Gemini y OpenAI logran nivel de oro en la Olimpiada Matemática

El 21 de julio de 2025, Google DeepMind comunicó un resultado de nivel oro certificado por coordinadores de la olimpiada y OpenAI publicó una autoevaluación con la misma puntuación. La fuente original sostiene el núcleo documental del hecho; los dos resultados no tuvieron exactamente el mismo proceso de validación y ninguno convierte el sistema en matemático general. Los términos no publicados por la parte se atribuyen a la fuente que los documentó.

OpenAI había comunicado pocos días antes que un modelo experimental de razonamiento alcanzó también 35 puntos y resolvió por completo cinco de los seis ejercicios. Las dos compañías sitúan así a sus sistemas al nivel de los mejores participantes humanos en la prueba matemática preuniversitaria más exigente del mundo. Documento que sostiene la cifra.

Cinco problemas resueltos como un olímpico

La IMO reúne cada año a estudiantes de secundaria de decenas de países para enfrentarse a seis problemas de álgebra, geometría, teoría de números y combinatoria. Cada ejercicio vale siete puntos y los concursantes disponen de dos sesiones de cuatro horas y media para redactar demostraciones rigurosas.

Gemini Deep Think resolvió cinco problemas y sumó 35 puntos. La relevancia no está solo en la cifra: presentó sus respuestas en lenguaje natural, con demostraciones matemáticas que pudieron ser revisadas por correctores humanos. No se limitó, por tanto, a encontrar una respuesta numérica o a verificar un resultado previamente conocido. Documento que sostiene la cifra.

Google DeepMind trabajó con la organización de la IMO para que las soluciones fueran evaluadas bajo el estándar de la competición. El sistema no participó oficialmente junto a las delegaciones nacionales, pero la corrección por coordinadores de la olimpiada da al resultado una validación externa poco habitual en los anuncios de capacidades de modelos de IA.

OpenAI, por su parte, afirmó que tres exmedallistas de la IMO calificaron de forma independiente sus soluciones y les asignaron 35 puntos conforme a los criterios de la competición. La empresa no detalló públicamente el modelo ni anunció una fecha de lanzamiento. Esa cautela importa: el resultado muestra una capacidad de investigación, no una herramienta que cualquier estudiante o empresa pueda usar ya. Documento que sostiene la cifra.

Un salto muy rápido respecto a 2024

Hace un año, Google DeepMind presentó AlphaProof y una versión mejorada de AlphaGeometry. Juntos lograron 28 de 42 puntos en los problemas de la IMO de 2024, un resultado equivalente a una medalla de plata. Documento que sostiene la cifra.

Aquel sistema necesitaba un enfoque mucho más especializado. AlphaProof traducía problemas a un lenguaje formal —una representación matemática con reglas estrictas que puede comprobar un ordenador— y buscaba demostraciones dentro de ese marco. AlphaGeometry se centraba en geometría. La intervención humana era necesaria para adaptar algunos enunciados a esas herramientas.

El resultado de Gemini cambia la naturaleza de la demostración. Un modelo de lenguaje puede leer el enunciado, explorar estrategias y explicar la prueba en el formato que espera un matemático. Eso lo hace potencialmente más flexible que un sistema diseñado para una rama concreta, aunque no elimina la necesidad de verificar cada paso: una demostración convincente en apariencia puede contener un salto lógico inválido.

La coincidencia con el anuncio de OpenAI también revela hasta qué punto el razonamiento matemático se ha convertido en el nuevo campo de competencia entre los grandes laboratorios. Las matemáticas son una prueba especialmente valiosa porque permiten puntuar las respuestas con criterios claros y porque exigen planificación, abstracción y capacidad para sostener una cadena larga de inferencias.

Del concurso a la investigación científica

Un oro en la IMO no significa que un sistema haya resuelto problemas matemáticos abiertos ni que pueda sustituir a un investigador. Los ejercicios olímpicos son nuevos para los participantes, pero están diseñados para tener solución y para poder resolverse dentro del tiempo de examen con conocimientos preuniversitarios avanzados.

Aun así, el avance tiene consecuencias prácticas. En educación, estos modelos podrían ayudar a descomponer una demostración, detectar un paso erróneo o proponer distintas rutas hacia una solución. En investigación científica, la misma capacidad de explorar hipótesis y formalizar argumentos puede acelerar tareas muy concretas, desde el diseño de algoritmos hasta la verificación de cálculos complejos.

