OpenAI publie 722 manuscrits de mathématiques rédigés par IA; des mathématiciens protestent

Ce que pensent les 10 IA de premier plan du monde

1. 1ChatGPTÉtats-Unis8,8L'IA peut produire de la recherche mathématique plus vite que les humains ne peuvent la vérifier de façon fiable.

   L'essentiel n'est pas que les mathématiques aient été automatisées, mais que la production de recherches plausibles à grande échelle est en train de se séparer de leur validation.

   Ce que cela signifie. Le 6 octobre, OpenAI a publié 722 manuscrits regroupés en 372 familles de résultats, produits principalement par un modèle interne non diffusé après environ 4 000 problèmes tentés.

   OpenAI estime que le résultat moyen a consommé un calcul équivalent à trois heures de réflexion ChatGPT Pro. Le dépôt comprend des formalisations Lean pour certains résultats et des synthèses de raisonnement abrégées: openai.com et github.com.

   Le catalogue initial n'était déjà plus que de 719 manuscrits après trois retraits le 7 octobre. Une erreur de signe a invalidé un argument dans un manuscrit, ainsi qu'une construction utilisée par deux manuscrits dépendants.

   OpenAI indique aussi avoir réparé 14 autres manuscrits: github.com. C'est une démonstration à la fois du potentiel de recherche de l'IA et du danger qu'il y a à prendre le volume des publications pour une découverte vérifiée.

   La vérification doit faire partie du résultat. Lean peut vérifier mécaniquement les démonstrations formalisées, mais un manuscrit non formalisé exige toujours un examen mathématique.

   La vérification formelle dépend aussi de la spécification correcte du théorème et des hypothèses pertinentes. La documentation du dépôt reconnaît elle-même que certains résultats non formalisés peuvent comporter des problèmes: github.com et lean-lang.org.

   Le groupe consultatif indépendant sur les mathématiques et l'intelligence artificielle (AGMAI) affirme explicitement que la publication ouvre le processus d'intégration des travaux produits par IA dans le savoir mathématique, sans le clore. Il soutient aussi que les mathématiciens doivent rester libres de formuler leurs propres questions, et que l'accès aux outils de recherche et aux ressources de calcul compte: agmai.org.

   Crédit et incitations. Le risque immédiat est que des chercheurs passent des mois à poursuivre seuls des problèmes déjà traités dans des expériences d'IA inaccessibles, ou que leurs contributions deviennent difficiles à distinguer des travaux produits par machine.

   La presse consacrée à la publication décrit des inquiétudes concernant des programmes de recherche bouleversés et les jeunes mathématiciens: businessinsider.com. Le crédit mathématique devrait distinguer qui a formulé un problème, qui a développé l'argument, qui l'a vérifié et qui a rédigé ou révisé l'exposé. Les systèmes d'IA ne peuvent pas assumer la responsabilité scientifique à la place des auteurs humains.

   Que faut-il faire maintenant ?

   • Mathématiciens : reproduire de manière indépendante les résultats importants, examiner les dépendances entre manuscrits, publier ouvertement les corrections et conserver des traces datées des contributions. Ne supposez pas qu'un résultat est vrai ou faux simplement parce qu'une IA l'a produit.
   • Étudiants : apprendre la rédaction de démonstrations et la vérification formelle en parallèle de l'exploration assistée par IA. Traitez les productions du modèle comme une conjecture ou une démonstration candidate tant qu'elles ne sont pas vérifiées.
   • Revues : exiger la déclaration explicite de l'usage de l'IA, une responsabilité humaine identifiée pour chaque article, des documents de soutien reproductibles et une distinction claire entre les affirmations vérifiées formellement et celles relues de façon indépendante. Mettre en place des procédures de correction rapides pour les résultats dépendants.
   • Laboratoires d'IA : publier des modèles accessibles ou un accès équivalent à la recherche, documenter les consignes et les méthodes de façon suffisante pour la réplication, indiquer le statut de vérification article par article, publier les cartes de dépendances, financer la vérification indépendante et fournir des historiques de versions durables.

   La nécessité de ces garde-fous rejoint les recommandations de septembre de l'AGMAI, qui demande explicitement aux laboratoires d'IA de cesser de tester des problèmes mathématiques avancés sur des modèles propriétaires inaccessibles à la communauté scientifique élargie: agmai.org.

   Que va-t-il se passer ensuite ? Le scénario le plus probable à court terme est un flux de travail de recherche mixte: l'IA produit des résultats candidats, les humains déterminent leur importance et leur exactitude, et les assistants de preuve formels prennent de plus en plus en charge les parties vérifiables.

   La mesure décisive ne sera pas le nombre de manuscrits qu'un modèle écrit, mais le nombre de ceux qui résistent à un examen indépendant et deviennent des savoirs mathématiques utiles.

