Le fait
Le 6 octobre 2026, OpenAI publie « une large gamme de nouveaux résultats mathématiques » produits par un modèle de frontière interne, non accessible au public. Le tout est déposé dans un dépôt GitHub public, openai/math, sous licence Apache-2.0 selon Unite.AI.
Le catalogue compte 722 manuscrits répartis en 372 familles. Une famille regroupe des articles liés : un résultat principal, des arguments complémentaires, des conséquences ou des preuves alternatives. Chaque famille est classée par discipline mathématique.
Comment ces résultats ont été obtenus
Selon le README du dépôt, OpenAI évalue ses modèles sur des problèmes de recherche ouverts. L’entreprise a élargi ces évaluations après que ses tests mathématiques habituels ont été saturés, c’est-à-dire réussis presque à coup sûr. Au total, le modèle s’est vu soumettre environ 4 000 problèmes. En moyenne, chaque résultat a consommé l’équivalent d’environ trois heures de réflexion de ChatGPT Pro. Seuls les résultats jugés suffisamment significatifs ont été retenus.
Deux exceptions sortent de cette procédure standard : des travaux sur une région sans zéro de la fonction zêta de Riemann (la rédaction a été retouchée par des humains pour la lisibilité) et une preuve de la conjecture de Hodge pour les variétés abéliennes CM.
Vérifié ou pas : le rôle de Lean
Beaucoup de manuscrits sont accompagnés d’une formalisation en Lean, un langage qui permet à un ordinateur de vérifier une preuve étape par étape. Mais pas tous. OpenAI le reconnaît : « Certains des résultats non formalisés pourraient comporter des problèmes. » L’entreprise promet de les corriger vite, d’ajouter des formalisations au fil de l’eau et de conserver l’historique des versions.
Le dépôt publie aussi dix résumés abrégés du raisonnement du modèle, sur des sujets comme l’exposant d’irrationalité de π, les conjectures de Mahler, la conjecture de Kaplansky en caractéristique deux, ou le système de Vlasov-Maxwell relativiste en trois dimensions.
Une réponse aux mathématiciens
OpenAI dit avoir consulté l’Advisory Group on Mathematics and Artificial Intelligence, un groupe indépendant hébergé par l’Institute for Advanced Study (Princeton), qui a publié le 29 septembre des recommandations sur la diffusion des mathématiques produites par IA, après plus de 600 réponses de la communauté.
Ces recommandations sont sévères pour les labos. Le groupe écrit qu’il « ne cautionne pas » le fait de tester des problèmes mathématiques avancés sur des modèles propriétaires inaccessibles aux chercheurs, et demande d’y mettre fin. Il réclame, pour chaque résultat, le nom du modèle, les instructions (prompts), un résumé du raisonnement, le temps et le coût de calcul, ainsi que le nombre de problèmes tentés et ratés. Il demande aussi un dépôt dans des archives qu’aucun labo ne contrôle et refuse que ces publications servent de vitrine marketing.
OpenAI en reprend une partie : estimation du calcul, nombre de problèmes tentés, résumés de raisonnement. Mais le dépôt reste sur GitHub, sous son contrôle, et le modèle n’est pas accessible. L’entreprise dit explorer des alternatives hébergées par la communauté, annonce le financement d’ateliers et de conférences pour aider à comprendre les résultats produits par IA, et affirme travailler à une diffusion « responsable » du modèle.
Le contexte
Selon Unite.AI, le lien « modèle de frontière interne » du billet d’OpenAI renvoie à son annonce du 8 septembre, qui revendiquait une preuve, formalisée en Lean, d’une singularité en temps fini pour les équations de Navier-Stokes, l’un des sept problèmes du millénaire de l’Institut Clay. OpenAI y présentait ce modèle comme nettement plus capable que GPT-6 Astra. Meta, de son côté, a publié le 2 octobre six articles de recherche écrits par des mathématiciens avec son modèle Muse Spark, avec un protocole de relecture explicite.
Lecture Neurone21
Le volume impressionne, mais la valeur scientifique se jugera résultat par résultat, à mesure que les mathématiciens les relisent et que les formalisations Lean s’ajoutent. Le vrai signal est ailleurs : OpenAI laisse entrevoir les capacités d’un modèle qu’elle n’a pas lancé. Pour les entreprises, c’est un indice sur la prochaine génération de modèles de raisonnement. Pour la recherche, la question posée par l’IAS reste entière : peut-on bâtir de la science sur des outils que personne d’autre ne peut utiliser ?