daVinci-Prover, la IA que demuestra teoremas en Lean
Un método de entrenamiento que hace que los agentes de IA demuestren teoremas en Lean gana 13,7 puntos sobre Qwen3-8B en MiniF2F, FATE y ProofNet.

Qué se sabe y qué no. Este artículo distingue lo anunciado oficialmente de lo filtrado, especulado o todavía no confirmado. Las afirmaciones dudosas se marcan como tales en el texto.
Qué ha ocurrido
Un laboratorio de inteligencia artificial llamado Generative AI Research (GAIR) y la Universidad de Shanghai Innovation Institute, junto a la Shanghai Jiao Tong y la Fudan, han presentado daVinci-Prover, un método de entrenamiento que da a los modelos de lenguaje una habilidad concreta: construir demostraciones formales en Lean 4, paso a paso, en un entorno de trabajo que verifica cada edición.
El artículo, de noviembre de 12 de 2026, no se limita a añadir más datos a un modelo. Introduce una receta de entrenamiento a medio camino —mid-training— diseñada específicamente para la demostración de teoremas, y una ganancia media de 13,7 puntos en pass@1 sobre una línea base adaptada con el mismo modelo, en los tres bancos estándar de la comunidad: MiniF2F, FATE-M y ProofNet. También mejora la serie Qwen3.5-9B y Qwen3.5-35B-A3B sobre sus propias líneas base.
Lo que hace único el trabajo es no solo añadir datos, sino que el entrenamiento incluya la interacción real con el verificador, donde los agentes fallan y aprenden.
Qué es y cómo funciona
Los sistemas actuales de demostración de teoremas suelen generar una prueba completa de una sola tirada, como un chatbot que responde una pregunta. Eso funciona en ocasiones, pero la demostración de un teorema es un proceso iterativo: se propone un paso, el verificador dice si es válido, se localiza el fallo, se ajusta, se vuelve a comprobar. Ese bucle es la firma del "agente de prueba".
daVinci-Prover separa el problema en dos.
Por un lado, una receta de entrenamiento a medio camino que añade dos tipos de datos sobre el texto plano:
- Habilidades matemáticas sobresalientes: descomposición de pruebas, ensamblaje de subteoremas, búsqueda de objetivos verificados, diagnóstico de errores y autoverificación.
- Trayectorias nativas del entorno: no se trata de leer pruebas completas, sino de ver cómo actúa un agente que escribe código Lean: qué herramienta elige, qué resultado devuelve, qué estado alcanza la prueba y qué mensaje devuelve el verificador, y cómo corrige su propia traza.
El corpus montado suma 33,7 mil millones de tokens y se extrae de fuentes matemáticas (NuminaMath-LEAN, AoPS, Lean Workbook, Goedel LM/SFT y OProofs), con una estimación de 9,585 millones de muestras.
Por otro lado, daVinci-Prover es un entorno ligero (harness) para la post-entrenamiento. Ofrece un espacio de trabajo persistente, herramientas tipadas, verificación de Lean y comprobaciones de finalización seguras. Con un modelo docente —teacher— de fuerza bruta, recopila unos 36.000 trayectorias de agentes de alta calidad para el ajuste supervisado.
Los números, y cómo se obtuvieron
El método está evaluado sobre Lean 4, uno de los sistemas de demostración más extendidos y los más exigentes para los modelos de lenguaje. Los resultados principales del artículo:
- El modelo Qwen3-8B entrenado con la receta de daVinci-Prover supera en 13,7 puntos sobre su base + SFT al promedio de los tres benchmarks (MiniF2F, FATE-M y ProofNet).
- Los modelos de la serie Qwen3.5-9B y Qwen3.5-35B-A3B también mejoran sobre sus respectivas líneas base.
- El trabajo cita que la serie Qwen3.5 alcanza resultados casi saturantes en MiniF2F cuando se aplica una compresión de memoria.
La figura clave del paper es una comparación de datos: la parte de agent-native tokens (8,4 mil millones) supera a los tokens de habilidad general (25,3 mil millones), y las dos partes son complementarias. En otras palabras, para las pruebas formales no vale solo alimentar al modelo con más texto matemático: hace falta practicar con el verificador, como haría un estudiante de matemáticas.