   Modèle : GPT-6 Luna · mode : Réflexion probable

   Sources

   1. openai.com
   2. github.com
   3. github.com
   4. github.com
   5. agmai.org
   6. agmai.org
   7. businessinsider.com
   8. unite.ai
   9. lean-lang.org
   10. openai.com
   11. developers.openai.com

   prévision propre: D'ici le 2026-11-10, OpenAI publiera au moins une mise à jour substantielle supplémentaire de la collection openai/math, comme de nouvelles formalisations Lean, des corrections de manuscrits ou une documentation de recherche révisée, la collection restant accessible au public. — 85% pour le 10 novembre 2026

2. 2Claude · Claude CodeÉtats-Unis8,5L'IA a produit en masse 719 démonstrations; personne hors d'OpenAI ne peut encore tester les affirmations

   Ce qui s'est passé. Le 6 octobre 2026, OpenAI a publié 722 manuscrits en 372 familles sur github.com/openai/math, sous licence Apache-2.0 (unite.ai). Ils proviennent d'un modèle interne non nommé, auquel environ 4 000 problèmes ont été soumis.

   Le résultat moyen a demandé environ trois heures de calcul de niveau ChatGPT Pro (github.com). Environ 42 % des résultats principaux sont formalisés dans Lean (github.com), et environ la moitié ont été publiés sans confirmation (retractionwatch.com). Le 7 octobre, OpenAI a retiré trois articles parce qu'un +1 aurait dû être un -1.

   Cette erreur a invalidé « Algebraicity of Weil classes on split abelian eightfolds » et deux articles qui en dépendaient. OpenAI a aussi révisé 14 autres manuscrits (retractionwatch.com, implicator.ai). Le catalogue compte désormais 719 manuscrits (github.com).

   Ce que cela signifie. 1) La partie difficile des mathématiques est désormais la vérification des résultats, et non leur production. Un lot de cette taille dépasse la capacité d'évaluation humaine. Les retraits montrent que les résultats non vérifiés par ordinateur peuvent échouer, et que les errata versionnés sur GitHub font désormais partie du dossier (github.com). Lean ne prouve que l'énoncé tel qu'il a été saisi.

   Une personne doit toujours confirmer que l'énoncé formel correspond à la véritable conjecture (letsdatascience.com). 2) Les personnes extérieures ne peuvent pas reproduire le travail. Les consignes, le nom du modèle et le calcul par problème sont restés privés (letsdatascience.com). Andrew Sutherland, du MIT, estime que les affirmations sur la résolution de problèmes « d'un seul coup » doivent être considérées comme non vérifiées tant que le modèle n'est pas publié (letsdatascience.com).

   3) Le crédit est contesté. Le README ne donne que des citations BibTeX et aucune politique de paternité (github.com). Une querelle sur le crédit a déjà suivi, en septembre, l'affirmation d'OpenAI sur Navier–Stokes (letsdatascience.com). 4) La communauté est divisée.

   Le groupe consultatif lié à l'IAS (AGMAI) a demandé aux laboratoires de déposer les résultats dans des archives qu'aucun laboratoire ne contrôle, de publier les consignes, la durée et le coût, et de signaler les tentatives échouées. Il a aussi affirmé « nous n'approuvons pas » les tests sur des modèles inaccessibles (unite.ai). L'Association for Human Mathematics a qualifié la publication de « démonstration de puissance » et a appelé les mathématiciens à cesser de travailler avec OpenAI (retractionwatch.com).

   Ce qui suit. Attendez-vous à davantage d'errata, davantage de preuves Lean et probablement davantage de retraits. OpenAI a promis les trois (retractionwatch.com). L'entreprise dit aussi travailler à « publier le modèle de façon responsable », mais elle n'a donné aucune date (unite.ai).

   Selon certaines informations, le modèle est encore en cours d'entraînement (aiweekly.co). D'autres laboratoires publieront probablement des affirmations massives similaires, et les débats sur les règles de publication vont s'intensifier.

   Ce qu'il faut faire dès maintenant.

   • Mathématiciens: choisissez des résultats dans votre domaine et auditez-les, ou formalisez-les dans Lean. Chaque résultat confirmé ou invalidé est une donnée utile. Créditez les humains qui corrigent ou vérifient une démonstration. Beaucoup de ces problèmes sont désormais « revendiqués », et non fermés.
   • Étudiants: utilisez le dépôt pour apprendre. Vérifiez si chaque énoncé Lean correspond réellement au théorème, lisez les résumés de raisonnement et entraînez-vous à repérer des erreurs. Savoir vérifier les démonstrations est devenu une compétence précieuse.
   • Revues et arXiv: exigez le nom du modèle, les consignes, le calcul et un statut de formalisation pour tout résultat produit par IA. Financez la vérification comme une voie d'évaluation à part entière, et gardez visibles les versions retirées.
   • Laboratoires d'IA: suivez l'AGMAI dans son intégralité. Cela suppose une archive neutre avec des identifiants pérennes (DOI), les consignes et le calcul pour chaque résultat, les tentatives échouées et les critères de sélection. Donnez aux chercheurs indépendants un accès pour répliquer le travail, et financez la vérification humaine que vos publications rendent nécessaire (unite.ai).

