OpenAI publie les preuves de 722 problèmes mathématiques résolus par un modèle secret — la recherche académique dépassée par l'IA
🔎 722 manuscrits tombés du ciel, un modèle que personne n'a jamais vu
Le 6 octobre 2026, à 21h47 UTC, OpenAI a poussé sur GitHub un dépôt sobrement baptisé openai/math. Dedans : 722 manuscrits mathématiques, organisés en 372 familles par discipline, produits par un modèle interne que personne hors de l'entreprise n'a jamais vu à l'œuvre. Ni nom, ni prix, ni endpoint API. Des PDF, des fichiers sources, des instructions de citation — et 162 preuves formalisées en Lean, vérifiables par machine.
Deux mois après l'annonce de la résolution de Navier-Stokes, l'entreprise change d'échelle : ce n'est plus un exploit isolé, c'est un catalogue. Sam Altman parle d'une « new era of discovery » (Fox News, 7 octobre 2026), et la presse tech — The Verge en tête — s'est fait l'écho d'une publication sans précédent dans l'histoire de l'IA.
Pourquoi maintenant ? Parce que la séquence s'accélère. 8 septembre : Navier-Stokes. 6 octobre : 722 manuscrits. Chaque publication élargit l'écart entre ce que l'IA produit et ce que la communauté mathématique peut absorber. Et cette fois, OpenAI ne publie pas un résultat — elle publie un pipeline de résultats.
Le problème tient en une phrase : la communauté valide à vitesse humaine, le modèle produit à vitesse industrielle. Aucune relecture par les pairs à ce jour, et un avertissement d'OpenAI elle-même : « certains des résultats non formalisés pourraient poser problème ».
L'essentiel
- 722 manuscrits, 372 familles : publiés le 6 octobre 2026 sur GitHub sous licence Apache-2.0, avec PDF, fichiers sources et protocoles de citation.
- 162 preuves formalisées en Lean, soit environ 1 manuscrit sur 5 avec une preuve vérifiable par machine. Pour les ~560 autres : prudence imposée.
- ~4 000 problèmes explorés, chaque résultat ayant coûté en moyenne ~3 heures de calcul de type ChatGPT Pro thinking, avec un modèle interne jamais publié.
- Zéro validation par les pairs à ce jour. L'Advisory Group on Mathematics and AI de l'Institute for Advanced Study (Princeton) : la publication « est le début d'un processus, pas la fin ».
- OpenAI promet des workshops et un futur accès au modèle, sans date, et ne revendiquera pas le Prix du Millénaire pour Navier-Stokes.
Outils recommandés
| Outil | Usage principal | Prix (octobre 2026) | Idéal pour |
|---|---|---|---|
| openai/math (GitHub) | Lire les 722 manuscrits, sources, historique de révisions | Gratuit (Apache-2.0) | Mathématiciens, relecteurs |
| Lean | Vérifier les 162 formalisations | Gratuit, open source | Re-checks indépendants |
| ChatGPT Pro | Raisonnement de classe « thinking », relecture de manuscrits | 200 $/mois (vérifiez sur openai.com) | Chercheurs, analystes |
| NotebookLM | Digest des longs PDF, croisement de sources | Gratuit | Veille et synthèse |
Pour aller plus loin dans le choix d'un assistant de recherche — veille documentaire, synthèse de manuscrits, formalisation — notre guide Meilleure IA pour la recherche compare ce qui sert réellement un chercheur, au-delà du marketing des éditeurs.
Ce qu'OpenAI a publié — et ce qu'elle a soigneusement gardé
OpenAI a publié des manuscrits, pas des résultats validés par la communauté. La nuance structure tout le débat qui suit.
Le dépôt openai/math est sous licence Apache-2.0 et son organisation est celle d'une vraie publication scientifique : un dossier preprints/ contenant les PDF, les fichiers sources et les instructions de citation, plus une bibliothèque Lean de 162 entrées. Environ un manuscrit sur cinq dispose donc d'une preuve dont la correction peut être contrôlée par une machine — pas par un relecteur fatigué.
La licence Apache-2.0 n'est pas un détail : chacun peut fork, réutiliser, re-vérifier. C'est le minimum pour qu'un re-check indépendant soit possible, et OpenAI l'a fait.
Détail qui mérite l'attention : l'historique des révisions est public, versions antérieures comprises, comme le confirme le post communautaire d'OpenAI du 7 octobre. Le texte consacré à la fonction zêta a d'ailleurs été révisé par des humains pour la lisibilité, selon l'analyse d'Orcarouter. On peut retracer l'évolution d'un résultat — transparence réelle, et rare dans le secteur.
Ce qui n'est pas publié en dit tout autant. Le modèle reste introuvable : pas de nom, pas de fiche technique, pas d'accès. Les issues GitHub sont désactivées et les pull requests réservées aux collaborateurs. L'ouverture est à sens unique : tout le monde peut lire, personne ne peut discuter.