El siguiente examen será la reproducibilidad. Hará falta saber con qué frecuencia estos modelos mantienen ese nivel fuera de seis problemas seleccionados, cuánto razonamiento computacional requieren y cómo se comportan ante preguntas donde no existe una solución conocida. Por ahora, Google y OpenAI han demostrado que el listón de la olimpiada, que parecía distante para los modelos generativos hace apenas un año, ya no es una frontera humana exclusiva.

Cómo convertir el titular en una comprobación

Un resultado experimental comienza por su variable observable. Hay que anotar qué cuenta como acierto, qué conducta activa una etiqueta y qué casos quedan fuera. los dos resultados no tuvieron exactamente el mismo proceso de validación y ninguno convierte el sistema en matemático general. Si el fenómeno no puede reconocerse sin interpretar la intención del modelo, la conclusión necesita todavía más cautela y una definición reproducible.

El protocolo importa tanto como la puntuación. Se documentan instrucciones, herramientas, tiempo, presupuesto de cómputo, número de intentos, selección de ejemplos y regla de corrección. Cambiar cualquiera de esas piezas puede cambiar el resultado sin que el modelo haya aprendido nada nuevo. Por eso comparar dos titulares exige primero comprobar que miden el mismo eje.

Una réplica fuerte intenta romper la conclusión. Añade datos no vistos, variantes pequeñas, controles negativos y tareas donde la respuesta correcta sea abstenerse. Conserva también los fallos, no solo ejemplos elegidos. Para valorar cómo comparar protocolo, correctores, herramientas y disponibilidad antes de comparar puntuaciones, el conjunto debe parecerse al uso previsto y reflejar el coste de cada clase de error.

Qué debe quedar registrado

El estudio puede enseñar un patrón sin resolver todo el campo. La formulación honesta conserva dominio, muestra y fecha, y evita convertir «observamos» en «demostramos para siempre». La evidencia gana valor cuando otro equipo puede repetirla con los materiales disponibles o explicar qué elemento falta. Esa trazabilidad es más útil que una etiqueta grandiosa.

Una ficha de evidencia separa cuatro columnas: lo que afirma la fuente, lo que muestra, lo que no midió y qué tendría que ocurrir para cambiar la conclusión. Esa disciplina evita que una ausencia se convierta en promesa y que una condición desaparezca al resumir. También permite actualizar la pieza sin reescribir la historia desde el resultado posterior.

Conviene incluir un caso negativo antes de decidir. Se busca una situación donde el sistema, norma, operación o estudio no resuelva la necesidad y se anota la señal que obligaría a parar. Los éxitos seleccionados muestran que algo puede ocurrir; el caso negativo revela el límite y reduce el coste de descubrirlo después del despliegue.

La capacidad que sobrevive al anuncio

La comparación válida conserva denominador y eje. No enfrenta una cifra puntual con un promedio, una capacidad futura con una instalada ni una predicción con una observación. Cuando dos fuentes usan palabras parecidas, se reconstruye qué contaron y durante qué periodo. Si no coinciden, se publican como medidas distintas en vez de fabricar una clasificación.

El registro debe sobrevivir al cambio de versión. Guarda URL, fecha de consulta, documento, configuración y decisión tomada. Al aparecer nueva evidencia, se añade con su fecha y se explica qué modifica. Esa trazabilidad protege contra dos errores opuestos: mantener una conclusión caducada o fingir que un dato posterior ya se conocía el día del hecho.

La capacidad transferible de esta pieza es cómo comparar protocolo, correctores, herramientas y disponibilidad antes de comparar puntuaciones. El procedimiento es breve: nombrar el documento, conservar la fecha, fijar el eje, buscar la condición y diseñar una comprobación que pueda fallar. Con esos pasos, el lector no necesita aceptar ni rechazar el anuncio por intuición; puede decidir con una cadena visible de evidencia.

Antes de cerrar, otra persona debe poder reconstruir la conclusión sin conocer el titular. Recibe las fuentes, las condiciones y el caso negativo, y explica qué aceptaría y qué no. Si necesita una intención supuesta, una cifra sin denominador o un dato posterior sin fecha, la cadena todavía tiene un hueco. Esa revisión breve detecta errores que la fluidez del texto puede ocultar.