OpenAI valgte bort matematikk, men GPT-6 Astra fikk 106 toppkarakterer på ErdosBench

«Vi tror vi kunne gjort modellene bedre spesifikt på matematikkforskning med ekstra fokus, men vi prioriterer ikke den retningen fordi vi opplever at RSI og automatisert alignment-forskning haster mer.» — Jakub Pachocki, sjefsforsker i OpenAI, i essayet «An Alien Mind»

The Decoder trekker frem setningen i en kommentar 10. september, fordi den forklarer resultatene Astra har levert på ErdosBench. Testen fra Ulam består av 226 åpne matematikkproblemer inspirert av Erdős-problemene, og svarene vurderes av eksterne dommere. Astra fikk snittkarakter 3,23 på en skala fra 0 til 4 og 106 svar med toppkarakteren A, mot 78 for forgjengeren GPT-5.6 Sol.

Det er et tydelig steg, men ikke et sprang. Przemek Chojecki, som utvikler testen, oppsummerte forskjellen fra Sol da han la ut resultatet 8. september.

«En solid gevinst på 5 til 10 prosent på de ulike matteforskningsferdighetene vi testet.» — Przemek Chojecki, utvikler av ErdosBench

Den mest brukbare detaljen for deg som lar en modell jobbe med bevis, er hvordan Astra omtaler sitt eget arbeid. Ifølge Chojecki skriver den mer vitenskapelig enn Sol og overdriver sjeldnere, og av og til underselger den resultatene. Ulams liste viser det samme: 43 av de 106 A-svarene er arbeid Astra selv merket som bare delvis. Svar modellen kaller delvise, fortjener altså like nøye lesing som dem den kaller ferdige. Ulam presiserer samtidig at lista ikke er en formell sertifisering av bevis, og testen er langt fra mettet.

Førsteplassen er heller ikke sikker. Da Chojecki publiserte, lå Astra øverst. Ulams liste viser nå Anthropics Fable 5.1 på 3,25, bare 0,024 poeng foran, mens Astra fortsatt beskrives som den sterkeste til å føre teoremer helt i mål.

Pachocki skriver at OpenAI styrer forskningen mot RSI, rekursiv selvforbedring, fordi selskapet mener det er eneste måte å holde seg i front på. The Decoder tolker valget som støtte til en «spiky» utvikling, slik Cambridge-forskeren Adam Hunt har skissert den: ekstrem styrke i noen få domener som koding og matematikk, og stillstand eller tilbakegang i språkkvalitet, sunn fornuft og sosialt resonnement. Motsatsen er tesen om at modellene blir gradvis og bredt bedre til de dekker alle menneskelige oppgaver. Kapasitet vokser der du optimaliserer, og ingen lab klarer maksimal fremgang i alle retninger samtidig. The Decoder legger til at OpenAI siden essayet ifølge rapporter har trent bedre interne mattemodeller.

For matematikerne er spørsmålet større enn en prosentgevinst. Terence Tao advarte på den internasjonale matematikerkongressen i 2026 om at faget kan gå fra mangel på bevis til overflod av bevis, hvis modellene produserer dem raskere enn mennesker rekker å kontrollere dem. Da blir den kritiske jobben å avgjøre hvilke resultater som faktisk betyr noe, og Tao sammenligner krisen med omveltningen i matematikkens grunnlag tidlig på 1900-tallet.