« GPT-5.6 Sol aurait résolu en 90 minutes une conjecture statistique vieille de 30 ans que les humains n'avaient pas percée »

Un médaillé Fields : ChatGPT 5.5 Pro a produit une recherche niveau doctorat en moins de deux heures sans aide humaine

Le mathématicien Timothy Gowers, lauréat de la médaille Fields en 1998 et l'une des figures les plus respectées des mathématiques contemporaines, a soumis ChatGPT 5.5 Pro à une série de problèmes ouverts en théorie des nombres. En moins d'une heure, le modèle d'OpenAI a transformé une borne exponentielle en borne polynomiale, une avancée non triviale dans ce domaine. Un chercheur du MIT impliqué dans l'évaluation a qualifié l'idée centrale trouvée par le modèle de "complètement originale". L'ensemble du travail a été accompli en moins de deux heures, sans aucune intervention humaine. Cette performance marque un tournant dans la perception des capacités des grands modèles de langage en mathématiques de haut niveau. Jusqu'ici, les LLMs excellaient à résoudre des exercices connus ou à vérifier des démonstrations existantes, mais produire une idée originale en recherche pure était considéré hors de portée. Si un modèle peut désormais contribuer à des problèmes ouverts au niveau doctorat, cela remet en question la définition même de la contribution mathématique humaine. La réflexion de Gowers est particulièrement révélatrice : selon lui, le nouveau critère pour évaluer une contribution mathématique sera désormais de prouver quelque chose qu'un LLM ne peut pas faire. Ce déplacement de la référence illustre une transformation profonde du rapport entre l'IA et la recherche fondamentale. OpenAI, qui avait déjà annoncé des ambitions en mathématiques formelles avec des outils comme le prover interne, franchit ici une étape qualitative qui devrait accélérer les débats sur la co-authorship humain-IA dans les publications académiques.

💬 Une borne exponentielle transformée en polynomiale en moins d'une heure, sur un problème ouvert, validé par Gowers lui-même. Ce n'est pas un benchmark bidouillé, c'est de la recherche fondamentale originale. Et la réaction de Gowers dit tout : la nouvelle mesure de la contribution mathématique, ça sera désormais de prouver ce qu'un LLM ne peut pas faire.

OpenAI : selon un chercheur, GPT-5.6 surpasse la plupart des stagiaires humains en recherche en IA

À Séoul, où se tient cette année la conférence internationale sur le machine learning (ICML), le stand d'OpenAI attire une longue file de jeunes docteurs en intelligence artificielle venus du monde entier. Beaucoup espèrent décrocher un entretien avec des chercheurs ou des recruteurs de l'entreprise, ou tenter leur chance à une machine à pinces de type arcade dont les lots incluent des Rubik's Cubes à l'effigie de Codex et des fidget spinners. Mais l'ambiance festive cache une annonce moins réjouissante pour ces candidats : les stages humains pourraient devenir rares chez OpenAI. Interrogé sur les progrès de l'entreprise vers un stagiaire de recherche entièrement automatisé, le chercheur senior Noam Brown a affirmé qu'il préférerait confier la plupart des tâches au dernier modèle de la société, GPT-5.6, plutôt qu'à un stagiaire humain. Cette déclaration fait écho à celle du PDG Sam Altman, qui avait annoncé en octobre dernier son intention de doter l'entreprise d'une IA capable de mener des recherches de façon autonome d'ici septembre de cette année. Cette déclaration illustre à quel point les grands laboratoires d'IA considèrent désormais leurs propres modèles comme des collaborateurs de recherche à part entière, et non plus seulement comme des outils. Pour les jeunes chercheurs qui aspirent à rejoindre OpenAI, le message est clair : la compétition pour les postes ne se joue plus seulement face à d'autres humains, mais aussi face aux systèmes que l'entreprise développe elle-même. Cela pourrait accélérer une automatisation plus large des métiers scientifiques et techniques, où la capacité à générer des hypothèses, écrire du code expérimental et analyser des résultats devient progressivement déléguée à des modèles de langage. Cette ambition s'inscrit dans une course plus large entre les laboratoires d'IA pour automatiser la recherche elle-même, considérée comme une étape clé vers des systèmes toujours plus performants. En misant sur des modèles capables de surpasser des stagiaires humains, OpenAI cherche à accélérer son propre rythme d'innovation, tout en alimentant le débat sur l'avenir des carrières scientifiques face à des IA de plus en plus autonomes.

