En TCSExam-Full, GPT-6 Astra completó 14 de 20 tareas de teoremas en Lean 4 (70,0 %) y no obtuvo ninguna resolución completa aceptada entre las 30 conjeturas abiertas. Los autores de TCSExam describen esos resultados y su metodología. El cero corresponde a Astra: otros agentes también presentaron envíos aceptados sobre conjeturas.
Este resultado mide una faceta concreta del modelo, distinta de la pregunta sobre AGI que NeoTeo trató en su cobertura anterior de GPT-6 Astra.
Qué significa el resultado de 14 de 20
Las 20 tareas de teoremas de TCSExam-Full estaban formalizadas en Lean 4 y no incluían lemas intermedios. Para contar como éxito, cada tarea necesitaba una demostración completa que superase las comprobaciones formales de Lean; una prueba incompleta recibía cero en esta categoría. Así, el 70,0 % describe 14 demostraciones aceptadas dentro de ese conjunto, no una tasa general de acierto de GPT-6 Astra en matemáticas o en Lean.
Las condiciones de la evaluación
TCSExam evaluó un agente configurado con Codex 0.154.0, esfuerzo máximo y un intento por tarea. Cada intento disponía de hasta 12 horas de desarrollo. El acceso general a Internet estuvo desactivado para las tareas de teoremas y de ingeniería de solvers; sí se permitió en las de construcción y conjeturas abiertas.
El benchmark completo reúne 100 tareas: 20 de teoremas, 30 de ingeniería de solvers, 20 de construcción matemática y 30 de conjeturas abiertas. El resultado de Astra, por tanto, corresponde a una configuración y un protocolo concretos dentro de un conjunto de informática teórica más amplio.
Qué reúne el índice Full de 71,9
El 71,9 de GPT-6 Astra es el índice agregado de TCSExam-Full, no su nota en Lean. La puntuación combina cuatro áreas con pesos distintos: teoremas, ingeniería de solvers y construcciones aportan un 30 % cada una; las conjeturas abiertas, un 10 %. La documentación oficial de puntuación de TCSExam detalla ese cálculo.
| Área de TCSExam-Full | Resultado de GPT-6 Astra | Qué mide |
| Teoremas Lean 4 | 70,0 % (14/20) | Tareas con una demostración completa aceptada. |
| Ingeniería de solvers | 64,7 % | Puntuación relativa en esa área. |
| Construcciones matemáticas | 104,9 % | Recompensa de la categoría, que puede superar el 100 % si se rebasa la referencia de una tarea. |
| Conjeturas abiertas | 0/30 | Resoluciones completas aceptadas. |
El 70,0 % cuenta las tareas de teoremas completadas; el 71,9 resume cuatro áreas ponderadas.
Los envíos de otros agentes en conjeturas abiertas
Además del resultado de Astra, los autores registran envíos aceptados de Kimi K3.1 Pro y DeepSeek V4.1 Flash 1017. Kimi obtuvo una aceptación para Ryser en tres intentos; DeepSeek, dos de tres para Ryser y tres de tres para MIRUP. El proyecto oficial de TCSExam también documenta estos resultados. Según los autores, los envíos adaptaron pruebas o contraejemplos de OpenAI que ya se habían publicado.
TCSExam-Lite es otro conjunto de tareas
En Lite, GPT-6 Astra obtuvo un índice de 67,0 y Claude Opus 5.5, de 72,3. Lite contiene 20 tareas, cinco por área; Claude Opus 5.5 fue evaluado solo en ese conjunto. Esos resultados pertenecen a Lite y no cambian el índice Full de Astra, que mide otro conjunto de tareas.
ARC Prize explica por qué el 99,9 % de GPT-6 Astra no demuestra AGI