El modelo de datos es el teacher DeepSeek-V4-Flash-0731. El paper estima el coste de la síntesis de datos: unos 23.040 GPU-horas de 48 NVIDIA H200 durante unos 20 días, más una servicio de 76.800 horas-core de verificación de Lean. A precios de alquiler de nube de referencia de noviembre de 2026, puede equivaler a unos 122.000–146.000 dólares, sin contar con el servicio de CPU. Pueden ser estimaciones de presupuesto, no gastos reales del laboratorio.
Qué es oficial y qué no
Lo que el artículo y el repositorio publican de forma inequívoca es el método y el harness. El código del entorno, las herramientas, los scripts y la interfaz con Lean 4 están disponibles en el repositorio oficial GAIR-NLP/daVinci-prover.
Lo que el paper no entrega tal cuál:
- Los resultados finales de la familia daVinci-Prover con los modelos de Qwen3.5 no están publicados en bruto. Se cita que hay mejoras consistentes, pero el lector no puede comprobarlas fuera del artículo.
- La comparación que aparece en el README del repositorio —daVinci-Prover con DeepSeek-V4.1-flash-1012 al lado de Claude Code y Codex— son resultados de un harness, no una comparativa de modelos con las mismas condiciones. Usan un backbone distinto al del paper, y el artículo no los presenta como una prueba de líder de mercado.
Por qué importa
La noticia responde a una pregunta que tecnólogos se hacen desde hace tiempo: ¿la barrera para que los agentes de razonamiento sea el modelo o los datos de aprendizaje de la interacción?
daVinci-Prover sugiere que son los datos. Un modelo entrenado con demostraciones completas de pruebas, sin ver el proceso, obtiene resultados limitados. Un modelo que además ha visto cómo se construye la prueba en un entorno verificable (qué herramientas se usan, qué devuelve Lean, cómo se corrigen los fallos) obtiene una mejora coherente. Eso no es solo "más datos", es una distinta forma de aprender.
Para la comunidad de pruebas formales y la verificación de software, el hecho relevante es que el método es modular: el mismo enfoque de mid-training con trayectorias de agentes puede adaptarse a otros entornos verificables, y el harness de daVinci-Prover se abre para que otros lo inspiren o lo extendan.
Qué sigue sin saberse
- No hay código de entrenamiento finalizado en público, solo el entorno de prueba. Los datos de síntesis provienen de modelos cerrados (DeepSeek), lo que limita la reproducibilidad del pipeline completo.
- Los resultados son preliminares: el paper no ha pasado por revisión por pares, y los números de benchmarks son de una misma institución.
- Falta una validación independiente con otros backends de modelos, fuera de la familia Qwen y de la serie DeepSeek.
- Tampoco queda claro cómo el método escala a la prueba Putnam-200 o a grandes circuitos de demostración, más allá de los resultados actuales de benchmark.
En resumen: daVinci-Prover no acierta por casualidad, acierta construyendo el entrenamiento sobre la propia iteración con el verificador. Si esa línea sigue en marcha, los agentes de demostración no solo van a probar más teoremas, sino que van a aprender de manera mucho más parecida a como lo hace un matemático humano.
Fuentes consultadas
Se conservan las referencias para poder reconstruir cómo se verificó esta información.
- arXiv — daVinci-Prover: Agent-Native Mid-Training for Formal Theorem Proving (12 de noviembre de 2026)preprint · https://arxiv.org/abs/2611.16433
- GitHub — GAIR-NLP/daVinci-prover, el harness de demostración en Lean 4código · https://github.com/GAIR-NLP/daVinci-prover
- aimodeling.com — resumen interno comprensible del artículoresumen · https://www.aimodeling.com/en/news/slug/davinci-prover-agent-native-mid-training
- PicX — Weekly Gallery · 2026-11-14: AI for Formal Math (resumen de la comunidad)resumen · https://picx.dev/gallery/w/2026-11-14
Publicación de origen: https://arxiv.org/abs/2611.16433
¿Ves un error? Escríbenos indicando el dato concreto y la fuente que lo contradice. Las correcciones se aplican en la propia página y se reflejan en la fecha de actualización. Contactar con la redacción.