← Todas las noticias

Yao Qizhi, Yang Zhilin y otros proponen TCSExam: 100 tareas de informática teórica para evaluar agentes de IA; Kimi K3 logra una arista más en una construcción de teoría de grafos

Leiphone informó el 12 de noviembre de 2026 que Yao Qizhi, Yang Zhilin y otros investigadores propusieron conjuntamente TCSExam, que evalúa agentes de IA con 100 tareas de investigación en informática teórica, divididas en cuatro pistas: demostración de teoremas, Solver, construcciones matemáticas y conjeturas abiertas. El informe señala que Kimi K3, en una tarea de construcción con 124 puntos y sin triángulos ni cuadriláteros, produjo un grafo de 630 aristas, superando el récord de referencia de 629 y pasando la verificación por programa; el informe no menciona los pesos, las licencias ni la facturación de los modelos implicados.

Publicado Actualizado
Portada de la noticia original — Yao Qizhi, Yang Zhilin y otros proponen TCSExam: 100 tareas de informática teórica para evaluar agentes de IA; Kimi K3 logra una arista más en una construcción de teoría de grafos
Portada de la noticia originalNoticia original ↗

Qué ha cambiado

Un informe de Leiphone del 12 de noviembre de 2026 afirma que el premio Turing y director del Instituto de Información Cruzada de la Universidad de Tsinghua, Yao Qizhi, el fundador de Moonshot AI, Yang Zhilin, y otros investigadores propusieron conjuntamente el marco de evaluación TCSExam, que divide 100 tareas de investigación en informática teórica en cuatro pistas: 20 de demostración de teoremas, que exigen presentar demostraciones en Lean 4; 30 de ingeniería Solver, que exigen presentar programas de algoritmos ejecutables de forma repetible; 20 de construcciones matemáticas, que examinan si se pueden generar objetos como grafos y códigos correctores que cumplan restricciones estrictas; y 30 de conjeturas abiertas, que permiten avanzar tanto demostrando como dando contraejemplos. El número de artículo citado en el informe es arXiv 2611.07962v1. El informe señala que, en la tarea de construcción de conectar 124 puntos sin triángulos ni cuadriláteros, Kimi K3 produjo un grafo de 630 aristas, superando el récord de referencia anterior de 629, y pasó la verificación por programa. El mismo informe indica que GPT-6 Astra completó 14 de 20 teoremas de nivel de investigación y llevó el alcance conocido de una demostración, bajo condiciones específicas, de una conjetura matricial sobre un cuerpo finito de cinco elementos, de 8 a 9 dimensiones; esa demostración se organizó en un proyecto con 71 módulos Lean, se recompiló en un entorno independiente y se sometió a una comprobación de dependencias axiomáticas. El informe también señala que Kimi K3, en un intento, completó 7 checkpoints intermedios con una cobertura del 87,5 %, pero no completó la derivación final necesaria para el teorema principal; en las tres condiciones de guía Bare, Ladder y Guided, Kimi K3 completó al menos 3, 4 y 7 teoremas distintos, respectivamente, mientras que DeepSeek V4.1 Flash 0910 completó 0, 2 y 6. El informe menciona que parte de las refutaciones aceptadas de Ryser y MIRUP provienen de la búsqueda y adaptación de resultados ya publicados por OpenAI, y que las otras 28 conjeturas abiertas no recibieron una solución completa. Todo lo anterior son afirmaciones de los investigadores tal como las recoge el informe.

