OpenAI Astra Afirma Ter 10 Avanços Matemáticos, mas a Verificação É o Verdadeiro Teste

O modelo ainda não lançado Astra, da OpenAI, entrou no google news depois que a empresa atribuiu 10 avanços em matemática e ciência da computação teórica a um sistema interno.

O número chama atenção, mas não é a parte mais importante do anúncio. A OpenAI afirma que o Astra gerou argumentos, ajudou humanos a transformá-los em manuscritos e formalizou cada resultado como um certificado Lean. Lean é um assistente de provas que verifica se cada etapa lógica decorre de regras definidas explicitamente.

Esse fluxo de trabalho coloca o Astra diante de um adversário mais difícil do que outro laboratório de IA. A verdadeira disputa é entre a descoberta rápida gerada por máquinas e o lento processo de verificação que torna um resultado matemático confiável. Google DeepMind, grupos de pesquisa acadêmica e projetos de demonstração de teoremas elevaram as expectativas, mas nenhum pode dispensar o escrutínio de especialistas.

Por que o OpenAI Astra Dominou o Google News

A OpenAI apresenta o Astra como um sistema de pesquisa, não apenas como um modelo que obtém bons resultados em mais um teste.

Segundo o material que acompanha o anúncio, uma versão interna do Astra produziu resultados em matemática pura, complexidade quântica e ciência da computação teórica. Os avanços alegados incluem novos limites, construções e contraexemplos em vários campos especializados.

Um resultado diz respeito ao empacotamento de esferas em alta dimensão. Essa área pergunta quão densamente esferas iguais podem ser organizadas quando o número de dimensões se torna grande. A geometria parece familiar, mas as versões em alta dimensão se conectam à teoria dos códigos, à transmissão de informações e à ciência da computação teórica.

Uma segunda linha de trabalho trata de códigos binários e esféricos. A OpenAI afirma que o Astra encontrou limites melhores para os maiores códigos possíveis sob restrições de distância especificadas. Esses limites importam porque a distância determina quão confiavelmente informações codificadas podem sobreviver ao ruído.

A coleção anunciada também inclui uma proposta de construção de um grupo não sofic. Grupos sofic são objetos algébricos que podem ser aproximados por meio de certas estruturas finitas. A questão de saber se todo grupo é sofic permanece central, tornando qualquer contraexemplo válido matematicamente significativo.

Outros resultados relatados abordam álgebras de operadores, informação quântica, teoria da complexidade e repetição paralela. Não são variações de um mesmo quebra-cabeça. Eles exigem definições, corpos de literatura e técnicas de prova diferentes.

A OpenAI diz que o modelo primeiro encontrou os argumentos matemáticos. Humanos então prepararam manuscritos com sua assistência, após o que o Astra formalizou os argumentos em Lean. A empresa também teria divulgado narrações do processo de raciocínio do modelo e uma extensa coleção de material de apoio.

Essa sequência explica a atenção do google news. A alegação não é que o Astra respondeu a 10 questões de exame. É que um modelo geral atravessou fronteiras disciplinares e gerou alegações de pesquisa destinadas à revisão de especialistas.

A distinção importa porque benchmarks estabelecidos frequentemente fornecem uma resposta conhecida ou um método de avaliação claramente definido. A pesquisa aberta começa sem nenhum dos dois. Um sistema precisa identificar um caminho útil, evitar contradições ocultas e produzir algo que outros pesquisadores possam inspecionar.

O anterior desafio First Proof da OpenAI ilustrou essa lacuna. Seu modelo interno tentou resolver todos os 10 problemas de nível de pesquisa, mas a própria avaliação inicial da empresa identificou apenas duas soluções corretas. A checagem de especialistas expôs fragilidades que as pontuações de benchmarks, por si só, não poderiam revelar.

O desempenho relatado do Astra, portanto, representa uma grande escalada de ambição. O número da manchete é memorável, mas os artefatos formais e os manuscritos carregam o verdadeiro ônus probatório.

A Mudança Importante É de Respostas para Artefatos de Pesquisa

O Astra importa porque a OpenAI diz que ele produziu objetos matemáticos inspecionáveis, não porque gerou uma prosa convincente.

