NEAR utilizó DeepSeek para resolver 600 problemas matemáticos y está transformando la auditoría de código en cadena en “precios muy bajos”.

Autor: Chang An, Deepwave TechFlow

Resumen Deepwave: 672 ejercicios de matemáticas del concurso universitario más prestigioso de Norteamérica fueron resueltos completamente por el equipo de NEAR AI usando Agents. El costo total fue de aproximadamente 111 dólares, un promedio de 0,17 dólares por ejercicio. El equipo de NEAR AI utilizó el modelo open source chino DeepSeek V4 para completar este test. No se trata solo de una competencia de inteligencia de modelos grandes: detrás de la factura por poder computacional, hay un negocio de infraestructura que busca democratizar la “verificación formal” de los contratos inteligentes, que suele ser muy costosa.

Los datos de prueba de un repositorio de código open source revelaron el verdadero costo de resolver ejercicios matemáticos con modelos grandes.

Recientemente, según datos publicados por el cofundador de NEAR Protocol, Alex Skidanov, y fuentes oficiales, el Agent de NEAR AI resolvió los 672 problemas matemáticos de PutnamBench.

Para quienes no lo conocen, PutnamBench no es una simple colección de ejercicios; es un test de referencia basado en los problemas del concurso matemático universitario más importante de Norteamérica (William Lowell Putnam), formalizados para esta evaluación.

En otras palabras, la idea es que la IA realice una deducción lógica matemática estricta para ver si puede resolver los ejercicios de manera autónoma. Para resolverlos todos, NEAR AI gastó aproximadamente 111,85 dólares. El costo promedio por problema fue de 0,17 dólares.

En comparación, otras soluciones que también obtuvieron el puntaje máximo fueron mucho más caras.

Según datos recopilados por MSBIntel, utilizando GPT-5.6 de OpenAI, el costo promedio por ejercicio llegó a 44,5 dólares; y con Claude Opus 5 de Anthropic, cada uno costó 3,52 dólares.

En este test específico, NEAR usó DeepSeek V4 para reducir el costo a solo una doscientas cincuentava parte del de GPT-5.6.

Una blockchain resolviendo problemas matemáticos: el objetivo va más allá

El enfoque de los equipos de blockchain en resolver problemas matemáticos no está dirigido al mercado educativo.

El requisito central del test PutnamBench es la verificabilidad de la máquina: la IA no solo debe generar una respuesta en texto, sino que debe escribir un código de prueba riguroso en Lean 4 (un lenguaje popular para asistentes de pruebas).

Este código no puede tener errores de sintaxis, no puede saltarse pasos en la deducción, y tiene que poder ser verificado al 100% por una máquina. Al mismo tiempo, esto corresponde en informática a una tecnología clave llamada verificación formal.

En el mundo cripto, los contratos inteligentes gestionan cientos de millones o incluso miles de millones de dólares. Las auditorías tradicionales de código dependen de expertos humanos para buscar vulnerabilidades, pero la verificación formal utiliza lógica matemática rigurosa para probar, línea por línea, que el código no presenta errores en ningún estado posible.

Durante mucho tiempo, la principal desventaja de la verificación formal ha sido su alto costo y lentitud. Requiere a los mejores expertos en seguridad y plazos prolongados, por lo que tradicionalmente solo los proyectos más grandes con mucho capital pueden permitírselo.

Esta prueba de NEAR AI demostró que es factible, y económico, generar pruebas matemáticas confiables en masa usando modelos de IA open source.

Infraestructura popularizada para la seguridad on-chain

Llevar el costo de la verificación formal a unos pocos centavos es el negocio práctico que NEAR está desarrollando.

Actualmente, este sistema que integra DeepSeek y Lean 4 ya está completamente open source. El siguiente paso, según NEAR, es aplicar directamente esta herramienta de bajo costo a la verificación de seguridad en el propio protocolo NEAR y sus contratos inteligentes principales.

En resumen, podés verlo como una descentralización tecnológica, o dicho más simple: los proyectos están realmente trabajando y esto está relacionado con la narrativa de IA.

Si las IA open source logran generar de manera estable pruebas de código verificables por máquina, en el futuro los desarrolladores comunes y equipos de pequeños proyectos podrán ejecutar una verificación formal gastando tan solo unos centavos antes de desplegar sus contratos, reduciendo significativamente la probabilidad de errores en smart contracts.

De todos modos, objetivamente esto no tiene un vínculo directo con las subas o bajas de corto plazo del token de NEAR. Sin embargo, en la competencia de base dentro del ecosistema blockchain, invertir unos pocos centavos en prevención vale mucho más que gastar millones en solucionar un desastre después.