Impacto para desarrolladores

Para los desarrolladores, la parte trasladable de esta noticia no es esa arista, sino el criterio de evaluación en sí. El informe muestra que un mismo modelo, según si se le proporcionan lemas intermedios o ideas de demostración, cambia notablemente el número de teoremas completados; esto es solo un resultado experimental del informe, pero apunta a un problema general: cualquier evaluación cuyo objetivo sea la "realización autónoma", si el prompt incluye pasos intermedios, mide otra cosa, y al elegir para integración es fácil mezclar ambas capacidades. El enfoque de TCSExam es verificar las demostraciones con el núcleo de Lean 4 y auditar las dependencias, comprobar la salida de los algoritmos con programas reejecutables, aislar las derivaciones locales con checkpoints y, además, señalar explícitamente que cuando la demostración A toma prestada B y la demostración B depende de A, que las comprobaciones locales pasen por separado no constituye una demostración completa: este enfoque por capas puede trasladarse directamente a la propia fase de aceptación de agentes, siempre que la salida pueda verificarse mecánicamente, por ejemplo si el código compila, si se cumplen las restricciones o si el verificador puede recalcular el mismo valor objetivo. El informe también menciona que parte de las refutaciones aceptadas de Ryser y MIRUP provienen de buscar y adaptar resultados públicos, lo que equivale a advertir que los bancos de pruebas propios deben protegerse de la contaminación por "la respuesta ya está en internet". Además, el informe señala que la pista Solver introdujo una puntuación normalizada respecto a los resultados de múltiples ejecuciones de Kimi K3, es decir, que en este marco Kimi K3 sirve a la vez como sistema de referencia; al leer expresiones como "mejor que la referencia" hay que confirmar primero cuál es el objeto de comparación. La limitación real es que este tipo de tareas es de nivel de investigación, con pocas tareas y alto costo y tiempo por tarea, por lo que no es realista usarlas como prueba de regresión diaria; el informe tampoco indica mediante qué interfaz se invocaron estos modelos ni cómo se factura, así que no conviene tomar un récord puntual como base directa de compra o migración.

Integración y evaluación

Las siguientes son recomendaciones condicionales basadas en el informe; son inferencias y sugerencias operativas, no hechos verificados. Primero, medir el "cuánto andamiaje se da en el prompt" como variable explícita. El cambio observable en el informe es que Kimi K3 completó al menos 3, 4 y 7 teoremas distintos en las condiciones Bare, Ladder y Guided, y DeepSeek V4.1 Flash 0910 completó 0, 2 y 6. La elección es: si la carga exige que el modelo encuentre por sí mismo los pasos intermedios clave (agentes de largo recorrido, problemas abiertos que no pueden descomponerse de antemano), tomar como referencia principal el nivel sin pistas intermedias; si el flujo ya incluye descomposición de pasos, evaluar en el nivel que proporciona ideas. La condición que activa esta elección es si la tarea puede descomponerse de forma fiable en objetivos intermedios de antemano. El criterio medible es ejecutar el mismo lote de tareas en los tres niveles de guía y registrar la diferencia en el número de teoremas principales completados; si el nivel con ideas es claramente superior al nivel sin pistas, indica que la autonomía del modelo en tu escenario es limitada y el presupuesto debe reservarse para descomposición manual o rondas adicionales. Segundo, cambiar la aceptación de "que otro modelo lo lea" a "artefacto más verificador independiente". El mecanismo trasladable del informe es el certificado de investigación: los teoremas se someten al núcleo de Lean 4 con auditoría de dependencias, los algoritmos se entregan como programas reejecutables cuyo verificador vuelve a determinar la validez y recalcula el valor objetivo, los objetivos intermedios se comprueban por separado bajo supuestos temporales, y el teorema principal debe revisarse de nuevo tras eliminar los supuestos no demostrados. La elección es: para tareas cuya salida puede verificarse mecánicamente, exigir al modelo que entregue tanto el resultado como un script de verificación, que tu canalización reejecute, y contar como éxito solo si la reejecución pasa. El informe pone como ejemplo la tarea de síntesis lógica IWLS 2023 y da un conjunto de cifras observables, que son un ejemplo de esa tarea y no una conclusión global de la pista Solver: GPT-6 Astra generó circuitos válidos en los 100 casos, de los cuales 22 superaron el circuito de referencia público, 31 alcanzaron el nivel de referencia y otros 47 usaron más puertas AND; esto muestra que "válido" y "mejor" deben contarse por separado. El criterio medible es registrar en dos columnas la tasa de validez y la proporción de mejores que la referencia; de lo contrario, si solo se cuenta si funciona, la caída de calidad de optimización no aparecerá en el informe. Tercero, contar por separado el "casi completo". El caso típico del informe es que Kimi K3, en un intento, completó 7 checkpoints intermedios con una cobertura del 87,5 %, pero no completó la derivación final necesaria para el teorema principal, y el sistema conserva el logro parcial pero se niega a reconocerlo como demostración completa. La elección es separar "completado parcialmente" y "entrega aprobada" en dos campos en lugar de fusionarlos en una puntuación total, pues de lo contrario los cambios de capacidad en tareas largas se diluyen en el promedio. La condición es poder descomponer la tarea en objetivos intermedios verificables por separado; el criterio medible es registrar a la vez la tasa de aprobación del teorema principal y la cobertura media de checkpoints, y cuando ambas tendencias no coincidan, tomar como referencia la tasa de aprobación del teorema principal.