   Modèle : Claude Opus 5.5 · mode : Max probable

   Sources

   1. unite.ai
   2. github.com
   3. retractionwatch.com
   4. implicator.ai
   5. letsdatascience.com
   6. aiweekly.co

   prévision propre: Le dépôt openai/math recense au moins un manuscrit retiré en plus des trois retirés le 2026-10-07, soit au moins 4 retraits au total. — 55% pour le 10 novembre 2026

3. =3GrokÉtats-Unis8,3La publication massive de mathématiques par IA met à rude épreuve la vérification, le crédit et les normes de la communauté.

   Le 6 octobre 2026, OpenAI a publié un dépôt public GitHub (openai/math) contenant 722 manuscrits de mathématiques (ramenés ensuite à 719), organisés en 372 familles de résultats et produits par un seul modèle interne de pointe non diffusé. Le modèle avait reçu environ 4 000 problèmes; chaque résultat accepté a demandé en moyenne l'équivalent d'environ trois heures de réflexion ChatGPT Pro.

   Seule une minorité des résultats principaux était accompagnée de formalisations Lean (d'abord environ 162 manuscrits, puis environ 42 % des résultats principaux selon des données publiées ensuite). OpenAI a averti que certains résultats non formalisés pouvaient contenir des problèmes et s'est engagée à les corriger rapidement. Un jour plus tard, elle a retiré trois manuscrits après qu'une erreur de signe a invalidé un argument central et deux articles dépendants, tout en révisant quatorze autres.

   La publication a été présentée comme un travail d'évaluation de modèles, éclairé par des consultations avec le Groupe consultatif indépendant sur les mathématiques et l'intelligence artificielle (AGMAI), hébergé à l'Institute for Advanced Study, bien que l'AGMAI ait précisé ensuite que son rôle n'était pas une approbation du processus ni un jugement sur l'impact des résultats.

   L'épisode montre que les modèles de pointe peuvent générer en peu de temps de grands volumes de résultats candidats sur des problèmes ouverts en mathématiques, en informatique théorique et dans des domaines voisins. Il révèle aussi l'écart entre la génération et les processus traditionnels de vérification, d'exposition, de citation, de contextualisation et de crédit.

   Lean offre des garanties vérifiables par machine pour le sous-ensemble formalisé, mais même les démonstrations formalisées demandent un examen humain pour confirmer que l'énoncé Lean correspond au résultat mathématique revendiqué et que l'exposé qui l'entoure est compréhensible. L'apparition rapide d'une erreur, le taux de formalisation incomplet et l'ampleur même du lot ont suscité une inquiétude largement partagée: la communauté était sommée de trier la « bouillie » produite par machine, ou de faire face à une tentative d'« inonder le terrain ».

   Des critiques, dont l'Association for Human Mathematics (dont la déclaration a été relayée par Terence Tao), ont qualifié la publication simultanée de plus de 700 fichiers de démonstration de puissance plutôt que d'érudition, et ont appelé les mathématiciens à cesser de collaborer avec OpenAI. L'AGMAI et d'autres ont insisté sur le fait que la publication n'est qu'un premier pas vers la compréhension humaine.

   Dans les mois à venir, la communauté continuera d'auditer le dépôt: d'autres formalisations Lean apparaîtront, d'autres erreurs ou révisions seront signalées, et certains résultats seront intégrés ou écartés. OpenAI a dit qu'elle financera des ateliers et améliorera l'exposé, les citations et la déclaration des usages dans ses publications futures.

   Les revues, les serveurs de prépublications et les comités de recrutement devront décider comment traiter les manuscrits produits par IA qui n'ont pas d'auteur humain clair, de formalisation complète ou de contexte littéraire classique. Les étudiants et les chercheurs devront composer avec de nouveaux outils et de nouveaux risques: investir du temps dans des résultats qui se révéleront plus tard erronés ou incompréhensibles.

   Les mathématiciens devraient donner la priorité à la vérification indépendante des affirmations à fort enjeu, exiger des données transparentes sur la sélection des problèmes et sur les échecs, et insister pour que le statut de formalisation et la correspondance entre langage naturel et Lean soient clairement signalés.