Modelos de linguagem de grande porte há muito conseguem escrever provas que parecem refinadas. Essa fluência superficial cria um modo de falha perigoso. Um argumento equivocado pode parecer coerente até que um especialista verifique um lema obscuro, uma premissa não declarada ou um quantificador escondido várias páginas antes.

A matemática de pesquisa recompensa correção, originalidade e relevância. Esses critérios se sobrepõem, mas não são intercambiáveis.

Uma prova pode estar logicamente correta e, ainda assim, redescobrir um resultado conhecido. Pode ser original, mas resolver apenas um caso especial sem importância. Também pode conter uma ideia central interessante que falha por causa de uma lacuna técnica.

O fluxo de trabalho alegado pela OpenAI tenta separar essas questões. Manuscritos legíveis por humanos permitem que especialistas avaliem os conceitos e a relevância. Certificados Lean tratam da correção formal dentro de um ambiente matemático especificado. Narrações do raciocínio oferecem evidências adicionais sobre como o modelo chegou a cada resultado.

Lean converte uma prova em enunciados que seu núcleo pode verificar mecanicamente. O núcleo valida cada inferência permitida, reduzindo a chance de que uma linguagem persuasiva esconda uma etapa inválida. Uma verificação bem-sucedida é uma evidência muito mais forte do que um modelo avaliar sua própria resposta.

No entanto, a verificação formal não responde a todas as questões de pesquisa. Um certificado depende das definições e premissas codificadas por seus autores. Se o enunciado formal difere da alegação informal, o computador pode verificar perfeitamente o alvo errado.

A formalização também pode depender de bibliotecas existentes. Os revisores precisam inspecionar se os resultados importados são apropriados, se as definições correspondem ao uso convencional e se quaisquer axiomas personalizados enfraquecem a conclusão. Uma marca verde de aprovação é valiosa, mas não substitui a leitura.

Os manuscritos servem a outro propósito. Matemáticos raramente valorizam provas apenas como cadeias de etapas válidas. Eles querem explicações que revelem por que um argumento funciona, quais ideias se generalizam e onde o resultado se encaixa na teoria existente.

Isso cria uma divisão de trabalho. O Astra pode pesquisar muitos argumentos candidatos, conectar técnicas de campos distintos e traduzir uma rota bem-sucedida em sintaxe formal. Pesquisadores humanos podem avaliar se o resultado altera a forma como um campo entende o problema.

A OpenAI descreveu uma relação semelhante em seu trabalho com o matemático Ernest Ryu. O relato da empresa sobre a descoberta matemática enfatizou a colaboração iterativa, incluindo abordagens malsucedidas e interpretação humana. Esse histórico torna a etapa de preparação humana no anúncio do Astra especialmente importante.

O fluxo de trabalho também difere da demonstração automatizada de teoremas tradicional. Sistemas mais antigos geralmente pesquisam em ambientes formais usando objetivos e táticas cuidadosamente definidos. Modelos de linguagem podem começar com literatura informal, sugerir uma rota conceitual e, posteriormente, traduzi-la para um assistente de provas.

Esse alcance mais amplo introduz mais oportunidades para erros. Também torna os sistemas úteis mais cedo no processo de pesquisa, antes que um teorema tenha sido reduzido a um alvo formal.

A eficiência relatada do Astra em tokens reforça o argumento para usar modelos como mecanismos de busca de ideias em larga escala. A OpenAI caracteriza o custo de geração como modesto em relação ao trabalho por trás de um programa de pesquisa especializado. A comparação permanece incompleta, porém, porque exclui o desenvolvimento do modelo, a infraestrutura, a revisão de especialistas e a preparação de manuscritos.

O que mudou, portanto, não é simplesmente a qualidade da produção. A OpenAI está propondo um pipeline de pesquisa de ponta a ponta que avança da conjectura pela busca, exposição e verificação formal.

O Astra Pressiona Pesquisadores e Laboratórios Rivais de IA de Formas Diferentes

A pressão imediata recai sobre laboratórios de IA para que produzam descobertas verificáveis, enquanto matemáticos enfrentam uma mudança de fluxo de trabalho, não uma substituição instantânea.

Google DeepMind estabeleceu uma importante referência competitiva com AlphaProof, AlphaGeometry e, mais tarde, sistemas de raciocínio baseados em Gemini. Seus sistemas passaram de ferramentas formais especializadas para modelos capazes de resolver problemas de Olimpíada em linguagem natural.

