Acaba de ocurrir: el último problema del Nivel 4 de FrontierMath, ha sido resuelto por GPT-6 Astra.
Con esto, todos los problemas de este conjunto de pruebas de nivel investigador, alguna vez considerado la pesadilla matemática de los modelos grandes, han sido resueltos con éxito al menos una vez por una IA.
Epoch AI también ha emitido oficialmente su conclusión: FrontierMath Nivel 4, saturado.
Aunque, por el gráfico anterior, se ve que Astra no ha llegado directamente al 100% (el resultado publicado por OpenAI es del 97,6%).
Según el algoritmo de Epoch, "resolver todos" significa que, tras acumular los intentos de diferentes modelos en diferentes momentos, cada problema del Nivel 4 ha tenido al menos una solución exitosa.
Y Astra acabó precisamente con el único que no había sido superado por una IA hasta entonces.
(En términos sencillos: es posible que Astra fallara en alguna prueba, pero el problema que resolvió correctamente era el único que faltaba).
Hay que reconocer que la velocidad de este desarrollo es realmente alucinante.
Si sigues las evaluaciones de modelos, sabrás que el 11 de julio de 2025, cuando se lanzó por primera vez el Nivel 4, la puntuación más alta rondaba solo el 5%.
Ahora, apenas un año y dos meses después, ese "muro infranqueable" se ha convertido en un "peldaño", y el último problema difícil de resolver para la IA sin atajos numéricos ha sido superado.
El creador de problemas, Jay Pantone, profesor asociado de matemáticas en la Universidad de Marquette, también comentó que las IA solían buscar atajos numéricos, pero esta vez, el enfoque de la IA fue bastante similar al suyo.
Sin embargo, justo cuando GPT-6 Astra ha estado atacando fuertemente el mundo matemático últimamente, resolviendo problemas del milenio cada dos por tres, Pantone dijo que ya le cuesta mucho sorprenderse.
Puede decirse que las matemáticas se han convertido en uno de los campos donde Astra está dejando más huella recientemente.
De menos del 2%, a añadir una "línea defensiva de nivel investigador" específica
FrontierMath se lanzó por primera vez el 7 de noviembre de 2024, y su propósito original era evitar que los benchmarks matemáticos fueran superados demasiado rápido por la IA.
En ese momento, benchmarks tradicionales como GSM8K y MATH cada vez tenían más dificultad para distinguir a los modelos punteros, por lo que Epoch AI, junto con más de 60 matemáticos, diseñó un nuevo conjunto de problemas originales nunca antes publicados.
Entre ellos, se incluían ganadores de la Medalla Fields como Terence Tao, Timothy Gowers y Richard Borcherds.
Tras revisar algunos de los problemas de nivel investigador, Tao comentó entonces que eran "extremadamente difíciles", e incluso predijo que el Nivel 3, el más difícil, podría mantener a la IA bloqueada durante algunos años más.
Los primeros resultados no defraudaron: la tasa de acierto de los modelos líderes era inferior al 2%.
Concretamente, al principio, el banco central de FrontierMath contenía 300 problemas, divididos en tres niveles de dificultad: Nivel 1, Nivel 2 y Nivel 3.
El Nivel 1 se asemejaba aproximadamente a problemas de pregrado de alta dificultad y olimpiadas matemáticas, pero permitiendo el uso de herramientas más avanzadas; el Nivel 2 alcanzaba la dificultad de posgrado avanzado; el Nivel 3 se acercaba más a problemas exploratorios de investigación que podrían encontrar doctorandos en sus primeras etapas.
Pero con la aparición de modelos de razonamiento, estos tres primeros niveles también empezaron a quedarse cortos, por lo que en 2025, Epoch añadió un nivel más arriba: el Nivel 4.
Los problemas del Nivel 4 fueron diseñados principalmente por profesores de matemáticas e investigadores posdoctorales. Cada uno realizaba investigaciones a corto plazo de varias semanas centradas en su propia área, y luego comprimía los resultados en un problema que pudiera verificarse automáticamente.
Inicialmente, el Nivel 4 contenía 50 problemas. Cubrían áreas como análisis, teoría de números, matemática discreta, topología, geometría algebraica...
En el momento de su lanzamiento, sumando todos los intentos de todos los modelos, solo 3 problemas habían sido resueltos, y algunas de esas soluciones dependían de suposiciones correctas pero no plenamente justificadas.
Debido a esto, en la página web pública de problemas de ejemplo, Epoch llegó a escribir: algunos de estos problemas podrían no ser resueltos por la IA en décadas.
(Esta frase ahora se está usando repetidamente en su contra).
Sin embargo, a medida que los modelos se volvían más potentes, surgió otro problema: el propio banco de problemas empezaba a no resistir el "martilleo" de la IA.
OpenAI descubrió durante las pruebas que FrontierMath contenía más errores de los esperados.
Posteriormente, Epoch inició una auditoría independiente: primero utilizó GPT-5.5 y Claude Opus 4.7 para filtrar puntos sospechosos, y luego encargó a matemáticos que revisaran cada problema uno por uno. Finalmente, en junio de 2026, se lanzó la versión v2, en la que se corrigieron 12 problemas del Nivel 4, se eliminaron 7 y quedaron 43.
Tras la revisión, los resultados de los modelos siguieron mejorando rápidamente.
GPT-5.6 Sol alcanzó un 83,0%, Claude Fable 5 llegó al 90,2%, y con GPT-6 Astra, el resultado ya es del 97,6%.
Y lo más crucial: Astra también resolvió el único problema que nunca antes había sido resuelto por una IA.
Así, cada problema del Nivel 4 ha sido superado al menos una vez por la IA. Esta línea defensiva de nivel investigador añadida específicamente para los modelos más potentes, finalmente también ha sido franqueada.
Sin embargo, esto no significa que "las matemáticas hayan sido resueltas por la IA". Al contrario, FrontierMath ya está avanzando hacia la siguiente etapa.
Ahora, además de los Niveles 1-4, todo el proyecto incluye auténticos Problemas Abiertos (Open Problems), y también FrontierMath Erdős, que formaliza problemas abiertos de Erdős en Lean.
El primero evalúa a los modelos directamente con problemas de investigación aún no resueltos por la comunidad matemática; el segundo exige a la IA que escriba pruebas completas que puedan pasar la verificación formal.
Esta vez, Astra solo resolvió 2 de los 68 problemas de FrontierMath Erdős.
La historia continúa...
Este artículo proviene del WeChat Official Account "量子位" (Bit Cuántico), autor: henry