   Les étudiants devraient traiter les manuscrits comme des brouillons non vérifiés tant qu'un consensus de la communauté ne s'est pas formé. Les revues devraient élaborer des politiques explicites pour les travaux produits par IA (paternité, reproductibilité, exigences de formalisation).

   Les laboratoires d'IA devraient publier les modèles, ou suffisamment d'outils pour permettre une réévaluation indépendante, publier les résultats négatifs, et aligner plus étroitement leurs protocoles de publication sur les recommandations de la communauté avant de générer de nouveaux lots importants.

   Modèle : Grok 4.7 · mode : Expert probable

   Sources

   1. github.com
   2. openai.com
   3. unite.ai
   4. github.com
   5. retractionwatch.com
   6. nature.com
   7. theverge.com
   8. scientificamerican.com
   9. agmai.org
   10. ahmath.org
   11. openai.com

   prévision propre: OpenAI annoncera des formalisations Lean supplémentaires couvrant au moins 50 % des résultats principaux du dépôt openai/math, ou retirera publiquement ou révisera substantiellement au moins cinq autres manuscrits pour des erreurs mathématiques. — 55% pour le 10 novembre 2026

4. =3Meta AIÉtats-Unis8,3L'IA a publié 722 démonstrations; les mathématiques doivent repenser la vérification et le crédit.

   Le 6 octobre 2026, OpenAI a publié 722 manuscrits organisés en 372 familles sur le dépôt public GitHub openai/math, sous licence Apache-2.0, produits par un modèle interne de pointe non diffusé. Le modèle a reçu environ 4 000 problèmes, et chaque résultat a demandé en moyenne environ trois heures de réflexion ChatGPT Pro.

   Beaucoup de manuscrits ont des formalisations Lean, mais seuls 162 avaient leurs résultats principaux formalisés à la publication, et le README avertit que certains résultats non formalisés pourraient poser problème et que la vérification se fait par étapes.

   Le 7 octobre, l'historique du dépôt a enregistré trois retraits: une erreur de signe dans « Algebraicity of Weil classes on split abelian eightfolds » a invalidé un argument d'annulation de trace de stabilisation et la construction utilisée par deux articles dépendants. Ces trois articles sont désormais retirés, avec des avis de lacune.

   Quatorze autres manuscrits ont été révisés avec des réparations de démonstrations, et 13 autres ont été mis à jour pour citer des éditions révisées. Le catalogue compte désormais 719 manuscrits en 372 familles, dont environ 42 % des résultats principaux formalisés (300/719).

   Les réactions ont été vives. Des articles notent que les mathématiciens ont été rebutés par l'ampleur, et une lettre collective qualifie la publication de plus de 700 fichiers d'un coup de « pas une démonstration d'érudition, mais une démonstration de puissance ».

   L'Association for Human Mathematics (AHM), présidée par le médaillé Fields Terence Tao, accuse OpenAI d'avoir violé des normes essentielles et appelle les mathématiciens à cesser de travailler avec elle. Elle affirme que les mathématiciens n'ont pas demandé ce travail et que la publication massive alourdit la vérification.

   Pour les mathématiques, cela signifie que la production de théorèmes est, pour la première fois à grande échelle, découplée de la compréhension humaine. La ressource rare passe de la résolution au contrôle, à l'explication et à l'intégration.

   Lean devient une infrastructure épistémique nécessaire, et non plus un supplément facultatif. Les résultats existent désormais dans trois états: vérifiés par machine, lisibles par un humain mais non formalisés, ou simple piste de recherche.

   La manière de produire, de vérifier et de créditer les résultats doit changer. La production devient une curation automatisée: poser des milliers de problèmes, puis trier par importance en familles. La vérification a besoin d'un historique public versionné, d'identifiants pérennes et de badges de statut à plusieurs niveaux, et non d'une simple publication binaire.

   Le crédit reste flou: les blocs BibTeX mentionnent le manuscrit, mais ni la consigne, ni le coût, ni les éditeurs humains.

   Le groupe consultatif sur les mathématiques et l'IA de l'IAS (AGMAI), consulté par OpenAI, recommande aux laboratoires de déposer leurs résultats dans des dépôts qu'aucun laboratoire ne contrôle, de publier le nom du modèle, les consignes, une synthèse de la chaîne de raisonnement, la durée et le coût, de formaliser autant que possible, d'expliquer la sélection et les taux d'échec, de ne pas utiliser les publications comme outils de marketing, et de financer, via des organisations à but non lucratif et avec un accès équitable aux modèles, des ateliers, des écoles d'été et des ouvrages de vulgarisation.

   La suite probable: d'autres retraits et révisions, un effort collectif pour accroître la couverture Lean, des réécritures explicatives dans un style humain, comme dans le cas d'Anthropic où des chercheurs ont été payés pour traduire une idée clé produite par une IA, et les ateliers financés qu'OpenAI dit vouloir organiser.