Em 2024, AlphaProof e AlphaGeometry 2 alcançaram um resultado equivalente à medalha de prata na Olimpíada Internacional de Matemática. AlphaProof trabalhou em Lean, dando à DeepMind uma estrutura de verificação integrada, enquanto AlphaGeometry 2 lidou com geometria por meio de um sistema neuro-simbólico especializado.

No ano seguinte, modelos de raciocínio de propósito geral do Google e da OpenAI teriam alcançado desempenho de nível medalha de ouro. A OpenAI afirma que seu modelo obteve 35 de 42 pontos no conjunto de problemas de 2025. Esse resultado aparece no resumo de pesquisa da empresa.

A matemática de competições estabeleceu que esses sistemas podiam sustentar longas cadeias de raciocínio. O Astra eleva o objetivo de resolver questões preparadas para selecionar e avançar problemas de pesquisa abertos.

Essa mudança pressiona Google DeepMind a demonstrar amplitude comparável além das competições. Uma alta pontuação em benchmark atrairá menos atenção se um rival puder publicar novos teoremas, contraexemplos ou limites aprimorados com provas inspecionáveis.

Projetos acadêmicos enfrentam um desafio diferente. Sistemas como Aletheia são projetados especificamente para pesquisa autônoma em matemática. Um artigo de fevereiro de 2026 sobre matemática autônoma descreveu um agente que gera, verifica e revisa argumentos iterativamente em exercícios e problemas abertos.

Esses projetos podem oferecer transparência que laboratórios comerciais frequentemente limitam. Pesquisadores podem examinar ciclos de agentes, prompts, escolhas de formalização e procedimentos de avaliação. Modelos internos fechados podem oferecer desempenho mais forte, mas pessoas externas não conseguem determinar facilmente qual capacidade vem do modelo-base, das ferramentas, do feedback humano ou de amostragem repetida.

O Astra também pressiona instituições matemáticas. Revistas e conferências precisarão de políticas para argumentos gerados por IA, divulgação, autoria e reprodutibilidade. Revisores podem receber artigos mais longos, gerados mais rapidamente do que a comunidade de especialistas disponível consegue avaliá-los.

Esse desequilíbrio cria um gargalo de verificação. A geração de resultados candidatos pode escalar com a capacidade computacional, enquanto a revisão de uma prova avançada ainda exige expertise rara. Um laboratório pode produzir centenas de manuscritos plausíveis antes que especialistas consigam avaliar uma pequena fração deles.

Para matemáticos em atividade, o efeito mais realista no curto prazo é a redistribuição de tarefas. Modelos podem pesquisar literatura, testar variantes, gerar exemplos, formalizar lemas e desafiar a abordagem preferida de um pesquisador. Os humanos continuam responsáveis por escolher questões que valham a pena e compreender as consequências.

Terence Tao descreveu a matemática informal como o trabalho comum, em prosa e equações, usado pela maioria dos pesquisadores. Argumentos informais são expressivos e eficientes, mas deixam espaço para erros sutis. Seus comentários sobre matemática com IA também destacam o quanto o progresso atual depende de uma interação humana produtiva.

Portanto, o sistema de pesquisa mais robusto talvez combine três componentes. Um modelo de linguagem propõe e revisa ideias. Um provador formal verifica enunciados exatos. Especialistas humanos determinam se o resultado é significativo e está corretamente contextualizado.

A relevância do Astra se baseia na afirmação da OpenAI de que um único modelo pode contribuir em todas as três etapas. Agora, os concorrentes precisam demonstrar não apenas inteligência no momento do teste, mas um caminho confiável do texto gerado ao conhecimento aceito.

Os Certificados Lean Reduzem o Risco, mas Não Encerram o Debate

A verificação por máquinas pode estabelecer validade formal, mas não pode determinar de forma independente novidade, importância ou atribuição honesta.

A primeira questão de verificação é se cada certificado Lean anunciado é validado em um ambiente padrão. Pesquisadores independentes precisam dos arquivos-fonte, versões das dependências, enunciados dos teoremas e instruções necessárias para reproduzir o resultado.

A reprodutibilidade importa porque assistentes de prova evoluem. Bibliotecas mudam, definições são renomeadas e a automação pode se comportar de forma diferente entre versões. Um arquivo completo permite que outra equipe reconstrua o ambiente, em vez de confiar em uma captura de tela ou em uma declaração da empresa.

