OpenAI publie 722 manuscrits de mathématiques

Le fait central: une « pull request » de 722 articles pour les maths

OpenAI n’a pas annoncé un simple article de recherche. L’entreprise a publié un corpus entier: 722 manuscrits, regroupés en 372 familles de résultats, attribués à un modèle interne d’OpenAI qui n’est pas encore accessible au public [2]. Dans son billet officiel, OpenAI présente l’ensemble comme une large publication de nouveaux résultats mathématiques produits par un modèle frontière interne, accompagnée de formalisations Lean, d’estimations de calcul, de résumés de raisonnement et de règles de révision [1].

C’est précisément ce qui rend l’annonce à la fois immense et inachevée. La version la plus forte qui circule aujourd’hui affirme que le corpus résoudrait 90 des 500 principaux problèmes ouverts en mathématiques, avec la Quasi-hypothèse de Riemann parmi les résultats les plus visibles [6]. La lecture rigoureuse doit être plus froide: OpenAI a publié un très grand ensemble de manuscrits et d’artefacts de preuve; la communauté mathématique doit maintenant établir lesquels résistent à la vérification formelle, à l’expertise humaine et à la reproduction indépendante.

L’image est évidente: les mathématiques viennent de recevoir une pull request de 722 papiers. Elle peut contenir des théorèmes majeurs, des preuves élégantes et de nouvelles techniques. Elle peut aussi contenir des erreurs, des formulations trop ambitieuses ou des textes dont l’énoncé formalisé est plus étroit que le résumé. Dans tous les cas, le seuil a bougé: le problème n’est plus seulement de produire des candidats à la recherche, mais de les auditer.

Ce qu’OpenAI a publié concrètement

Le dépôt public indique que le catalogue contient 722 manuscrits organisés en 372 familles, une famille pouvant regrouper un résultat principal, des arguments compagnons, des conséquences ou des preuves alternatives [2]. Le matériel comprend des prépublications, des fichiers sources, des instructions de citation et de compilation propres à chaque manuscrit, une carte du corpus, une bibliothèque Lean et un catalogue de formalisations [2].

OpenAI explique que ces résultats proviennent d’évaluations sur des problèmes de recherche ouverts, lancées après saturation de ses évaluations mathématiques existantes [2]. L’entreprise indique qu’environ 4 000 problèmes ont été soumis pendant l’évaluation et que chaque résultat a utilisé, en moyenne, l’équivalent d’environ trois heures de raisonnement ChatGPT Pro [1][2]. OpenAI dit aussi publier dix résumés abrégés du raisonnement du modèle ainsi que des statistiques sur les problèmes tentés [1].

Le modèle, lui, n’est pas publié. OpenAI affirme travailler à une diffusion responsable du modèle qui a produit ces résultats, mais la publication actuelle est un corpus de recherche, pas un lancement produit, pas un point d’accès API et pas un système téléchargeable [1]. Cette distinction est essentielle: les lecteurs peuvent examiner les manuscrits et certains artefacts de preuve, mais ils ne peuvent pas encore reproduire le processus de découverte du côté du modèle.

Pourquoi la Quasi-hypothèse de Riemann attire l’attention

La famille de résultats la plus commentée est celle que plusieurs observateurs appellent la Quasi-hypothèse de Riemann. AINews l’a placée au centre de son suivi de l’annonce, dans un contexte où de nombreux résultats sont rapprochés de grands problèmes ouverts [6].

Une vérification indépendante s’est concentrée sur la preuve Lean d’OpenAI concernant une région sans zéro pour la fonction zêta: le théorème vérifié affirme que la fonction zêta de Riemann ne s’annule pas lorsque la partie réelle de l’entrée est supérieure à 7/8 [7]. Ce n’est pas l’hypothèse de Riemann complète, qui porte sur la droite critique de partie réelle 1/2, mais ce serait tout de même une avancée importante si l’énoncé formel, ses dépendances et son lien avec le manuscrit écrit résistent tous à l’examen [7].

Le vérificateur indépendant rapporte que le noyau standard de Lean a accepté la preuve et qu’un second noyau, nanoda, l’a également acceptée [7]. Il précise cependant les limites de son travail: il a vérifié la preuve informatique, non l’article qui l’accompagne, et il s’agit d’une seule exécution indépendante sur une seule machine [7]. C’est donc un signal précoce encourageant, pas une conclusion définitive.

Le grand écart de vérification

Après 722, le chiffre clé est 162. CellCog a relevé des formalisations Lean du résultat principal pour 162 articles, tandis que Stanford Tech Review a aussi compté 162 dossiers de manuscrits présents dans le catalogue de formalisation, sur 722 dossiers de manuscrits dans la carte du corpus [4][5]. Stanford Tech Review chiffre cette couverture à 22,4% des manuscrits, ce qui laisse 560 textes sans résultat principal formalisé dans son comptage [5].