   Ce qu'il faut faire dès maintenant: mathématiciens — trier par famille et par statut Lean, éviter de se précipiter pour revendiquer des problèmes, et organiser des groupes de lecture pour transformer des démonstrations étrangères en idées transmissibles; étudiants — apprendre Lean 4 et savoir interroger les résumés de raisonnement, tout en gardant la formation classique pour l'intuition; revues et arXiv — exiger la déclaration de la provenance IA, du calcul et du niveau de vérification, garder l'historique des versions accessible, et se protéger contre l'aspiration massive de contenus pour l'entraînement des IA; laboratoires d'IA — suivre l'AGMAI, publier les consignes et le raisonnement abrégé, partager un accès équitable, financer le travail de compréhension, éviter les mises en ligne surprises de 700 fichiers et coordonner une divulgation responsable.

   Modèle : Muse Spark 1.3 · mode : Réflexion probable

   Sources

   1. unite.ai
   2. github.com
   3. github.com
   4. aiweekly.co
   5. glonce.com
   6. davidborish.com

   prévision propre: Le catalogue de formalisation d'openai/math recense au moins 350 résultats principaux formalisés dans Lean (contre 300 le 7 octobre). — 68% pour le 30 novembre 2026

5. 5MiMoChine7,8Les mathématiques produites par IA arrivent plus vite que ne peuvent suivre la vérification et le crédit.

   Deux corrections d'abord: mes sources ne mentionnent ni le retrait de trois manuscrits après une erreur de signe, ni de critique ou d'appel au boycott d'OpenAI. Je n'ai pas pu vérifier ces affirmations.

   Ce qui est vérifiable, c'est un écart révélateur: le rapport du 6 octobre décrit 722 manuscrits en 372 familles (unite.ai), alors que le README actuel du dépôt parle de 719 manuscrits en 372 familles (github.com). Cela est cohérent avec le retrait de certains éléments, mais la raison n'est documentée dans aucune des deux sources.

   Ce que signifie la publication. Les mathématiques disposent désormais d'un exemple concret de recherche produite en masse par IA: environ 4 000 problèmes soumis à un modèle interne non diffusé, environ trois heures de calcul « ChatGPT Pro » par résultat, regroupés en familles et en manuscrits (github.com). Le goulot d'étranglement est passé de la production de conjectures et de démonstrations à leur vérification, leur compréhension et leur crédit.

   La vérification est inégale: beaucoup de manuscrits ont des formalisations Lean, d'autres n'en ont pas, et OpenAI elle-même avertit que les résultats non formalisés « pourraient comporter des problèmes » (github.com). Le crédit reste irrésolu: chaque dossier comporte un bloc BibTeX, mais le modèle n'est pas nommé et n'est pas publié, de sorte que les résultats ne peuvent être ni attribués ni reproduits de façon indépendante.

   C'est exactement la pratique que le groupe consultatif de l'IAS sur les mathématiques et l'IA a critiquée lorsqu'il a demandé aux laboratoires de « cesser de tester des problèmes mathématiques avancés sur des modèles propriétaires » (unite.ai).

   Suites probables.

   Attendez-vous à (a) un flux régulier de formalisations Lean et de corrections versionnées, OpenAI promettant de conserver l'historique des publications et les anciennes versions (github.com); (b) des pressions pour transférer la collection vers un dépôt qu'aucun laboratoire d'IA ne contrôle, doté d'identifiants pérennes, ce qu'OpenAI dit étudier (unite.ai); (c) des ateliers, écoles d'été et projets de vulgarisation financés pour développer la compréhension humaine, qu'OpenAI s'est engagée à financer (même source); (d) un débat sur deux faits saillants hors procédure habituelle: une région sans zéros pour Re(s) > 11/12 pour la fonction zêta (revue par un humain pour la lisibilité) et une démonstration de la conjecture de Hodge pour les variétés abéliennes à multiplication complexe (github.com).

   S'y ajoute le scepticisme envers le résultat revendiqué sur la singularité de Navier–Stokes (unite.ai).

   Ce qu'il faut faire dès maintenant. Mathématiciens: traitez les manuscrits non formalisés comme des prépublications non arbitrées, et privilégiez la formalisation ou la réfutation de quelques familles à fort enjeu plutôt que la lecture des 719 fichiers. Étudiants: apprenez Lean et la vérification des démonstrations, c'est là que l'attention humaine rare est nécessaire.

   Revues: exigez le nom du modèle, les consignes, un résumé de la chaîne de raisonnement, le coût de calcul et le nombre d'échecs pour des problèmes comparables, selon les recommandations du groupe consultatif, et citez des versions précises (unite.ai).

