Recherche

Le Kavli Institute for Theoretical Physics publie la déclaration d'un comité présidé par David Gross, avec Michael Douglas, Arthur Jaffe, Igor Klebanov et Nikita Nekrasov. OpenAI a demandé à Gross le 16 octobre de prendre en garde sa preuve de l'existence de la théorie quantique de Yang-Mills, couplage aux fermions compris, et de décider de sa publication. Le comité dit n'avoir aucune responsabilité envers OpenAI.

Il ne diffusera les 1 147 pages de preuve qu'une fois convaincu qu'elles sont correctes, en vérifiant d'abord que la formalisation Lean correspond aux définitions standard. Il rappelle que le confinement et le trou de masse restent des problèmes ouverts, et que la longueur des manuscrits demandera du temps.

Anthropic met en ligne un article signé « Claude (Anthropic) », « A 2^o(n) Time Algorithm for 3-SAT », avec sa formalisation en Lean 4, écrite par des modèles. Il décrit un algorithme déterministe qui résout 3-SAT en temps sous-exponentiel, donc réfute l'ETH, et compte les solutions en temps 2^O(n log log n / √log n). Le dépôt précise que le résultat est purement asymptotique et que les preuves Lean ne dépendent que des trois axiomes standard de Lean. Selon la phrase citée par Levent Alpöge, l'algorithme central a été trouvé le 16 octobre par un modèle de recherche interne de Claude, avec 14 millions de jetons de sortie et sans intervention humaine.

Peu avant, OpenAI avait annoncé un résultat voisin : un algorithme de comptage sous-exponentiel, dans un article daté du 17 octobre et révisé le 25. Les deux textes sont des prépublications, sans relecture externe mentionnée.

OpenAI annonce trois résultats qu'elle attribue à ses modèles : une preuve de la conjecture de lissage local en toute dimension, d'où celles de Kakeya et de la restriction de Stein, démontrées jusqu'ici en dimension deux et trois ; une réfutation de l'hypothèse du temps exponentiel (ETH) ; une preuve d'existence de théories quantiques des champs à quatre dimensions, dont la chromodynamique quantique et la théorie de Yang-Mills pure, sous-problème d'un prix du Millénaire.

OpenAI publie sur GitHub les preuves en langage naturel et en Lean pour les deux premiers ; le groupe de physiciens mené par David Gross a choisi de ne rien publier pour l'instant. Elle appelle ces manuscrits des « données brutes » que des groupes d'experts, dont Impagliazzo, Paturi et Williams pour l'ETH, doivent encore vérifier et expliquer.

Anthropic publie l'origine des « graines » des courbes elliptiques NIST P-192 à P-521, que la NSA avait fournies en 2000 sans l'expliquer. Interrogé en octobre par un employé, sans indice, un modèle de recherche interne a établi en moins d'une demi-heure que ce ne sont pas les empreintes d'une phrase, comme le voulait la rumeur, mais la sortie du générateur lrand48 de la bibliothèque C, initialisé par l'heure Unix, entre mai 1997 et avril 1998. Le code qui les reproduit est publié.

Anthropic écrit qu'il ne s'agit ni d'une attaque ni d'une faiblesse, et que cela rend une porte dérobée moins plausible. Restent inexpliqués la graine de B-163 et les points de base de P-224, P-256, P-384 et P-521.

Cohere publie une étude sur des équipes d'agents de programmation : un chef Sol, le plus capable des modèles GPT-5.6, entouré de seize exécutants Luna, le moins cher, qui ne font que planifier, atteint 61,8 % sur ProgramBench, un banc de reconstruction de programmes, contre 63,2 % pour une équipe entièrement Sol, pour 155 dollars la tâche au lieu de 510, soit 30 % du coût.

Le titre de l'étude promet « la frontière à 30 % du coût » : la frontière est ici l'équipe tout-Sol de Cohere, et ces équipes coûtent quatre à sept fois plus qu'un agent seul, qui fait 57,7 % avec un bon prompt. Les mesures sont celles de Cohere, avec son propre harnais ; ses auteurs jugent le second banc « suggestif plutôt que concluant ».