Les résultats qui font déjà date
Le PDF officiel « Ten Advances in Mathematics and Theoretical Computer Science » liste les pièces maîtresses du catalogue. Trois suffisent à mesurer l'ambition :
- Empilement de sphères : amélioration de l'exposant de Cohn-Elkies, première amélioration générale depuis 1978. Presque cinquante ans d'attente.
- Conjecture de rigidité de Connes : réfutée. Un problème ouvert majeur, dont la réfutation fera du bruit bien au-delà de la théorie des algèbres d'opérateurs.
- Deux conjectures d'Erdős : réfutées. Nous détailions dans notre article sur la démonstration d'un théorème de géométrie qui résistait depuis 80 ans ce que ce type de résultat change concrètement.
S'y ajoutent la construction d'un groupe explicite non-sofic et des bornes de Ramsey multicolores en k^Θ(k) pour R_k(3) — des avancées que Mezha résume comme un mélange de solutions de problèmes ouverts, de nouvelles preuves et de réfutations d'hypothèses établies.
La famille 003 — l'inégalité ζ(s) ≠ 0 pour Re(s) > 7/8, un progrès direct vers l'hypothèse de Riemann — fait déjà l'objet d'un re-check indépendant public, lancé depuis le dépôt. C'est exactement le scénario voulu : la preuve machine comme point de départ, la communauté comme juge de paix.
Le modèle derrière tout ça : un fantôme parfaitement assumé
Personne en dehors d'OpenAI ne peut utiliser ce modèle, et l'entreprise ne dit pas quand ce sera le cas.
Ce qu'on sait tient en quelques lignes, tirées de l'annonce Navier-Stokes du 8 septembre 2026 : un modèle interne « nettement plus performant que GPT-6 Astra », entraîné à partir du 28 août 2026 (Unite.AI). Il a exploré ~4 000 problèmes, et chaque résultat a coûté en moyenne ~3 heures de calcul de type ChatGPT Pro thinking. Au total, quelques milliers d'heures de calcul — un budget dérisoire pour un laboratoire, inatteignable pour un chercheur isolé.
Mettez ce chiffre en perspective : un mathématicien consacre des années à un problème. Ce modèle a produit 722 manuscrits en quelques semaines. Le coût marginal de la production de recherche vient de s'effondrer, et personne n'a fini d'en mesurer les conséquences.
Les meilleurs modèles publics — Gemini 3.1 Pro (92), GPT-5.5 (91) selon notre classement — excellent sur les benchmarks standard. Aucun n'a publié un seul manuscrit de recherche original. L'écart n'est pas de degré, il est de nature.
Ce silence sur le modèle est un choix commercial, pas un oubli. Côté produit, OpenAI vient de lancer la preview de GPT-5.6 Sol en pleine guerre des prix ; un modèle capable de réfuter des conjectures d'Erdős n'a, pour l'instant, rien à faire dans une API facturée au token. La montée en gamme avait été esquissée quand OpenAI officialisait Path to Astra, son premier modèle franchissant le seuil critique : la recherche d'abord, le produit ensuite.
Et GPT-6 Astra, simple point de comparaison ici, illustre un autre enjeu : après le rachat de Cursor par SpaceX, OpenAI a coupé l'accès au modèle avec un préavis maximal, rappelant brutalement qui contrôle l'infrastructure. Imaginez la dépendance d'un champ scientifique entier envers un modèle que personne ne peut auditer.
« Impressionnés et inquiets » : la communauté mathématique passée en mode relecture forcée
Les mathématiciens ne contestent pas l'exploit : ils contestent le rythme et les règles du jeu.
OpenAI n'a pas agi seule dans le partage : elle dit avoir consulté l'Advisory Group on Mathematics and Artificial Intelligence de l'Institute for Advanced Study de Princeton, comme le rapporte ETV Bharat. Le groupe a rendu ses recommandations le 29 septembre 2026, après plus de 600 réponses de la communauté mathématique : partager avec les acteurs du domaine, financer la compréhension humaine des résultats.
Mais le groupe pose aussi la condition qui fâche : la publication « est le début d'un processus, pas la fin », et « les humains doivent encore » valider. Traduction : 722 manuscrits, c'est un backlog de relecture, pas une bibliothèque établie.
OpenAI prévient elle-même, dans le dépôt, que « certains des résultats non formalisés pourraient poser problème ». Sur 722 manuscrits, environ 560 n'ont pas de preuve vérifiable par machine. Et aucun résultat n'a passé la relecture par les pairs — le standard qui fait autorité en mathématiques depuis des décennies.
