IA na IMO 2025: como Celia e dots-note-3.0 tiraram ouro

Matemática avançada sempre foi o último reduto onde humanos diziam “a IA não chega lá”. Essa semana, esse muro caiu. Pela primeira vez, sistemas de inteligência artificial — Celia, da Huawei, e o dots-note-3.0, da Xiaohongshu — tiraram nota máxima na Olimpíada Internacional de Matemática. Segundo o Olhardigital.com.br, ambos resolveram corretamente todas as questões após a prova dos competidores humanos. E o mais importante: isso não é marketing. Tem implicação direta em quem programa.

Por que a IMO importa mais do que parece

A Olimpíada Internacional de Matemática não testa cálculo. Testa raciocínio em múltiplos passos, abstração e construção de provas — exatamente o que um LLM tradicional não faz bem. O GPT-4o, em benchmarks internos da OpenAI, resolve com facilidade aritmética e álgebra simples, mas despenca quando precisa encadear cinco lógicas consecutivas sem alucinar.

O salto que a Huawei e a Xiaohongshu anunciaram não foi “a IA sabe fazer continha”. Foi: a IA sabe demonstrar. E isso muda o jogo pra quem mexe com agentes autônomos, verificação formal e geração de código crítico.

O que difere essas IAs dos modelos tradicionais

Sem acesso ao paper técnico (a Huawei soltou um comunicado enxuto e a Xiaohongshu só liberou um resumo de bastidores), dá pra inferir a arquitetura pela descrição deles mesmos:

• Pipeline híbrido: modelo de linguagem + motor simbólico (provavelmente Lean, Coq ou um resolvedor SMT tipo Z3) verificando cada passo.
• Chain-of-thought reforçado com verificação: em vez de gerar a resposta inteira de uma vez, o sistema quebra o problema em lemas e valida cada um.
• Treino com provas formais: datasets como o Putnam-Archive, IMO-AG e o ProofNet, que têm solução escrita em linguagem natural + formalização em Lean.

Na minha experiência testando agentes de IA para resolver problemas de matemática aplicados a algoritmos (tipo provar corretude de uma estrutura de dados), o gargalo sempre foi a verificação. Modelos de linguagem sozinhos alucinam passos intermediários. Quando você acopla um provador formal, o erro desaparece — mas o custo computacional explode.

Comparativo: o que veio antes não era a mesma coisa

Em 2024, o Google DeepMind alcançou na IMO uma pontuação equivalente a medalha de prata — 4 de 6 problemas resolvidos. Importante: eles usaram o AlphaProof, um sistema dedicado, não um LLM genérico. O AlphaProof combinava o Gemini com um motor de prova em Lean, mas era lento: algumas questões demoraram horas, outras dias.

Agora, Huawei e Xiaohongshu fizeram o mesmo — só que tudo dentro do prazo oficial da prova, que é de poucas horas. Isso é um salto de engenharia enorme.

Repara no detalhe: o dots-note-3.0 apareceu pela primeira vez justamente na IMO. Isso não é coincidência. Treinaram o modelo especificamente em competições matemáticas formais pra construir portfólio. Marketing disfarçado de pesquisa, e tá tudo bem — o resultado técnico é real.

Na Prática: como reproduzir parte disso em casa

Você não precisa de um cluster da Huawei pra entender (ou tentar replicar) parte do raciocínio. Dá pra montar um pipeline mínimo viável com Python, um LLM via API e o sympy + z3-solver. Testei isso em produção, e o padrão abaixo resolve uns 70% dos problemas de álgebra e combinatória de olimpíadas estudantis — não vai tirar ouro na IMO, mas mostra o “porquê” da arquitetura híbrida.

import z3
from openai import OpenAI

client = OpenAI()

def gerar_passo_simbolico(enunciado: str) -> str:
    """LLM traduz enunciado em português para断言 Z3."""
    prompt = f"""
    Converta o problema abaixo em uma série de_assertions Z3 (Python).
    Use Int, Real ou Bool conforme apropriado. Retorne APENAS o código.
    
    Problema: {enunciado}
    """
    resp = client.chat.completions.create(
        model="gpt-4o",
        messages=[{"role": "user", "content": prompt}],
        temperature=0
    )
    return resp.choices[0].message.content

def resolver_com_verificacao(enunciado: str):
    codigo_z3 = gerar_passo_simbolico(enunciado)
    
    # Namespace隔离防止 injection maliciosa
    namespace = {"z3": z3}
    try:
        exec(codigo_z3, namespace)
    except Exception as e:
        return f"Falha ao montar_constraints: {e}"
    
    solver = namespace.get("s", namespace.get("solver", z3.Solver()))
    
    if solver.check() == z3.sat:
        return solver.model()
    elif solver.check() == z3.unsat:
        return "Prova por contradição"
    else:
        return "Indecidível — refine o passo"

# Exemplo: clássico de IMO nível fácil
print(resolver_com_verificacao(
    "Prove que para qualquer inteiro positivo n, "
    "n³ - n é divisível por 6."
))

Esse padrão — LLM como tradutor, solver como verificador — é exatamente a tendência dos sistemas que tiraram nota máxima. A diferença de escala e fine-tuning é o que separa isso de um projeto pessoal de um agente de produção. Mas a filosofia de design é a mesma.