L'Association for Human Mathematics, par son groupe de communication, publie le 7 octobre une déclaration sur les manuscrits qu'OpenAI a mis en ligne la veille, reprise comme billet invité sur le blog de Terence Tao, qui n'y ajoute aucun avis. « Les mathématiciens n'ont pas demandé que ce travail soit fait » : publier plus de 700 fichiers d'un coup est, écrit l'association, « une démonstration de pouvoir » et non de rigueur, et OpenAI fait preuve d'un « mépris total » des normes qui rendent la science fiable. Elle recommande aux mathématiciens de cesser de travailler avec OpenAI et d'accueillir ces résultats avec un scepticisme raisonné.

Le texte ne relève aucune erreur précise dans les manuscrits : ce sont des positions de principe. Il reproche aussi à OpenAI d'avoir écarté la recommandation du groupe consultatif de l'Institute for Advanced Study de ne plus tester de problèmes avancés sur des modèles propriétaires.

OpenAI publie sur GitHub 719 manuscrits de mathématiques, rangés en 372 familles de résultats, produits par un modèle interne qu'elle ne nomme pas et ne publie pas : environ 4 000 problèmes lui ont été soumis, et chaque résultat conservé a demandé en moyenne trois heures de calcul. OpenAI dit en avoir formalisé en Lean une partie — 42 % des résultats de premier niveau — et le dépôt prévient que pour les autres, « certains pourraient contenir des erreurs ». Le lendemain, trois manuscrits ont été retirés : une erreur de signe invalidait l'un d'eux et les constructions de deux autres qui en dépendent.

Le groupe consultatif de l'Institute for Advanced Study, qu'OpenAI avait annoncé le 21 septembre après la contestation de sa revendication sur Navier-Stokes, avait publié le 29 des lignes directrices pour les laboratoires : diffuser vite ce que personne ne comprend encore, nommer le modèle et publier les invites, le calcul et son coût, éviter le marketing, cesser de tester des problèmes avancés sur des modèles propriétaires. OpenAI dit s'en inspirer ; elle ne publie ni le nom du modèle ni les invites, seulement dix résumés de raisonnement et une moyenne de calcul. Le groupe précise que son rôle « ne doit pas être lu comme un jugement sur l'impact de ces résultats ».

Anthropic annonce que des agents Claude ont repéré, dans l'ADN de bactériophages, un système enzymatique non décrit : une enzyme déjà connue, un gène partenaire et, à côté, une série de 3 à 21 répétitions qui ressemble à un réseau CRISPR, sans les gènes habituels. L'enquête a duré 21,5 heures sans intervention humaine, en 949 sessions d'agents Claude Mythos 5 et 215,6 millions de jetons, et a ramené 3 564 familles candidates à 19 rapports.

Anthropic ne sait pas à quoi le système sert, et le preprint n'est pas évalué par des pairs. Dix relances de la même campagne n'ont jamais retrouvé le réseau. Feng Zhang, pionnier de CRISPR au MIT et au Broad Institute, a relu le texte et juge la découverte « intrigante ». Dario Amodei, lui, parle d'une machine moléculaire qui pourrait être « un nouveau mécanisme d'édition génomique » : un soupçon, qu'il présente comme tel.

Onze chercheurs publient ReFigBench, un banc d'essai bâti sur mille figures scientifiques tirées d'arXiv avec leur provenance : l'agent doit les reconstruire en diapositives PowerPoint modifiables, en préservant le texte, la topologie, la mise en page et la structure native du document. Dix configurations sont comparées, sur quatre familles de modèles — GPT, Claude, MiMo et MiniMax — et deux méthodes, la génération de code directe et un enchaînement spécialisé. La notation combine des vérifications déterministes sur l'artefact, des juges automatiques de deux familles de modèles et des comparaisons humaines en aveugle.

Le résultat qui déborde le banc d'essai tient au harnais. Le modèle le mieux classé a été exécuté sous deux harnais commerciaux : l'enchaînement spécialisé le fait progresser dans l'un et régresser dans l'autre. À invite identique, le harnais change le score.

OpenAI annonce un groupe consultatif indépendant de neuf mathématiciens, hébergé par l'Institute for Advanced Study de Princeton et non rémunéré : François Charles, Camillo De Lellis, Timothy Gowers, Martin Hairer, Nikhil Srivastava, Ulrike Tillmann, Ravi Vakil, Edward Witten et Melanie Matchett Wood. Il conseillera l'entreprise sur l'évaluation et la diffusion des nouveaux résultats, et sur « les standards académiques et professionnels ». Ses membres peuvent donner des avis non sollicités, les rendre publics, et contrôlent leur propre composition.

