# DeepSeek lança Math-V2: IA autoverificável em matemática

**Autor:** Maicon Ramos
**Categoria:** IA
**Publicado:** 2025-12-02
**Atualizado:** 2026-07-17
**Canonical:** https://runzos.com/deepseek-math-v2-ia-autoverificavel/

DeepSeek AI, startup chinesa, lançou em 27 de novembro de 2025 o DeepSeekMath-V2, LLM open-source focado em raciocínio matemático com verificação automática de lógica. Desempenho: 118/120 no Putnam 2024 e ouro na IMO 2025. Inovação: Arquitetura gerador-verificador garante rigor lógico. Limitações: Exige 689 GB VRAM e latência de até 30s . A DeepSeek AI, startup chinesa fundada em 2022 com sede em Pequim, anunciou em 27 de novembro de 2025 o lançamento do DeepSeekMath-V2. O modelo de linguagem de grande porte (LLM), com 685 bilhões de parâmetros, destaca-se por sua capacidade de raciocínio matemático avançado e autoverificação lógica. Disponibilizado no Hugging Face sob licença Apache 2.0, permite uso comercial e modificações. O foco resolve uma falha comum em IAs matemáticas: priorizar apenas respostas finais corretas, ignorando inconsistências no processo de derivação. Arquitetura inovadora: Gerador e Verificador O DeepSeekMath-V2 separa responsabilidades em dois componentes principais: Gerador : Baseado no DeepSeek-V3.2-Exp-Base, produz provas passo a passo usando scaled test-time compute para explorar múltiplos caminhos. Verificador : Valida cada etapa lógica, identificando erros como divisão por zero ou induções falhas, e fornece feedback ao gerador. Essa abordagem cria um ciclo de aprimoramento automático, treinando com dados gerados dinamicamente. Desempenho em benchmarks reais Testes independentes confirmam superioridade: Putnam 2024 : 118/120 pontos . IMO 2025 : Medalha de ouro, top 5% global. CMO 2024 : Acima do 99º percentil. Métrica DeepSeekMath-V2 Google DeepMind OpenAI o1 Precisão IMO-ProofBench 89.2% 85.7% 87.1% Latência (prova média) 12.4s 8.2s 9.1s Licença Apache 2.0 Restrita Restrita Fonte: Business Analytics e docs oficiais. Aplicações potenciais O modelo apoia verificação formal de código, como em smart contracts Ethereum, pesquisa em física teórica e educação matemática, mostrando processos completos. Limitações e críticas Apesar dos avanços, há trade-offs: Custo computacional : Latência até 30 segundos em problemas complexos devido à verificação extra (+50% tempo). Hardware : Requer 689 GB VRAM para inferência plena; quantizado precisa de 89 GB. Viés em criatividade : Pode rejeitar soluções inovadoras fora de padrões lógicos treinados. A comunidade acadêmica questiona: Prof. Karen Uhlenbeck alerta que reduz matemática a algoritmos, ignorando intuição. Relatório do MIT-CSAIL aponta falhas em 23% dos problemas de topologia. Não recomendado para aplicações críticas como medicina ou finanças sem auditoria, devido a incertezas não quantificáveis. O lançamento, discutido por Simon Willison, reforça a corrida por IA matemática open-source, mas destaca barreiras de acesso e riscos regulatórios.

## Leia também

- [Kie.ai vs PiAPI vs WaveSpeedAI 2026: qual hub de API de IA escolher?](https://runzos.com/kie-ai-vs-piapi-wavespeedai-2026/)
- [Kie.ai em 2026: vale a pena para devs brasileiros?](https://runzos.com/kie-ai-analise-api-ia-2026/)
- [A aposta da ByteDance que pode virar a corrida da IA](https://runzos.com/bytedance-modelo-ia-anthropic/)
- [Por que a OpenAI freou o Astra antes de ele chegar ao público](https://runzos.com/openai-astra-modelo-ciberseguranca/)