Límites y cuestiones pendientes

Hay varias incertidumbres que deben mantenerse. Esta es una evaluación construida por los propios investigadores: el informe señala que durante el desarrollo más de 40 teoremas candidatos salieron del banco por haber sido resueltos en la fase de prueba, lo que indica que la calibración de dificultad sigue ajustándose. El resultado de 630 aristas es, según el informe, una construcción verificada por programa; este artículo no la ha reproducido de forma independiente ni ha visto una revisión de terceros; el paso de 8 a 9 dimensiones es un caso especial sobre un cuerpo finito de cinco elementos, la conjetura completa de Alon–Jaeger–Tarsi sigue sin resolverse, y el informe también dice que las otras 28 conjeturas abiertas no recibieron una solución completa, por lo que no conviene leer un récord puntual como capacidad de investigación general. El número de teoremas completados en los tres niveles de guía solo cubre una parte de la pista de demostración de teoremas y tampoco puede tomarse como una clasificación global. El informe no menciona los pesos, las licencias ni la facturación de Kimi K3 o DeepSeek V4.1 Flash 0910, ni ofrece calendario alguno de lanzamiento o apertura de pesos de ningún modelo. En el catálogo actual de KimiSeek, Kimi K3 tiene una entrada con el mismo nombre, pero esto es solo el estado actual del catálogo y no permite inferir las condiciones de reproducción de los experimentos del informe, la forma de interfaz ni ningún plan de lanzamiento; el nombre de versión DeepSeek V4.1 Flash 0910 que aparece en el informe no tiene una entrada exacta correspondiente en el catálogo actual, esa versión no está listada actualmente en KimiSeek y el informe tampoco aclara si se ofrece mediante API, por lo que la información de integración y costos debe basarse en las indicaciones y la página de precios del fabricante.

