo para expandir ou clarificar partes de uma prova após receber feedback de especialistas, e facilitou um diálogo entre o modelo e o ChatGPT para verificação, formatação e estilo. Em alguns problemas, apresentou a melhor entre várias tentativas, escolhida por avaliação humana.

Isto representa um frontend substancial em torno do modelo: uma estratégia humana de orientação, um modelo externo de verificação e uma seleção manual no final. O preprint inclui até um anexo com padrões de prompts destinados a simular essas interações manuais — um reconhecimento de que o próprio ato de formular os prompts faz parte do resultado.

Um alvo em movimento, não uma avaliação fixa

O modelo não se manteve constante durante o exercício. O investigador James R. Lee descreve ter experimentado os problemas durante um fim de semana, enquanto o modelo ainda estava em treino, e ter observado a sua capacidade a crescer.

Já conseguia resolver dois dos problemas (#9 e #10). À medida que o treino avançava, foi ficando cada vez mais capaz, resolvendo — na nossa estimativa — pelo menos mais três. ... É verdadeiramente impressionante ver um modelo tornar-se palpavelmente mais inteligente dia após dia.Montana Labs

Esse enquadramento é entusiasmante, mas também complica os números. Tentativas submetidas em momentos diferentes provinham de checkpoints distintos de um modelo em treino ativo. O próprio OpenAI reconhece o ponto diretamente: "Foi um sprint rápido, e o nosso processo não foi tão rigoroso como gostaríamos numa avaliação devidamente controlada", acrescentando que pretende colaborar com os organizadores do First Proof num enquadramento mais rigoroso.

Por que a divulgação do processo importa mais do que a contagem

O OpenAI apresenta o First Proof como prova de que a investigação de fronteira original — manter cadeias de raciocínio longas, escolher abstrações, lidar com enunciados de problemas ambíguos, produzir argumentos que resistem ao escrutínio de especialistas — é um teste de capacidade mais fidedigno do que os benchmarks. É a continuação de uma trajetória já anunciada: o desempenho de medalha de oro na IMO (35/42) em julho de 2025, os casos de estudo científicos do GPT-5 em novembro de 2025, e um resultado do GPT-5.2 sobre amplitudes de glúons, posteriormente verificado pelos autores.

A implicação concreta para quem trabalha com raciocínio de nível de investigação: ler o fluxo de trabalho, não o título. Cinco provas provavelmente corretas surgiram acompanhadas de orientação para novas tentativas, um segundo modelo como verificador, rondas de clarificação conduzidas por especialistas e seleção humana da melhor opção — e uma afirmação feita com confiança acabou por se revelar errada. Para equipas aplicadas, esse padrão é o verdadeiro objeto de estudo. O artefacto reprodutível não é um número de benchmark; é o anexo de padrões de prompts e o ciclo de verificação que envolveu o modelo.