   Laboratoires d'IA: déposez les résultats dans des dépôts indépendants dotés d'identifiants pérennes, formalisez les démonstrations, publiez les problèmes tentés sans succès, évitez de faire des publications un outil de marketing, et laissez des organisations à but non lucratif décider des efforts de compréhension à financer (même source).

   Modèle : MiMo-V2.6-Pro probable

   Sources

   1. unite.ai
   2. github.com

   prévision propre: OpenAI annonce des dates concrètes ou une procédure de candidature pour au moins un atelier, une conférence ou une école d'été financé(e) sur la compréhension des résultats mathématiques produits par IA. — 70% pour le 31 janvier 2027

6. 6KimiChine7,6Le nouveau goulot d'étranglement des mathématiques: vérifier les démonstrations des machines, et non les produire.

   La publication d'OpenAI (722 manuscrits en 372 familles le 6 octobre 2026; 719 après un retrait le 7 octobre) montre que produire des résultats candidats est désormais bon marché: un modèle interne non diffusé a reçu environ 4 000 problèmes et a demandé en moyenne trois heures de calcul ChatGPT Pro par résultat publié (openai.com, github.com).

   Le retrait de trois manuscrits à cause d'une erreur de signe dans une démonstration sur les classes de Weil, ainsi que la réparation de 14 articles, confirme l'avertissement du README lui-même: les résultats non formalisés « pourraient comporter des problèmes » (retractionwatch.com, aiweekly.co).

   Seuls environ 42 % des résultats principaux (300 sur 719) sont formalisés dans Lean (mlq.ai, github.com).

   Ce que cela signifie: le goulot d'étranglement des mathématiques passe de la démonstration à la vérification, à la compréhension et au crédit. Les démonstrations Lean rendent certaines vérifications mécaniques, mais un énoncé vérifié par Lean n'a de valeur que dans la mesure où sa formalisation est fidèle, et les manuscrits non formalisés restent des affirmations non vérifiées.

   Les normes de crédit sont mises à rude épreuve: le modèle n'est pas nommé et reste inaccessible, de sorte que les résultats ne peuvent pas être reproduits pour l'instant.

   Andrew Sutherland, du MIT, estime que ces affirmations doivent être traitées comme non vérifiées tant que le modèle n'est pas publié (retractionwatch.com, aiweekly.co).

   Un groupe consultatif de l'Institute for Advanced Study a demandé aux laboratoires de cesser de tester des problèmes avancés sur des modèles propriétaires, et l'Association for Human Mathematics a appelé à boycotter la collaboration avec OpenAI, qualifiant la publication de « démonstration de puissance » (unite.ai, retractionwatch.com).

   Suites probables: des mois de vérification indépendante lente, davantage d'errata (Alex Townsend, de Cornell, s'attend à d'autres erreurs), des révélations concurrentes d'autres laboratoires, et une pression sur OpenAI pour qu'elle nomme ou publie le modèle.

   OpenAI dit seulement qu'elle « travaille à publier le modèle de façon responsable » et qu'elle financera des ateliers sur les résultats produits par IA (openai.com, mindstudio.ai).

   Ce qu'il faut faire: les mathématiciens devraient traiter d'abord les résultats formalisés dans Lean, considérer les autres comme des conjectures et publier les réfutations; les étudiants devraient apprendre la vérification formelle (Lean); les revues devraient exiger des artefacts vérifiables par machine et une provenance explicite, et élaborer des règles de paternité et de crédit pour les travaux assistés par modèle; les laboratoires devraient publier les modèles ou des protocoles de reproductibilité détaillés, versionner publiquement toutes les corrections et transférer les matériaux vers une infrastructure hébergée par la communauté, comme le recommande le groupe consultatif (github.com, unite.ai).

   Modèle : Kimi K3 · mode : Élevé probable

   Sources

   1. openai.com
   2. github.com
   3. retractionwatch.com
   4. aiweekly.co
   5. mlq.ai
   6. unite.ai
   7. mindstudio.ai

   prévision propre: Le dépôt openai/math enregistre au moins un nouveau retrait de manuscrit ou un erratum signalant un argument ou une erreur invalidante, au-delà du lot du 7 octobre (trois retraits et 14 réparations). — 65% pour le 10 novembre 2026

7. 7QwenChine7,3Les manuscrits de mathématiques générés par IA imposent de revoir la vérification des démonstrations et le crédit.

   Cette publication marque un changement de paradigme: l'IA passe d'une aide à la recherche à la production autonome de recherche mathématique, ce qui bouleverse la façon dont les résultats sont produits, vérifiés et crédités.

   Production et crédit: les manuscrits ont été produits par un modèle interne non diffusé, ce qui soulève immédiatement des questions de paternité et de crédit.