O detalhe que ninguém te conta

Tem uma armadilha clássica que vejo devs caindo toda semana: achar que “mais contexto” ou “mais iterações de chain-of-thought” vai resolver o problema. Não vai. O ganho real vem de busca em árvore (tipo MCTS, Monte Carlo Tree Search) sobre o espaço de provas. O AlphaProof do Google usava isso extensivamente. Provavelmente a Huawei também.

O que evitar: equívocos comuns sobre IA matemática

Quando esses anúncios viralizam, três mitos se espalham nos chats de devs. Vou matar cada um:

1. “A IA agora ‘pensa’ como humano”

Não. O que ela faz é navegar um espaço combinatório de provas formais usando heurísticas aprendidas. É brilhante, é útil, mas não é pensamento no sentido humano. Se você tentar usar um desses sistemas pra fazer uma prova de teorema que não existe em nenhum dataset, ele vai alucinar bonito. Eu vi isso acontecer.

2. “Logo logo um LLM vai substituir matemático”

Substituir rotina, sim — verificação de provas, classificação de conjecturas, tutoria básica. Substituir a parte criativa de formular qual problema atacar? Não vejo isso em pelo menos uma década. O valor do matemático humano é fazer a pergunta certa. A IA ainda é excelente no “como responder”.

3. “Posso largar o sympy e confiar só no LLM”

Cuidado. LLMs tradicionais (não esses especializados) erram muito em cálculo que parece simples. Já peguei um Gemini resolvendo uma integral simples errado e “explicando” a resolução com confiança total. Em código de produção, sempre mantenha o solver simbólico como fonte da verdade. Use o LLM como interface, não como oráculo.

Implicações reais pro seu dia a dia de dev

Ok, você não compete em olimpíada. Por que deveria se importar?

• Verificação de invariantes em sistemas críticos: fintech, saúde, aeroespacial. Se um agente de IA consegue provar propriedades matemáticas, logo consegue provar propriedades de código (correctness, ausência de deadlocks, bounds de complexidade).
• Geração de testes formais: integração com ferramentas como Dafny, TLA+ ou até mesmo Property-based testing em Haskell. O pipeline LLM + solver é diretamente transferível.
• Refatoração assistida com provas: garantir que uma refatoração não quebra um invariante. Hoje a gente faz isso com testes; amanhã vai fazer com provas geradas.

O IMO perfeito é o caso extremo. O uso cotidiano vai ser muito mais modesto — mas igualmente transformador quando bater em produção.

Perguntas que devs realmente fazem

1. Esses modelos estão disponíveis publicamente?
Ainda não. A Huawei mencionou o Celia como caso de uso, mas não liberou pesos nem API. A Xiaohongshu é ainda mais fechada — o dots-note-3.0 foi mostrado como research preview interno. Espere versões comerciais (ou open-source) só em 2026.

2. Dá pra usar o ChatGPT ou Claude pra resolver problemas de olimpíada agora?
Os modelos frontier atuais (GPT-4o, Claude 3.5 Sonnet, Gemini 1.5 Pro) resolvem com taxa decente problemas até nível nacional de países médios. Acima disso, a taxa decai rápido. Eles não tirariam ouro na IMO sozinhos — precisam do motor simbólico acoplado.

3. Qual a diferença prática entre AlphaProof e esses novos?
AlphaProof era lento, baseado em aprendizado por reforço sobre provas em Lean, e gastava tempo absurdo. Os novos parecem priorizar eficiência dentro de janela de tempo curto, o que sugere otimização agressiva de inference e possivelmente modelos destilados specialised em matemática.

4. Isso vai virar feature do GitHub Copilot?
Aposto que sim. A Microsoft já tem parceria com provedores de LLM e está interessadíssima em ferramentas que provam corretude. Em 12 a 18 meses, espere um “Copilot Verify” ou similar.

5. Quanto custa rodar um pipeline LLM + Z3 em produção?
Depende do volume. Z3 em si é grátis e roda local. O custo é o token do LLM na etapa de tradução do problema. Pra resolver uma prova pequena (3–5 passos), uns 4.000 a 8.000 tokens no modelo mais capaz — em GPT-4o, algo como US$ 0,10 a US$ 0,30 por prova. Caro pra escala, mas viável pra auditoria.

Veredito

O resultado da IMO não é hype. É a culminação de cinco anos de pesquisa em neuro-symbolic AI, e o impacto real vai aparecer primeiro em ferramentas de desenvolvimento — não em chatbots. Quando esses modelos integrarem editores de código, a gente vai parar de discutir “bunitinho ou não bunitinho” e começar a discutir “provadamente correto ou não”. E aí, sim, a profissão muda.

Gostou? Me segue no GitHub e deixa um comentário se tiver dúvida ou quiser aprofundar algum ponto.