A segunda questão diz respeito ao alinhamento dos teoremas. Revisores precisam comparar cada enunciado formal com a alegação correspondente no manuscrito. Pequenas mudanças nas hipóteses podem transformar um teorema difícil em outro muito mais simples.

Considere um grupo não sofic proposto. Especialistas precisam confirmar que a construção formal satisfaz as propriedades de grupo pretendidas e realmente contradiz a soficidade sob a definição aceita. Também devem determinar se a literatura relacionada já contém a construção sob terminologia diferente.

A terceira questão é a novidade. Modelos de linguagem absorvem enormes quantidades de texto publicado, incluindo artigos difíceis de encontrar em buscas comuns. Um argumento gerado pode parecer original porque nem o usuário nem o primeiro revisor reconhecem sua fonte.

Isso não torna o resultado falso. Muda a alegação de crédito e descoberta. Um modelo que recupera uma prova esquecida realizou uma síntese útil da literatura, mas não resolveu de forma independente um problema em aberto.

O risco não é teórico. Alegações públicas anteriores sobre o progresso da IA em problemas de Erdős foram revistas depois que matemáticos descobriram que algumas questões supostamente abertas já tinham soluções conhecidas. A cobertura de um resultado posterior e verificado sobre distância unitária observou esse histórico e a necessidade de cautela.

O caso da distância unitária oferece um precedente mais encorajador. A OpenAI anunciou que um modelo interno de propósito geral havia gerado uma nova solução para um problema de longa data. Matemáticos externos examinaram a prova, e Tim Gowers a descreveu como um marco na matemática com IA. A cobertura especializada da época também enfatizou o trabalho humano necessário para interpretá-la e aprimorá-la.

O conjunto de 10 resultados do Astra multiplica esse fardo. Cada área tem sua própria literatura e um número limitado de pessoas capazes de revisar as alegações mais fortes. A aprovação de um especialista não pode validar toda a coleção.

A narração do raciocínio do modelo oferece contexto, mas não deve ser tratada como um registro interno fiel. Modelos de linguagem podem produzir explicações após gerar uma resposta, e essas explicações não revelam necessariamente o caminho causal real.

O uso de recursos relatado exige cautela semelhante. Estimativas baseadas em tokens medem a inferência consumida durante buscas de solução bem-sucedidas. Elas não capturam experimentos de desenvolvimento que falharam, treinamento, hardware, tempo de pesquisadores ou o custo da verificação.

Essa distinção importa quando resumos do google news reduzem a história a uma simples comparação de custos. A conta de inferência é relevante para replicação e escala, mas não representa o custo total de produzir matemática aceita.

A condição da OpenAI como desenvolvedora do modelo e primeira avaliadora cria outra fonte de incerteza. A empresa tem incentivos para publicar evidências marcantes antes do lançamento de um produto. Isso não invalida o trabalho, mas torna a revisão externa essencial.

O próprio Astra ainda não foi lançado, o que limita testes independentes de capacidade. Pesquisadores podem inspecionar os resultados sem determinar quão consistentemente o modelo os reproduz, de quanto suporte ele precisa ou com que frequência tentativas igualmente confiantes falham.

A posição correta não é nem crença automática nem rejeição reflexa. Os manuscritos e certificados merecem exame, enquanto as conclusões mais amplas devem aguardar replicação independente e consenso entre especialistas.

A Matemática com IA Está Saindo dos Benchmarks para uma Economia de Verificação

O recurso limitante está mudando da geração de provas candidatas para a alocação de atenção confiável de especialistas.

A matemática tradicional avança lentamente porque descoberta e verificação estão entrelaçadas. Um pesquisador testa ideias, compartilha rascunhos com colegas, apresenta seminários, revisa argumentos e, por fim, submete um artigo. A revisão informal começa muito antes da revisão por pares formal.

A IA altera o volume no início desse processo. Um modelo pode produzir mais lemas candidatos, exemplos e estratégias de prova do que um pesquisador consegue ler. Sistemas de agentes podem executar buscas paralelas e descartar falhas evidentes antes que um humano as veja.

Assistentes de prova podem absorver parte do volume aumentado. Eles rejeitam etapas formais inválidas de forma consistente e nunca se cansam. Isso torna Lean e sistemas semelhantes uma infraestrutura importante para a pesquisa assistida por IA.

