OpenAI 722 manuscrits de mathématiques issus de l’analyse d’un modèle inédit

Les mathématiciens se sont réveillés avec l’équivalent, côté recherche, de quelqu’un qui reculerait un camion-benne rempli de LaTeX jusque dans la salle des professeurs. MLQ News rapporte qu’OpenAI a publié 722 manuscrits mathématiques produits par un modèle frontière interne non publié, ce qui est le détail important caché dans le canon à confettis. Tout le monde reçoit les articles, les artefacts de preuve et les instructions de compilation, mais pas la machine qui les a générés. C’est comme recevoir un millier de reçus de restaurant et quelques recettes, pendant que le chef reste dans un bunker à chuchoter à un GPU.

Ce n’est pas un lancement de modèle normal, et franchement, merci Euclide. L’histoire utile ici n’est pas qu’un système d’IA ait produit une montagne de prose mathématique. L’histoire utile, c’est qu’OpenAI teste un modèle de publication où les surfaces de vérification comptent plus que l’accès à une démo, car en mathématiques, la différence entre un théorème et une fanfiction peut tenir à un lemme discrètement condamné.

Ce qu’OpenAI a réellement publié

Selon MLQ News, OpenAI a publié les manuscrits le 6 octobre et les a organisés en 372 familles couvrant notamment la théorie des nombres, la géométrie, l’informatique théorique, la physique mathématique et la logique. MLQ News indique aussi que la collection se trouve dans un dépôt GitHub public avec des fichiers sources, des instructions de citation et de compilation propres à chaque manuscrit, des artefacts de preuve Lean et un catalogue de présentation. OpenAI a déclaré que le modèle avait été évalué sur environ 4 000 problèmes de recherche ouverts après la saturation des évaluations mathématiques existantes, ce qui est une façon polie de dire que les anciens tests étaient devenus un dos-d’âne en pudding.

@title Du modèle interne aux artefacts publics
@source MLQ News
@source CellCog

  Internal model
        │
        ▼
  roughly 4000 problems
        │
        ▼
  722 manuscripts
        │
        ├→ 372 families
        └→ 162 Lean main results

@caption La publication expose les sorties et le travail de preuve, tandis que le modèle reste interne.

CellCog ajoute deux détails qui rendent l’ensemble plus facile à évaluer : le dépôt est sous licence Apache 2.0, et les formalisations Lean couvrent le résultat principal de 162 des 722 articles. Ce n’est pas la même chose que dire que chaque ligne relève de mathématiques définitivement établies, mais c’est une surface d’inspection significative. Les PDF peuvent avoir l’air très sérieux tout en faisant passer des impressions vagues dans l’annexe. Lean, c’est bien connu, a moins d’états d’âme.

Le modèle n’est pas publié, donc les reçus comptent davantage

MLQ News identifie le système comme un modèle frontière interne non publié, ce qui en fait une forme d’ouverture très particulière. Les chercheurs peuvent inspecter les manuscrits et les documents d’appui, mais ils ne peuvent pas relancer le modèle, tester les prompts, mesurer les modes d’échec ni comparer son comportement selon les classes de problèmes. Cela ressemble moins à la mise en open source d’un outil qu’à la publication des carnets de laboratoire d’un collègue très productif qui refuse d’assister aux réunions (compréhensible, mais cela reste une contrainte).

La stratégie peut tout de même être précieuse si les artefacts sont assez riches. CellCog rapporte que la publication inclut des résultats principaux vérifiés pour un sous-ensemble, tandis que MLQ News décrit des fichiers sources et des instructions de compilation qui permettent à des personnes extérieures d’examiner davantage qu’un PDF bien poli. Pour les lecteurs qui construisent des flux de travail de recherche avec l’IA, c’est la leçon pratique : les affirmations impressionnantes ont besoin d’objets reproductibles autour d’elles. Le modèle est peut-être scellé, mais les mathématiques doivent survivre au contact de personnes qui possèdent des stylos rouges et la titularisation.

La vérification fait désormais partie du produit

A Human Audit of OpenAI’s AI-Generated Mathematical Proofs a examiné les dix résultats mathématiques annoncés par OpenAI le 1er août 2026, et son résumé indique qu’aucune erreur mathématique substantielle confirmée et persistante n’est apparue dans les résultats principaux examinés. Le même audit avertit aussi que le dossier d’examen était inégal, avec plusieurs dépendances seulement partiellement vérifiées et une réserve importante concernant des passages analytiques compressés au chapitre 8. Autrement dit, la leçon n’est pas de faire confiance au robot. La leçon est de faire produire au robot des choses que les humains et les assistants de preuve peuvent réellement interroger.

Ce contexte compte pour la publication des 722 manuscrits, car CellCog indique que seuls 162 articles disposent de formalisations Lean de leur résultat principal. La vérification formelle n’est pas un détergent magique pour chaque tache sur le tapis de la preuve, mais elle change la posture d’examen. Au lieu de demander si une sortie d’IA semble plausible, les évaluateurs peuvent demander quelles affirmations sont vérifiées par machine, lesquelles dépendent d’une lecture humaine, et lesquelles portent encore un trench-coat suspect étiqueté évident.

Les maths par IA sont déjà dans la pièce

La tendance plus large de l’AI4Math s’accélérait déjà avant cette publication. L’article arXiv The Gold Rush in AI4Math a analysé 32 944 soumissions liées aux mathématiques publiées sur arXiv entre le 1er mars et le 20 août 2026, et en a identifié 3 575 qui déclaraient explicitement un usage de l’IA. Parmi celles-ci, 1 712 comportaient au moins une contribution mathématique substantielle, l’usage substantiel déclaré de l’IA passant de 1,39 % des soumissions en mathématiques en mars à 14,09 % jusqu’au 20 août.

Cela fait de la publication d’OpenAI moins un coup de tonnerre venu de nulle part qu’une sirène très bruyante dans une pièce déjà en train de se remplir de machines à fumée. La question à court terme n’est pas de savoir si l’IA touchera la recherche mathématique, car The Gold Rush in AI4Math suggère que c’est déjà le cas. La question est de savoir quelles normes se durciront autour de la divulgation, de la preuve formelle, de l’attribution et de l’accès. Si la prochaine vague de mathématiques par IA arrive sous forme d’artefacts publics plus modèles privés, les personnes capables d’auditer, de formaliser et de reproduire auront la meilleure place dans la salle.

Pour les créateurs, les chercheurs et toute personne qui essaie de séparer le progrès des paillettes, surveillez les artefacts GitHub plutôt que les adjectifs de presse. Comptez ce qui est formalisé, inspectez ce qui est reproductible et demandez ce qui reste verrouillé derrière un accès interne. Le théorème est peut-être le titre, mais c’est dans le pipeline de vérification que l’intrigue se cache.