La réaction du terrain est à la hauteur : « impressionnés et inquiets », en substance. Impressionnés par la densité des résultats. Inquiets devant une machine qui produit plus vite que la profession ne peut relire — et devant un calendrier imposé sans consultation préalable sur le fond.
Les workshops annoncés par OpenAI et le futur accès au modèle sont la contrepartie offerte à la communauté. Sans date, encore. En attendant, le re-check public de la famille 003 avance sur le forum : la relecture a commencé, à l'échelle 1.
De Navier-Stokes aux 722 manuscrits : 38 jours pour changer d'échelle
La publication du 6 octobre n'est pas un coup isolé : c'est l'aboutissement d'une séquence orchestrée depuis fin août.
| Date | Événement |
|---|---|
| 28 août 2026 | Début d'entraînement du modèle interne |
| 1er septembre 2026 | Lancement de la campagne d'évaluation Millenium Prize |
| 5 septembre 2026 | Résolution de Navier-Stokes (singularité en temps fini, formalisée en Lean) |
| 8 septembre 2026 | Annonce publique par OpenAI |
| 29 septembre 2026 | Recommandations de l'Advisory Group (600+ réponses de la communauté) |
| 6 octobre 2026, 21h47 UTC | Publication des 722 manuscrits sur GitHub |
| 7 octobre 2026 | Post communautaire et lancement du re-check public de la famille 003 |
Trente-huit jours entre le début d'entraînement et la publication d'un catalogue de cette taille. Pour comparaison, la preuve d'une conjecture majeure occupe traditionnellement un mathématicien — ou une équipe — pendant des années, publication et relecture comprises.
Après Navier-Stokes, OpenAI avait déjà affiché la suite de son programme, dont la conjecture de Hodge, comme nous le racontions dans Après Navier-Stokes, OpenAI vise la conjecture de Hodge et tente de désamorcer la polémique. Le message du 6 octobre est plus radical : le modèle ne vise pas des cibles célèbres une par une, il produit en continu.
Un point d'éthique mérite d'être noté : OpenAI ne revendiquera pas le Prix du Millénaire d'un million de dollars (Clay Mathematics Institute) attaché à Navier-Stokes. Le règlement exige une publication acceptée par la communauté et deux ans sans contestation — un processus que la publication brutale de 722 manuscrits non relus ne satisfait pas. Renoncer au prix, c'est aussi se dispenser de ce contrôle. Un arbitrage habile, et révélateur.
La vraie fracture : produire est devenu bon marché, valider ne l'est pas
Pour la première fois en mathématiques, le goulot d'étranglement n'est plus la génération de résultats, mais la capacité humaine à les vérifier.
Les chiffres de la publication le disent crûment. 722 manuscrits en 38 jours, c'est plus que la production annuelle de plusieurs départements de mathématiques réunis — estimation de notre part. 162 preuves formalisées en Lean : le travail de plusieurs années pour les équipes de formalisation les plus actives au monde. Le déséquilibre n'est pas un détail, c'est la structure du problème.
La relecture par les pairs, elle, tourne à vitesse humaine : des mois pour un article, des années pour un résultat majeur. Le re-check de la famille 003 — un seul résultat sur 722 — mobilise déjà des volontaires sur un forum public. Faites le calcul : à ce rythme, le catalogue ne sera pas « validé » de sitôt.
Les conséquences dépassent les maths. Qui obtient le crédit quand un modèle réfute une conjecture sur laquelle une thèse entière s'appuyait ? Comment citer un manuscrit révisé par des humains « pour la lisibilité » ? Quelle politique éditoriale pour les revues face à des dépôts de 722 pièces ? L'Advisory Group demande de financer la compréhension humaine des résultats : c'est une admission officielle que la vérification est devenue la ressource rare.
Et le contexte économique ajoute une couche. Le 7 octobre, Ray Dalio avertissait que la bulle IA pourrait éclater (Fox News). Dans ce climat, une démonstration de capacité de recherche de niveau frontier n'est pas seulement un cadeau aux mathématiciens : c'est un argument d'investissement. À garder en tête en lisant les communiqués.
Comment suivre ces travaux sans se faire piéger
Commencez par les 162 formalisations Lean, et traitez tout le reste comme des conjectures jusqu'à vérification indépendante.
Quatre réflexes, dans l'ordre :
- Priorisez le vérifié. La bibliothèque Lean du dépôt contient 162 entrées dont la correction est contrôlable par machine. C'est le seul sous-ensemble que l'on peut citer sans réserve aujourd'hui.
- Lisez l'historique de révisions. Les versions antérieures sont accessibles, et certaines ont changé — le texte sur la fonction zêta a été réécrit par des humains. Citez la version, pas le titre.
- Suivez les re-checks publics. Le fil du forum OpenAI sur la famille 003 documente une vérification indépendante en temps réel. C'est le modèle à soutenir.