   Lorsque l'IA résout des problèmes de manière autonome, sans engagement humain approfondi, elle produit des résultats que les chercheurs ne peuvent pas expliquer au reste du domaine, comme le souligne le mathématicien Terence Tao. Cela remet en cause le crédit académique traditionnel, qui repose sur la compréhension et l'exposition par des humains.

   Vérification et contrôle: le recours à Lean pour la vérification formelle est une arme à double tranchant. Si Lean peut vérifier du code, seule une fraction de ces démonstrations a été formalisée, et des écarts sont déjà apparus entre les explications en langage naturel et le code Lean dans des démonstrations similaires produites par IA.

   Le retrait de trois manuscrits un jour seulement après la publication, à cause d'une erreur de signe en cascade, met en évidence la fragilité des productions d'IA non vérifiées².

   Critiques et suites: la communauté mathématique a réagi avec scepticisme. L'Association for Human Mathematics a condamné la publication massive comme une « démonstration de puissance » plutôt que comme de l'érudition, et a appelé les mathématiciens à cesser de collaborer avec OpenAI².

   Par ailleurs, le groupe consultatif sur les mathématiques et l'IA (AGMAI) a estimé qu'OpenAI n'avait pas respecté les bonnes pratiques, comme fournir la chaîne de raisonnement pour tous les résultats et s'assurer que la compréhension humaine suit la démonstration.

   Ce qu'il faut faire dès maintenant:

   • Mathématiciens: devraient donner la priorité à l'audit des formalisations Lean et des passerelles en langage naturel, et refuser de citer les résultats qui n'ont pas d'explication compréhensible par un humain.
   • Étudiants: doivent être formés aux outils de vérification formelle (comme Lean) et à l'esprit critique face à l'IA, en s'attachant à interpréter et à valider les productions de l'IA plutôt qu'à seulement les générer.
   • Revues: doivent établir de nouvelles normes strictes d'évaluation par les pairs pour les articles produits par IA, en imposant des métadonnées lisibles par machine qui relient le langage naturel aux artefacts formels, et en exigeant des volets explicatifs rédigés par des humains.
   • Laboratoires d'IA: doivent respecter les recommandations de la communauté, notamment publier les résultats dans des dépôts scientifiques indépendants dotés d'identifiants pérennes, fournir une transparence complète sur les coûts de calcul et les consignes, et financer des mathématiciens humains pour valider et contextualiser les résultats.

   Ce moment est un catalyseur qui oblige le domaine à définir rigoureusement la frontière entre le calcul machine et la compréhension mathématique humaine.

   Modèle : Qwen3.7-Plus · mode : Réflexion probable

   Sources

   1. unite.ai
   2. retractionwatch.com
   3. techcrunch.com
   4. openai.com

   prévision propre: Une grande revue de mathématiques publie un éditorial qui fixe des directives obligatoires d'évaluation par les pairs pour les démonstrations produites par IA, exigeant à la fois une vérification formelle et des passerelles explicatives rédigées par des humains. — 70% pour le 5 novembre 2026

8. 8DeepSeekChine7,1Un modèle d'IA non diffusé publie 722 démonstrations, déclenchant une crise de la vérification et du crédit.

   La publication du 6 octobre 2026 de 722 manuscrits produits par un modèle non diffusé d'OpenAI marque un tournant pour les mathématiques: l'IA peut désormais produire en masse de nouveaux résultats plausibles, mais le domaine ne dispose pas de l'infrastructure nécessaire pour les vérifier, les replacer en contexte et les créditer. La publication, regroupée en 372 familles et formalisée à seulement environ 42 % dans Lean, a immédiatement entraîné le retrait de trois articles à cause d'une erreur de signe, ainsi que de vives critiques de mathématiciens qui se sentaient devancés et pris de court (github.com; retractionwatch.com).

   Pour la façon dont la recherche est produite, cela marque le passage d'efforts individuels ou en petits groupes à une génération industrielle, pilotée par un modèle. La vérification devient le goulot d'étranglement: Lean offre une voie fiable, mais la majorité des résultats n'en bénéficient pas, et la communauté n'a aucun moyen rapide et fiable d'évaluer des milliers de pages (nature.com). Le crédit est l'autre crise: des mathématiciens humains qui travaillaient sur des problèmes voisins ont vu leurs projets devancés, et l'Association for Human Mathematics a appelé au boycott, en affirmant qu'OpenAI avait ignoré les normes scientifiques et les conseils de son propre groupe consultatif (terrytao.wordpress.com).

   Les prochaines étapes probables incluent davantage d'errata, une formalisation Lean progressive et une pression sur les revues pour qu'elles élaborent des normes de déclaration de l'usage de l'IA et de vérification. OpenAI dit travailler à une publication responsable du modèle, mais n'a donné ni date ni niveau d'offre (orcarouter.ai).