Le README d’OpenAI prévient lui-même que le corpus contient des résultats à différents stades de vérification, que tous les manuscrits n’ont pas de formalisation Lean et que certains résultats non formalisés pourraient contenir des problèmes [2]. Cette phrase devrait accompagner chaque discussion de l’annonce. Lean peut vérifier puissamment une preuve formelle d’un énoncé formel; il ne garantit pas automatiquement que le titre, le résumé et l’interprétation mathématique plus large d’un manuscrit sont corrects.

Il existe aussi une question de calendrier. Stanford Tech Review rapporte qu’aucun des 143 manuscrits datés du 3 au 6 octobre ne figurait dans le catalogue de formalisation examiné, alors que l’essentiel de la couverture Lean se concentrait sur des fichiers de fin septembre [5]. Cela ne prouve pas que les manuscrits tardifs sont faux; cela peut simplement signifier que la formalisation suit la génération avec retard. Mais cela confirme le point central: cette publication est une file d’attente pour la vérification, pas un registre final de théorèmes acceptés.

Normes communautaires et question de gouvernance

OpenAI dit avoir consulté l’Advisory Group on Mathematics and Artificial Intelligence de l’Institute for Advanced Study et s’être appuyé sur ses recommandations publiques pour préparer la publication [1]. L’entreprise affirme aussi explorer des solutions d’hébergement communautaires et vouloir améliorer à l’avenir les citations, l’exposition mathématique et la présentation des résultats [1].

Cela ne règle pas la question du processus. TokenPost rapporte que la publication ne contient pas toutes les informations recommandées par le groupe consultatif, notamment le dépôt dans une archive académique non contrôlée par un laboratoire d’IA et la divulgation, pour chaque résultat, du nom du modèle, des prompts, du résumé de raisonnement, du temps passé et du coût de calcul [8]. Le dépôt est public, mais il reste hébergé dans le compte GitHub d’OpenAI; le modèle est non nommé et non publié [1][8].

Ce n’est pas un détail administratif. En mathématiques, l’infrastructure sociale de publication indique qui a vérifié quoi, selon quelles hypothèses, et avec quelle traçabilité. Si des systèmes d’IA peuvent générer des centaines de manuscrits plausibles en une nuit, alors la provenance, le versionnage, l’hébergement indépendant et la vérification reproductible deviennent une partie du théorème.

Les prochains points à surveiller

La suite sera beaucoup plus lente que l’annonce. Les mathématiciens devront trier le catalogue, relancer les compilations Lean, comparer les énoncés formels aux affirmations des manuscrits, examiner les dépendances et décider quels résultats méritent une lecture de séminaire. OpenAI indique que les corrections et révisions seront enregistrées comme de nouvelles versions et que les versions antérieures resteront accessibles [2]. Cet historique pourrait devenir aussi important que la publication initiale.

Trois signaux seront décisifs. D’abord, la reproduction indépendante: la revérification de la preuve zêta est un bon début, mais il faudra de nombreux clones propres, compilations fraîches et contrôles par noyaux indépendants [7]. Ensuite, l’expertise humaine: une formalisation peut certifier un énoncé, mais il faut encore juger la nouveauté, la portée et l’adéquation entre l’artefact formel et le texte. Enfin, la discipline des titres: l’expression « 90 des 500 principaux problèmes » est frappante, mais les classements de problèmes ouverts ne sont pas une institution canonique des mathématiques; chaque affirmation doit donc être reliée à un manuscrit précis et à son statut de preuve [6].

La conclusion la plus prudente est aussi la plus spectaculaire. OpenAI n’a pas seulement publié un score de benchmark; l’entreprise a déposé une montagne de mathématiques candidates. Si même une fraction des grandes affirmations survit, la découverte de théorèmes assistée par machine vient de franchir un seuil visible. Si beaucoup échouent, la publication définira malgré tout le nouveau problème de vérification créé par la recherche IA à grande échelle. Dans tous les cas, les mathématiques ont désormais 722 manuscrits à auditer.

Sources des dernières 72 heures

1. [1]Sharing AI progress in mathematics | OpenAI6 oct. 2026, 14:00
2. [2]math/README.md at main · openai/math · GitHub6 oct. 2026, 23:58
3. [3]OpenAI Math Repository: 722 Manuscripts, 372 Families7 oct. 2026, 08:29
4. [4]OpenAI's 722 AI Math Papers: What's Proved, What's Checked | CellCog6 oct. 2026, 02:00
5. [5]OpenAI's 722 AI Math Proofs: Only 162 Checked in Lean7 oct. 2026, 02:00
6. [6][AINews] Quasi-Riemann-Hypothesis: OpenAI publishes 722 math papers solving 90 of the top 500 open math problems; “the most significant moment” in >100 years of mathematics7 oct. 2026, 02:00
7. [7]davegoldblatt/openai-zeta-proof-check — Shadowgraph7 oct. 2026, 02:00
8. [8]OpenAI Releases 722 AI-Generated Math Manuscripts After Criticism | TokenPost7 oct. 2026, 04:53

Article généré par IA à partir d’une recherche web récente, puis conservé comme instantané éditorial daté.