Repozytorium pozwala sprawdzić twierdzenie, nie czyni go uznaną wiedzą. Relacja o publikacji OpenAI z 6 października wymienia 719 rękopisów w 372 rodzinach z wewnętrznego modelu. Pomocnicze argumenty i inne dowody współdzielą rodzinę; liczba prac nie oznacza przełomów.
Łącz dokładne twierdzenie, założenia, pochodzenie, formalny artefakt i odpowiedzialną ocenę człowieka dla każdego wyniku. Pozwala to znaleźć wartość bez traktowania ilości jako poprawności lub znaczenia.
Zachowaj mianownik poszukiwań
OpenAI podaje około 4000 problemów przed łączeniem i filtrem znaczenia. Nie ujawnia to rozkładu trudności, wszystkich porażek ani odtwarzalnej selekcji. Dzielenie rękopisów przez problemy nie daje ogólnej skuteczności: rodziny i warianty mają inne jednostki.
Dziesięć skróconych podsumowań rozumowania nie stanowi historii każdej pracy. Sumy obliczeń nie zastępują promptów, modelu, czasu i zmian. Niedostępny model uniemożliwia odtworzenie i porównanie sąsiednich pytań.
Sprawdź treść formalnego kodu
Około 42 procent głównych wyników jest sformalizowanych, nie wszystkich 719 rękopisów. Lean sprawdza kroki wynikające z definicji i założeń, nie gwarantuje zgodności zakodowanego twierdzenia z tekstem.
Analiza wcześniejszej pracy Naviera–Stokesa wykazała różnice tłumaczenia, nie uznając całego tekstu za fałszywy. Jedno oszacowanie wymagało w prozie czterech dodatkowych pochodnych, formalnie pięciu. Kompilacja i zgodność znaczenia to inne testy.
Połącz twierdzenia z dowodami
Która deklaracja Lean wspiera twierdzenie i etapy, jakie założenia zmieniono i co pozostaje nieformalne? Zachowaj mapowania maszynowe, instrukcje budowy, zależności i ograniczenia, odróżniając lepszy opis od zmiany wyniku.
Niezależna AGMAI zalecała standardy, nie certyfikowała zbioru. Rozróżnia pracę rozumianą przez autora i wynik czekający na zrozumienie. Recenzje, seminaria, pytania i odpowiedzialne korekty są potrzebne mimo sprawdzenia formalnego.
Finansuj zrozumienie, nie tylko generowanie
Poprawność, oryginalność, użyteczność i wyjaśnienie są odrębne. Prawdziwy wynik może być znany lub mało ważny; dobra metoda wymaga objaśnienia. W wąskich dziedzinach ilość przeciąża ekspertów szybciej niż tworzy wiedzę.
OpenAI zapowiada warsztaty i programy, lecz niezależność, struktura i skala są nieznane. Powinny tworzyć objaśnienia i badaczy umiejących odpowiadać, nie reklamę. Niezależny podział wsparcia chroni wybór pytań poza agendą laboratorium.
Śledź recenzje wyników, lepsze mapowania i ponowne użycie. Zachowaj widoczne poprawki i wycofania zamiast cichej podmiany. Przyrost niezależnie rozumianych rezultatów jest postępem, nie sam rozmiar repozytorium ani częściowa formalizacja.