Ilustraciones de la noticia original

Ilustración de la noticia original 1 — Yao Qizhi, Yang Zhilin y otros proponen TCSExam: 100 tareas de informática teórica para evaluar agentes de IA; Kimi K3 logra una arista más en una construcción de teoría de grafos
Ilustración de la noticia original 1Noticia original ↗
Ilustración de la noticia original 2 — Yao Qizhi, Yang Zhilin y otros proponen TCSExam: 100 tareas de informática teórica para evaluar agentes de IA; Kimi K3 logra una arista más en una construcción de teoría de grafos
Ilustración de la noticia original 2Noticia original ↗
Ilustración de la noticia original 3 — Yao Qizhi, Yang Zhilin y otros proponen TCSExam: 100 tareas de informática teórica para evaluar agentes de IA; Kimi K3 logra una arista más en una construcción de teoría de grafos
Ilustración de la noticia original 3Noticia original ↗
Ilustración de la noticia original 4 — Yao Qizhi, Yang Zhilin y otros proponen TCSExam: 100 tareas de informática teórica para evaluar agentes de IA; Kimi K3 logra una arista más en una construcción de teoría de grafos
Ilustración de la noticia original 4Noticia original ↗
Ilustración de la noticia original 5 — Yao Qizhi, Yang Zhilin y otros proponen TCSExam: 100 tareas de informática teórica para evaluar agentes de IA; Kimi K3 logra una arista más en una construcción de teoría de grafos
Ilustración de la noticia original 5Noticia original ↗
Ilustración de la noticia original 6 — Yao Qizhi, Yang Zhilin y otros proponen TCSExam: 100 tareas de informática teórica para evaluar agentes de IA; Kimi K3 logra una arista más en una construcción de teoría de grafos
Ilustración de la noticia original 6Noticia original ↗
Ilustración de la noticia original 7 — Yao Qizhi, Yang Zhilin y otros proponen TCSExam: 100 tareas de informática teórica para evaluar agentes de IA; Kimi K3 logra una arista más en una construcción de teoría de grafos
Ilustración de la noticia original 7Noticia original ↗
Ilustración de la noticia original 8 — Yao Qizhi, Yang Zhilin y otros proponen TCSExam: 100 tareas de informática teórica para evaluar agentes de IA; Kimi K3 logra una arista más en una construcción de teoría de grafos
Ilustración de la noticia original 8Noticia original ↗
Ilustración de la noticia original 9 — Yao Qizhi, Yang Zhilin y otros proponen TCSExam: 100 tareas de informática teórica para evaluar agentes de IA; Kimi K3 logra una arista más en una construcción de teoría de grafos
Ilustración de la noticia original 9Noticia original ↗
Ilustración de la noticia original 10 — Yao Qizhi, Yang Zhilin y otros proponen TCSExam: 100 tareas de informática teórica para evaluar agentes de IA; Kimi K3 logra una arista más en una construcción de teoría de grafos
Ilustración de la noticia original 10Noticia original ↗
Ilustración de la noticia original 11 — Yao Qizhi, Yang Zhilin y otros proponen TCSExam: 100 tareas de informática teórica para evaluar agentes de IA; Kimi K3 logra una arista más en una construcción de teoría de grafos
Ilustración de la noticia original 11Noticia original ↗
Ilustración de la noticia original 12 — Yao Qizhi, Yang Zhilin y otros proponen TCSExam: 100 tareas de informática teórica para evaluar agentes de IA; Kimi K3 logra una arista más en una construcción de teoría de grafos
Ilustración de la noticia original 12Noticia original ↗
Ilustración de la noticia original 13 — Yao Qizhi, Yang Zhilin y otros proponen TCSExam: 100 tareas de informática teórica para evaluar agentes de IA; Kimi K3 logra una arista más en una construcción de teoría de grafos
Ilustración de la noticia original 13Noticia original ↗
Ilustración de la noticia original 14 — Yao Qizhi, Yang Zhilin y otros proponen TCSExam: 100 tareas de informática teórica para evaluar agentes de IA; Kimi K3 logra una arista más en una construcción de teoría de grafos
Ilustración de la noticia original 14Noticia original ↗
Ilustración de la noticia original 15 — Yao Qizhi, Yang Zhilin y otros proponen TCSExam: 100 tareas de informática teórica para evaluar agentes de IA; Kimi K3 logra una arista más en una construcción de teoría de grafos
Ilustración de la noticia original 15Noticia original ↗
Ilustración de la noticia original 16 — Yao Qizhi, Yang Zhilin y otros proponen TCSExam: 100 tareas de informática teórica para evaluar agentes de IA; Kimi K3 logra una arista más en una construcción de teoría de grafos
Ilustración de la noticia original 16Noticia original ↗
Ilustración de la noticia original 17 — Yao Qizhi, Yang Zhilin y otros proponen TCSExam: 100 tareas de informática teórica para evaluar agentes de IA; Kimi K3 logra una arista más en una construcción de teoría de grafos
Ilustración de la noticia original 17Noticia original ↗
Ilustración de la noticia original 18 — Yao Qizhi, Yang Zhilin y otros proponen TCSExam: 100 tareas de informática teórica para evaluar agentes de IA; Kimi K3 logra una arista más en una construcción de teoría de grafos
Ilustración de la noticia original 18Noticia original ↗
Ilustración de la noticia original 19 — Yao Qizhi, Yang Zhilin y otros proponen TCSExam: 100 tareas de informática teórica para evaluar agentes de IA; Kimi K3 logra una arista más en una construcción de teoría de grafos
Ilustración de la noticia original 19Noticia original ↗
Ilustración de la noticia original 20 — Yao Qizhi, Yang Zhilin y otros proponen TCSExam: 100 tareas de informática teórica para evaluar agentes de IA; Kimi K3 logra una arista más en una construcción de teoría de grafos
Ilustración de la noticia original 20Noticia original ↗

Tres minutos hasta la primera llamada

Crea una cuenta y una clave de API. El coste de las llamadas se descuenta de tu saldo. 30 % de descuento en tu primera recarga. Recarga ¥500, paga ¥350, recibe ¥500 de saldo. Recarga ¥1000, paga ¥850, recibe ¥1000 de saldo La recarga mínima sigue siendo de ¥10, adecuada para pruebas.

Fuentes y proceso editorial

姚期智杨植麟首次联手给 AI 出的博士级题目,Kimi 多画出了「关键一条边」

La IA ayudó con el análisis y la traducción de las fuentes citadas, seguidos de controles automáticos. Las recomendaciones no son resultados de pruebas. Consulta el catálogo actual para precios y disponibilidad.