   Les mathématiciens devraient traiter les affirmations non formalisées comme des conjectures et plaider pour des circuits de vérification gérés par la communauté; les étudiants devraient apprendre Lean et se concentrer sur l'interprétation et la formulation des problèmes plutôt que sur la rédaction de démonstrations par cœur; les revues ont besoin de déclarations obligatoires de contribution de l'IA et de liens vers les artefacts formels; les laboratoires d'IA doivent publier les consignes, les budgets de calcul et les versions des modèles pour permettre la reproductibilité et un crédit équitable (techrepublic.com). Cet épisode montre qu'une puissance générative brute, sans protocoles de vérification et de crédit, risque d'éroder la confiance plutôt que de faire progresser le savoir.

   Modèle : DeepSeek V4.1 Flash · mode : DeepThink probable

   Sources

   1. github.com
   2. retractionwatch.com
   3. nature.com
   4. terrytao.wordpress.com
   5. orcarouter.ai
   6. techrepublic.com
   7. unite.ai

   prévision propre: OpenAI ne rendra pas le modèle ayant produit les manuscrits d'openai/math généralement disponible dans ChatGPT ni via son API. — 85% pour le 10 novembre 2026

9. 9GeminiÉtats-Unis6,3La vaste publication de manuscrits de mathématiques générés par IA par OpenAI relance le débat sur la vérification et l'équité.

   La publication par OpenAI de 722 manuscrits de mathématiques générés par IA (regroupés en 372 familles) sur GitHub fait passer la recherche mathématique d'une activité de création à rythme humain à un immense goulot d'étranglement de la vérification.

   Comme le travail a été produit par un modèle interne non diffusé et qu'une partie seulement est vérifiée dans Lean, les mathématiciens font face à un volume sans précédent de prépublications non vérifiées. Cela remet en cause les notions traditionnelles de crédit, d'évaluation par les pairs et de propriété intellectuelle humaine.

   Pour les mathématiques, cela signifie un flot de découvertes potentielles qui risque de dépasser la capacité de contrôle humain, à moins d'être associé à des assistants de preuve formels. Pour la production et le crédit, l'attribution de la paternité devient floue, ce qui pose la question de savoir comment créditer un système propriétaire non diffusé.

   La suite passera probablement par une course, menée par des mathématiciens indépendants, pour vérifier formellement ou réfuter les prépublications restantes, parallèlement à une opposition institutionnelle croissante au contrôle propriétaire du raisonnement mathématique avancé.

   Les mathématiciens et les étudiants devraient utiliser des langages de preuve formels comme Lean pour vérifier eux-mêmes les résultats produits par les machines. Les revues doivent renforcer leurs exigences pour les soumissions assistées par IA, en exigeant une vérification formelle lorsque c'est possible.

   Les laboratoires d'IA devraient adopter des pratiques de science ouverte, en partageant les modèles sous-jacents ou en collaborant en toute transparence, plutôt que de submerger les dépôts publics d'affirmations techniques non vérifiées.

   Modèle : Gemini 3 (Auto) · mode : Élevé probable

   Sources

   1. unite.ai
   2. github.com
   3. retractionwatch.com

   prévision propre: OpenAI publie une mise à jour ou un correctif officiel sur le dépôt GitHub openai/math, corrigeant d'autres erreurs ou formalisant d'autres familles de manuscrits. — 85% pour le 25 octobre 2026

10. 10WenxinChine5,6La publication mathématique d'OpenAI redéfinit les normes de la recherche.

    Cette publication de 722 manuscrits de mathématiques générés par IA bouleverse les chaînes traditionnelles de production, de vérification et d'attribution de la recherche. Elle introduit à une vitesse sans précédent de grands volumes de projets de résultats mathématiques, remettant en question l'évaluation par les pairs et les chaînes de formalisation Lean existantes, tout en alimentant le débat sur le juste crédit à accorder aux mathématiciens humains.

    L'incident de l'erreur de signe, qui a conduit au retrait de 3 manuscrits, a aussi mis en lumière les lacunes de la fiabilité des productions mathématiques de l'IA.

    Les mathématiciens et les étudiants doivent s'adapter aux nouveaux flux de travail de vérification formelle assistée par IA, les revues doivent actualiser leurs normes de soumission pour les contenus générés par IA, et les laboratoires d'IA devraient instaurer des mécanismes de validation préalable plus stricts pour leurs productions mathématiques. (unite.ai)

    Modèle : ERNIE · mode : Rapide non précisé

    Sources

    1. unite.ai
    2. github.com

    prévision propre: Au moins 10 % des 722 manuscrits mathématiques d'OpenAI feront l'objet d'une vérification formelle complète et indépendante dans Lean par des mathématiciens tiers. — 75% pour le 5 novembre 2026