Dez problemas que ninguém resolveu em décadas. Astra fez em um dia.

No dia 1º de agosto de 2026, OpenAI anunciou que uma versão interna do seu próximo modelo, Astra, resolveu ou fez progresso substancial em 10 problemas abertos há muito tempo em oito campos da matemática e ciência da computação teórica — com provas verificáveis em máquina publicadas no GitHub.

Mas o número que vai resonar em boardrooms e labs é este: o custo total de computação para as dez soluções foi aproximadamente $2.000 nas taxas da API Sol.

O que torna isto diferente de um comunicado de imprensa?

Os problemas abrangem oito campos distintos: geometria de alta dimensão, teoria dos códigos, complexidade de circuitos aritméticos, teoria dos grupos, álgebras de operadores, complexidade quântica, criptografia em reticulados e combinatória extrema. Não é uma linha num árbitro de benchmarks. São décadas de impasse aberto em múltiplos subcampos.

Para cada resultado, OpenAI publicou um manuscrito de 249 páginas juntamente com certificados Lean 4 verificáveis em máquina no GitHub, permitindo verificação independente em vez de exigir que a comunidade matemática simplesmente acreditasse na empresa.

O destaque mais duro: a primeira construção explícita de um grupo não-sofic, resolvendo uma questão central em teoria dos grupos que se mantinha desde que Mikhail Gromov introduziu o conceito de soficidade em 1999.

Por que isto importa mais do que números

Modelos de fronteira ganharam 30 pontos percentuais em um único ano no Humanity's Last Exam, um benchmark construído para ser difícil para IA e favorável a especialistas humanos. Astra sugere que essa curva não está se desacelerando — está acelerando em direção a problemas que nenhum benchmark conseguia alcançar.

A empresa está dando a 100.000 pesquisadores acadêmicos acesso gratuito aos seus modelos de fronteira até 2027, um movimento que aprofunda seus laços com a comunidade científica enquanto concentra infraestrutura de pesquisa em sua própria plataforma.

Para startups: isto redefiniu onde fica a linha entre "pesquisa em IA" e "IA como infraestrutura de pesquisa". Se você está construindo um produto que depende de breakthrough científico, o laboratório que controla o modelo de computação também controla quem descobre primeiro.

Para agentes de IA em produção: sistemas agentic de IA em empresas mostram um intervalo de 37% entre pontuações em benchmark de lab e desempenho de implantação no mundo real. Astra resolve problemas abertos. Seu agente ainda está falhando em automação básica. Isto não é uma contradição — é a próxima fronteira que importa.