A formalização ainda tem custos. Traduzir um argumento avançado exige especialização tanto na área matemática quanto no assistente de prova. Bibliotecas podem não ter definições ou lemas que especialistas consideram óbvios, forçando equipes a construir primeiro componentes fundamentais.

Segundo relatos, o Astra usou o mesmo modelo para formalizar os argumentos após a preparação do manuscrito. Se esse processo se mostrar repetível, ele reduzirá uma das maiores barreiras à pesquisa verificada por máquina. O modelo atuaria tanto como motor de conjecturas quanto como assistente de formalização.

A economia resultante possui várias camadas de verificação.

Primeiro, verificações automatizadas testam a validade lógica local. Segundo, especialistas de domínio analisam se o teorema formal corresponde à alegação informal. Terceiro, a revisão da literatura testa a novidade. Por fim, a comunidade mais ampla avalia a importância e desenvolve o resultado.

Nenhuma camada isolada pode substituir as demais. Um artigo pode passar pelo Lean ao expressar um teorema pouco interessante. Um insight informal celebrado pode falhar na formalização porque uma etapa estava errada. Uma prova correta e importante ainda pode duplicar um trabalho existente.

No futuro, periódicos podem exigir artefatos de prova legíveis por máquina para submissões com uso intensivo de IA. Essa política melhoraria a verificação, mas também poderia favorecer áreas com bibliotecas formais maduras. Áreas baseadas em diagramas, heurísticas probabilísticas ou computação extensiva podem continuar difíceis de codificar.

A autoria apresenta outra questão ainda não resolvida. Modelos não podem aceitar responsabilidade, responder como agentes morais ou ocupar cargos acadêmicos. Autores humanos devem continuar responsáveis pelas alegações submetidas, mesmo quando um modelo gerou a maior parte do argumento.

Os padrões de divulgação precisarão de mais detalhes do que uma frase dizendo que foi usada IA. Leitores precisam saber qual sistema propôs a ideia central, quantas tentativas foram amostradas, como humanos selecionaram os resultados e se o modelo teve acesso a feedback privado.

Tentativas fracassadas também importam. Relatar apenas provas bem-sucedidas cria uma imagem distorcida da confiabilidade. Um sistema que produz uma solução válida ao lado de milhares de erros confiantes exige um processo de revisão diferente de outro que obtém sucesso de maneira consistente.

É por isso que os resultados do First Proof continuam instrutivos. O sistema da OpenAI gerou tentativas para todos os problemas, mas a avaliação de especialistas constatou que confiança e correção divergiam. O experimento mostrou que a avaliação em nível de pesquisa não pode se basear no estilo da resposta.

O Astra pode representar uma grande melhoria, mas o anúncio por si só não pode estabelecer sua distribuição de erros. Usuários precisam de avaliações que incluam caminhos abandonados, conjecturas incorretas e a quantidade de direcionamento humano.

A amplitude do modelo é outra alegação testável. Produzir resultados em domínios não relacionados sugere raciocínio transferível, mas os problemas selecionados podem compartilhar vantagens ocultas. Eles podem ter literatura acessível, enunciados formais claros ou espaços de solução adequados à busca paralela.

Portanto, equipes independentes devem testar sistemas semelhantes ao Astra em problemas recém-escritos, conjecturas privadas e domínios com bibliotecas formais escassas. Esses contextos reduzem os riscos de contaminação e revelam se o fluxo de trabalho se generaliza.

Para desenvolvedores, a lição vai além da matemática. Agentes de IA usados em engenharia de software, segurança, direito ou ciência também precisam de camadas de verificação compatíveis com seus resultados. Um resultado fluente não é o mesmo que um artefato confiável.

Profissionais do conhecimento enfrentam um desafio relacionado. A geração mais rápida aumenta a necessidade de preservar material-fonte, decisões e revisões. Uma base de conhecimento de IA pesquisável pode ajudar equipes a manter esse contexto, mas não pode julgar se um teorema está correto.

A história do Astra é, portanto, tanto sobre infraestrutura quanto sobre inteligência. Modelos geram opções, sistemas formais testam a lógica e instituições decidem o que se torna conhecimento confiável.

