Recientemente, mientras navegaba por el repositorio de GitHub de NEAR, descubrí algo interesante: El equipo de NEAR AI ha abierto una prueba utilizando el modelo de lenguaje grande de código abierto chino DeepSeek, logrando resolver con éxito 672 problemas de demostración matemática extremadamente difíciles. Al consultar con IA, descubrí que estos problemas se llaman PutnamBench, y son preguntas de la competencia universitaria de matemáticas más prestigiosa de Norteamérica. En resumen, superar esta prueba indica que la IA posee una capacidad de razonamiento lógico extremadamente rigurosa. Según el informe de @MSBIntel, el sistema de NEAR completó las 672 preguntas con un costo promedio de solo $0.17 por pregunta, gastando en total poco más de $110. Como comparación, en otras soluciones que también obtuvieron puntaje perfecto, el costo promedio por pregunta usando modelos de OpenAI fue de hasta $44.50, y Claude también requirió $3.52 por pregunta. ¿Por qué una cadena pública se enfoca en estos problemas matemáticos avanzados? En realidad, el verdadero objetivo de esforzarse por hacer que la IA realice demostraciones lógicas matemáticas es la auditoría de seguridad de contratos inteligentes, conocida técnicamente como verificación formal. Por ejemplo, usar lógica matemática para revisar línea por línea el código en busca de vulnerabilidades; si se puede reducir el umbral de verificación del código a un costo de apenas unos centavos mediante capacidad de IA de código abierto: En el futuro, incluso proyectos o desarrolladores comunes podrían garantizar y auditar sus contratos contra fallas de seguridad con costos extremadamente bajos. Aunque esto no tiene una relación directa con el precio del token near:native, sí representa un indicio de que el equipo está trabajando en algo concreto.