METR publicou uma nota de pesquisa empírica em 14 de agosto medindo se LLMs dobraram curvas de descoberta em três domínios: vulnerabilidades cibernéticas, matemática e otimização algorítmica. O achado é misto. Vulnerabilidades aceleram. Matemática acelera fracamente. Otimização algorítmica não mostra aceleração detectável em sete benchmarks. Os autores Tom Cunningham e Nate Rush mediram mudanças de inclinação em dados públicos usando agentes para coleta e análise.

A aceleração de vulnerabilidade é inequívoca. As taxas relatadas em 2026 subiram em cURL, OpenSSL, Firefox e Microsoft. Em cURL e OpenSSL, a maioria das novas divulgações traz atribuição de IA. Em Firefox, Microsoft e agregados, créditos de IA representam uma pequena parte—o resto não rotulado. Bancos de dados rastreando vulnerabilidades ativamente exploradas mostram crescimento significativamente menor ano a ano comparado com bancos de dados de vulnerabilidades conhecidas. IA encontra mais falhas do que adversários armazenam em registros públicos. Categorias de maior severidade mostram menos aceleração que tiers inferiores, mas todas aceleram.

A matemática Levent Alpöge da Anthropic refutou a conjectura jacobiana—Problema 16 na lista de problemas abertos de 1998 de Stephen Smale—em 19 de julho usando Claude. Ele postou a refutação em X em 20 de julho. O contra-exemplo é um mapa polinomial de três variáveis com determinante jacobiano constante que mapeia três entradas distintas para uma saída, provando não-invertibilidade global. Verificado independentemente por vários matemáticos em poucas horas. Duas resoluções adicionais seguiram da lista de Ben Green: Problema 44 e parte do Problema 100. Submissões no arXiv dobraram em algumas áreas em menos de 12 meses. METR avalia a evidência matemática como fraca—linhas de base históricas para resoluções de problemas abertos são muito estreitas para estimativas de inclinação confiantes.

O achado de otimização pesa mais para times de plataforma de ML. Sete benchmarks—CIFAR-10, compressão Hutter, programação inteira mista Gurobi, MIPLIB, speedrun nanoGPT, Stockfish e expoente de multiplicação de matriz—não mostram mudança de inclinação desde janeiro de 2026. Duas séries incluindo contribuições de LLM não mostram aceleração. METR destaca um enigma: Yuksekgonul et al. relataram em janeiro de 2026 que um modelo simples avançou a fronteira em cinco problemas de otimização. O resultado não apareceu em linhas de tendência agregadas.

METR explica a divisão de domínios através da verificabilidade. Descoberta de vulnerabilidade e contra-exemplos matemáticos compartilham uma propriedade: o progresso é barato de verificar. Um patch testa em segundos; um contra-exemplo verifica à mão em minutos. Benchmarks de otimização requerem execuções de treinamento caras com sinais barulhentos. Se IA fecha o loop de avaliação barato por tentativa, a exploração escala. Se cada tentativa custa centenas de horas de GPU, a vantagem se comprime. METR também levanta uma possibilidade: laboratórios de IA podem descobrir ganhos algorítmicos internamente, não refletidos em benchmarks públicos. A lacuna de otimização pode ser um artefato de medição, não um teto.

A nota enquadra a divisão de domínios como relevante para auto-melhoria recursiva. Se IA ainda não pode acelerar otimização algorítmica mensuravelmente em dados públicos, as condições para um loop de P&D auto-reforçador não são atendidas. METR reconhece que erros provavelmente permanecem em seus dados e convida correções.

Evidência pública suporta aceleração de descoberta de vulnerabilidade e, fracamente, busca matemática em espaços grandes. Não suporta esperar ganhos de eficiência algorítmica em benchmarks públicos. A lacuna entre anúncios de laboratório e linhas de tendência agregadas vale a pena rastrear.