O Que Observar Após o Ciclo de Notícias do Google

Três sinais determinarão se o Astra marca uma transição duradoura na pesquisa ou uma demonstração excepcionalmente refinada.

O primeiro sinal é a validação independente dos resultados mais fortes. O grupo não sofic proposto, limites importantes de codificação e contraexemplos alegados devem receber revisões identificadas de especialistas. Correções públicas não tornariam o projeto sem valor, mas esclareceriam onde o fluxo de trabalho continua frágil.

A validação deve ir além de endossos gerais. Pesquisadores precisam identificar qual teorema verificaram, se revisaram o enunciado Lean e se pesquisaram a literatura relevante. Um resultado se torna crível por meio de escrutínio rastreável.

Se várias das alegações mais consequentes sobreviverem a esse processo, o argumento da OpenAI se fortalece. Isso mostraria que o Astra produziu novo conhecimento em múltiplas áreas, e não apenas rascunhos plausíveis. Se alegações centrais exigirem revisão substancial, o evento se tornará evidência de uma geração de hipóteses aprimorada.

O segundo sinal é a reprodutibilidade dos artefatos formais. Equipes independentes devem conseguir compilar os certificados, inspecionar dependências e comparar cada teorema com sua descrição no manuscrito.

Uma reprodução bem-sucedida estabeleceria que a OpenAI forneceu mais do que documentos estáticos. Ela daria aos matemáticos objetos duráveis que podem ser ampliados, criticados e incorporados a bibliotecas formais.

Problemas nessa etapa revelariam limites importantes. Um certificado pode depender de hipóteses personalizadas, infraestrutura incompleta ou definições que restringem a alegação. Essas questões podem ser corrigidas, mas devem fazer parte de qualquer avaliação da conquista.

O terceiro sinal é o lançamento e a avaliação da própria Astra. A OpenAI a descreve como seu próximo grande modelo, mas pesquisadores externos ainda não conseguem medir sua consistência nem determinar quanto suporte contribuiu para esses resultados.

Um lançamento público ou via API permitiria testes controlados em questões de pesquisa inéditas. Avaliadores poderiam comparar a Astra aos sistemas do Google, provadores especializados de teoremas e agentes acadêmicos em condições compartilhadas.

Os estudos mais informativos divulgariam distribuições completas de tentativas. Eles incluiriam soluções válidas, falsos começos, citações alucinadas, falhas de formalização e intervenção humana. As taxas de sucesso importam mais do que uma lista selecionada de vitórias.

O efeito da Astra sobre a prática de pesquisa também se tornará visível por meio da adoção. Observe se matemáticos a utilizam para formular conjecturas, resolver lacunas técnicas ou traduzir provas informais para Lean. Esses usos indicariam valor mesmo que descobertas totalmente autônomas permaneçam incomuns.

O enquadramento do google news desaparecerá rapidamente, mas a resposta de especialistas deve levar mais tempo. Provas avançadas não podem ser avaliadas de forma responsável no ritmo das redes sociais, sobretudo quando um lançamento abrange várias especialidades.

Os leitores devem evitar tratar toda crítica como evidência de fracasso. A revisão matemática rotineiramente encontra etapas pouco claras e solicita revisões. A questão relevante é se as ideias centrais da Astra resistem às correções e produzem resultados que os pesquisadores utilizam.

Também devem evitar presumir que a verificação formal resolve tudo. O Lean pode verificar o teorema que recebe, enquanto os humanos precisam confirmar que esse é o teorema que todos acreditam ter sido provado.

Nos próximos meses, acompanhe os certificados, os relatórios de especialistas e o acesso ao modelo, em vez do número da manchete. Se esses três sinais se alinharem, a Astra será uma evidência de que a IA geral pode contribuir diretamente para a matemática de fronteira. Se divergirem, o episódio ainda ensinará aos pesquisadores como construir sistemas de verificação melhores.

A questão prática não é se a IA consegue gerar texto matemático impressionante. Ela já consegue. A questão é se laboratórios, periódicos e pesquisadores conseguem transformar esse resultado em conhecimento confiável sem sobrecarregar as pessoas responsáveis por verificá-lo.

Esse é o padrão a ser aplicado após o fim do ciclo de google news. Leia as análises independentes, examine quais alegações resistem e observe se outras equipes reproduzem o fluxo de trabalho em problemas que a OpenAI não selecionou.