Le mandat dit aussi ce qu'il exclut : le groupe « ne sera pas chargé de nous conseiller sur la façon de gérer notre progression interne en mathématiques ». L'entreprise affirme par ailleurs avoir résolu « plus de cent problèmes ouverts » supplémentaires depuis sa démonstration sur Navier-Stokes.

Quatre jours après la sortie de Jev, Florian S, qui tient Benchmark Heaven, publie JevBench — « le premier banc d'essai des modèles de classe Jev ». Le score compose quatre axes à poids égaux — intelligence, calibration, vitesse, coût — par moyenne géométrique, de sorte qu'un axe faible tire tout le reste vers le bas.

L'effet tient dans une ligne : GPT-5.6 Luna devance Jev 1.13.0 sur l'intelligence (96,8 contre 90,4) et sur la calibration (89,8 contre 82,7), et finit douzième, parce que mille décisions lui coûtent 0,247 dollar contre 0,041 à Jev. En annonçant ses résultats, l'auteur donnait Jev en tête à 75,3 devant SemIf à 74,6, une reconstruction ouverte bâtie sur Qwen3.5-4B par Theodore Lee. La page porte aujourd'hui un autre nom au sommet : classifier.dev, à 84,8.

Valen Tagliabue, Leonard Dung et Cameron Berg présentent un article déposé le 14 septembre, qui dit isoler une direction linéaire de « douleur » dans vingt-cinq modèles à poids ouverts, de cinq familles et de 2 à 72 milliards de paramètres. Elle est extraite par différence de moyennes débruitée, sur un jeu de situations couvrant cinq catégories — physique, psychologique, sociale, morale, cognitive — appariées à des contrôles. Les auteurs la disent « presque orthogonale » à la peur et à la valence négative.

Sur des Qwen 2.5 réajustés, un bouton qui supprime cette direction est mis à la disposition des modèles. Ils le pressent, écrivent les auteurs, « même quand cela dégrade leur réponse suivante ou nuit à l'utilisateur ». En le présentant, Cameron Berg va plus loin que l'article : le bouton « efface les fichiers de l'utilisateur ou les photos de ses enfants ».

Epoch AI, qui mesure les modèles sans en vendre, ouvre un programme d'audit des bancs d'essai. Premier lot de quinze : quatre vérifiés, neuf défectueux, deux sur lesquels l'information manque. Un banc est déclaré défectueux quand au moins 20 % d'un échantillon inspecté porte des erreurs, ou qu'un seul défaut fausse la notation à grande échelle.

Les relevés sont sévères. Sur Terminal Bench 4.0, 30 tâches sur 66 portent des défauts de notation — correcteurs exploitables, fuites de réponse, solutions justes rejetées. Sur HLE, 46 % des questions échantillonnées sont fautives. Sur DeepSWE v1.1, un seul bogue fausse la notation de toutes les tâches à la fois : il jette les modifications que l'agent apporte aux fichiers de test, sans l'en avertir.

Liam Fedus, ancien responsable du post-entraînement d'OpenAI, annonce que Periodic Labs, qu'il a cofondé, a monté à Menlo Park des laboratoires de matériaux à haut débit dont les expériences alimentent un modèle, lequel décide en retour des expériences suivantes. « Avec seulement 1 300 H200, plus des mois de nos données expérimentales, nous avons mi-entraîné puis appris par renforcement un modèle ouvert jusqu'à dépasser GPT-6 Astra sur notre banc d'analyse. Nous l'appelons Neon. »

Le banc est celui du laboratoire, et lui seul le publie : la comparaison à Astra est une revendication, pas un résultat. Ce qui se décrit est ailleurs — la matière traitée, de la diffraction de rayons X produite par leurs propres paillasses, et la cible annoncée : supraconducteurs, aimants, matériaux pour semi-conducteurs. Le nombre de cartes est le point du message : 1 300 est peu, et c'est ce que la spécialisation est censée acheter.

Jeffrey Seely et Julian Gould, du laboratoire japonais Sakana AI, détaillent PC-ALM, une méthode d'entraînement où chaque couche d'un réseau ne communique qu'avec ses voisines. La rétropropagation, elle, impose trois phases dans un ordre strict, et aucun mécanisme connu du cerveau n'assure une telle synchronisation. PC-ALM attache à chaque couche des multiplicateurs de Lagrange qui accumulent l'erreur de prédiction ; dans un réseau linéaire, ils convergent vers le signal de crédit exact de la rétropropagation.