- Méfiez-vous des secondes mains. Beaucoup de relais transforment « publié » en « démontré ». Retournez aux sources : dépôt GitHub, PDF officiels, forum.
Pour situer ce que valent les modèles publics face à ce niveau de raisonnement — un GPT-5.5, un Gemini 3.1 Pro, un Claude Opus 4.7, qui dominent notre classement — notre guide Meilleurs LLM pour la recherche est actualisé en continu. Aucun modèle accessible ne publie aujourd'hui de manuscrits de recherche originaux ; l'écart avec le modèle interne d'OpenAI reste entier.
❌ Erreurs courantes
Erreur 1 : prendre « publié » pour « démontré »
722 manuscrits publiés, 162 vérifiables par machine, zéro relecture par les pairs à ce jour. OpenAI elle-même prévient que des résultats non formalisés « pourraient poser problème ». La solution : ne citer que les formalisations Lean, ou les résultats explicitement confirmés par un re-check indépendant documenté.
Erreur 2 : croire qu'OpenAI a « résolu les problèmes du Millénaire »
Un seul concerne les sept problèmes du prix : Navier-Stokes, annoncé le 8 septembre 2026 — et OpenAI ne revendiquera pas le million de dollars. Les 722 manuscrits couvrent d'autres familles de problèmes, des conjectures d'Erdős à la rigidité de Connes.
Erreur 3 : chercher le modèle dans l'API ou dans ChatGPT
Le modèle n'a « ni nom, ni prix, ni endpoint API » (Orcarouter, octobre 2026). GPT-5.6 Sol est un tout autre produit, commercial. Confondre les deux conduit à attribuer aux abonnements grand public des capacités qui restent, pour l'instant, verrouillées en interne.
Erreur 4 : citer un manuscrit sans vérifier sa version
L'historique des révisions est public, et des textes ont été modifiés — parfois par des humains, pour la lisibilité. Avant tout partage ou usage pédagogique, vérifiez la version datée du PDF dans le dossier preprints/ du dépôt.
❓ Questions fréquentes
Quel modèle a produit ces 722 manuscrits ?
Un modèle frontier interne d'OpenAI, jamais dévoilé : ni nom, ni prix, ni endpoint API. Selon l'annonce Navier-Stokes du 8 septembre 2026, il est « nettement plus performant que GPT-6 Astra ». Entraîné à partir du 28 août 2026, il a exploré environ 4 000 problèmes, à raison de ~3 heures de calcul par résultat obtenu.
Les 722 preuves sont-elles fiables ?
162 sur 722 disposent d'une formalisation Lean vérifiable par machine, soit environ une sur cinq. Le reste attend une relecture humaine qui n'a pas encore eu lieu à grande échelle. OpenAI prévient elle-même que « certains des résultats non formalisés pourraient poser problème », et aucun résultat n'a passé la relecture par les pairs.
Qu'est-ce que Lean, et pourquoi est-ce important ?
Lean est un assistant de preuve open source qui vérifie la correction d'une démonstration de façon mécanique, sans intervention humaine. Une preuve formalisée en Lean élimine l'erreur de relecture. Sur les 722 manuscrits, 162 en disposent — c'est le seul sous-ensemble citable sans réserve en octobre 2026.
OpenAI va-t-elle toucher le Prix du Millénaire pour Navier-Stokes ?
Non, l'entreprise l'a annoncé. Le règlement du Clay Mathematics Institute exige une publication dans une revue à comité de lecture et deux ans sans contestation — un processus que la publication de 722 manuscrits non relus ne satisfait pas. Renoncer au million de dollars évite aussi ce débat.
Quand pourra-t-on accéder au modèle ?
OpenAI s'est engagée à publier le modèle « de manière responsable », sans date, et promet des workshops ainsi qu'un futur accès. Les recommandations de l'Advisory Group (29 septembre 2026) y poussent. Mais l'expérience récente de l'écosystème — voir l'épisode Cursor — invite à la prudence sur les délais annoncés.
Les mathématiciens vont-ils être remplacés ?
Non, mais leur rôle se déplace. Le modèle produit des résultats, les humains « doivent encore » les valider, les comprendre et orienter la recherche — et c'est désormais le goulot d'étranglement. L'Advisory Group demande explicitement de financer la compréhension humaine : la valeur migre de la démonstration vers la vérification.
✅ Conclusion
En 38 jours, un modèle sans nom a produit plus de manuscrits mathématiques que plusieurs départements universitaires n'en publient en un an : la question n'est plus de savoir si l'IA peut faire de la recherche, mais qui aura les moyens de la vérifier. Clonez le dépôt openai/math, commencez par les 162 preuves Lean, et suivez le re-check public de la famille 003 — c'est là, et pas dans les communiqués, que se jouera la crédibilité de cette « new era of discovery ».