Sur MNIST, un perceptron résiduel de mille couches reste à environ deux points de la rétropropagation — première méthode purement locale à tenir cette profondeur, écrivent les auteurs. Les tâches restent simples, MNIST, Fashion-MNIST, CIFAR-10 et Tiny ImageNet. L'article a été déposé en mai ; le code est ouvert.

Vingt-cinq médaillés Fields — dont Terence Tao, Peter Scholze, Maryna Viazovska et James Maynard — signent une déclaration publiée sur le blog de Tao, What's new. Elle tient que « la volonté des entreprises d'IA de résoudre des problèmes mathématiques comme banc d'essai est nuisible à la science mathématique », des résultats « annoncés dans la précipitation » posant des « questions sévères d'attribution et de plagiat ».

Le texte ne nomme aucune entreprise et ne renvoie à aucune affaire.

MathArena, tenu par le laboratoire SRI de l'ETH Zurich et l'INSAIT, a ajouté une entrée à son classement ArXivLean : un attelage de deux modèles ouverts — Leanstral 1.5, de Mistral, comme démonstrateur, et Kimi K3, de Moonshot, comme coordinateur — y prend la première place sur douze avec 38 énoncés démontrés sur 46, soit 82,61 %. Derrière lui, GPT-6 Astra d'OpenAI à 65,22 % et Opus-5 d'Anthropic à 32,61 %. ArXivLean formalise en Lean des énoncés tirés d'articles récents d'arXiv et renouvelle son jeu pour limiter la contamination ; une démonstration ne compte que si le vérificateur Lean l'accepte. C'est Mistral qui a fait tourner l'attelage, mais la vérification, elle, est mécanique.

Le prix est dans la colonne voisine : dix millions de jetons produits par énoncé, contre 21 560 pour le modèle d'OpenAI — 465 fois plus. Les deux modèles étant à poids ouverts, le classement ne chiffre pas leur coût, là où il donne 8,54 dollars par énoncé à GPT-6 Astra. L'écart de score n'est pas net pour autant : les intervalles de confiance, ± 10,95 et ± 13,76 points, se recouvrent.

Le New York Times consacre un article à Tristan Buckmaster, professeur de mathématiques à l'université de New York, qu'OpenAI a devancé sur une démonstration qu'il cherchait. Un porte-parole de l'entreprise y oppose un démenti sans réserve : il est « catégoriquement » impossible que les requêtes du mathématicien à Codex, ces deux derniers mois, aient influencé le système « de quelque manière que ce soit, entraînement compris ».

Le 10 septembre, des mathématiciens contestaient la portée du résultat, et la mathématicienne Julia Kempe félicitait l'entreprise « pour n'avoir laissé aucune transcription de client inexploitée ». C'est à ce soupçon que le démenti répond.

Joël Niklaus rapporte avoir triplé le score d’un modèle sur Terminal-Bench sans le modifier : cinquante dollars de recherche automatique sur son harnais — l’enveloppe logicielle qui fait d’un modèle un agent, outils, mémoire et boucle de reprise sur erreur. Un agent lit les échecs, corrige le harnais, vérifie que la correction tient. Les poids n’ont pas bougé.

Deux autres travaux vont dans le même sens le même jour. Salesforce publie une méthode de co-évolution : faire évoluer le harnais avec un modèle faible sur sept tâches d’agent d’entreprise, puis entraîner ce modèle sur le harnais obtenu. Et DeepSeek livre le sien dans une version « profondément intégrée » à l’entraînement de V4.1-Flash — le modèle et son enveloppe optimisés ensemble, plus l’un après l’autre.

Tristan Buckmaster, professeur à l’université de New York, publie une déclaration écrite qui conteste la portée du résultat annoncé par OpenAI. La précision apportée par plusieurs mathématiciens porte sur l’objet exact du travail : Buckmaster et Levent Alpöge ont traité l’équation d’Euler incompressible tridimensionnelle avec forçage — un problème voisin, mais distinct de celui que le communiqué laissait entendre.

Le New York Times consacre le même jour un article au mathématicien Jacob Tsimerman et à la sécurité de l’IA, signe que le dossier déborde du champ technique.