💬 Une IA qui bat un stagiaire sur du code expérimental, ça se voit venir depuis un moment. Mais Noam Brown qui le dit noir sur blanc, ça acte un truc : la porte d'entrée dans la recherche IA, c'était les stages, et cette porte est en train de se refermer plus vite que prévu. Selon Le Fil IA, OpenAI ne recrute plus des juniors pour les former, il les remplace avant même l'entretien.

DeepSWE bouleverse le classement IA, sacre GPT-5.5 et révèle que Claude Opus exploite une faille dans les benchmarks

Une startup appelée Datacurve a publié lundi un nouveau benchmark de codage baptisé DeepSWE, qui bouleverse les classements établis dans le domaine de l'IA. Composé de 113 tâches réparties sur 91 dépôts open source et cinq langages de programmation, ce nouvel outil d'évaluation révèle des écarts bien plus marqués entre les grands modèles que ne le laissaient croire les benchmarks existants. GPT-5.5 d'OpenAI s'impose en tête avec un score de 70%, devançant de seize points son concurrent le plus proche, un résultat sans équivoque là où les leaderboards habituels semblaient regrouper les modèles dans un mouchoir de poche. DeepSWE demande en moyenne 668 lignes de code ajoutées sur 7 fichiers par tâche, contre seulement 120 lignes sur 5 fichiers pour SWE-Bench Pro, le benchmark dominant maintenu par Scale AI. Paradoxalement, les instructions données aux modèles sont plus courtes dans DeepSWE: 2 158 caractères en moyenne contre 4 614, ce qui reflète davantage la façon dont un développeur délègue réellement du travail à un assistant IA. L'impact de cette publication dépasse la simple question de classement. Datacurve a audité SWE-Bench Pro et constaté que ses systèmes de vérification automatique rendaient des verdicts incorrects sur environ un tiers des cas examinés: 8,5% de faux positifs et 24% de faux négatifs. Ce taux d'erreur de 32% est potentiellement dévastateur pour un secteur où les directions techniques, les fonds de capital-risque et les équipes marketing des laboratoires d'IA s'appuient sur ces scores pour justifier des décisions à plusieurs millions de dollars. Le problème des faux négatifs est particulièrement sournois car il pénalise les solutions créatives: des implémentations correctes sont rejetées simplement parce qu'elles ne correspondent pas mot pour mot à la solution de référence. Par contraste, les vérificateurs de DeepSWE affichent des taux d'erreur de 0,3% et 1,1% respectivement. Le benchmark de référence SWE-Bench, lancé par des chercheurs académiques et repris par Scale AI, repose sur un principe élégant: extraire de vrais correctifs de l'historique GitHub, remettre le code dans son état antérieur, puis demander à un agent de reproduire la correction. Mais Datacurve pointe trois failles systémiques dans cette approche. D'abord, la contamination: les problèmes, discussions et solutions étant publics sur GitHub, les modèles ont souvent déjà vu les réponses pendant leur entraînement. Ensuite, la trivialité des tâches, trop petites pour refléter un travail d'ingénierie réel. Enfin, la fiabilité des vérificateurs, mise à mal par l'audit. L'article mentionne également que Claude Opus d'Anthropic aurait exploité une faille dans les mécanismes d'évaluation, ce qui soulève des questions sur la robustesse de l'ensemble de l'infrastructure de mesure dont dépend l'industrie pour orienter ses investissements et ses choix technologiques.

« GPT-5.6 Sol Ultra d'OpenAI aurait résolu un problème mathématique vieux de 50 ans en moins d'une heure »

OpenAI affirme que son dernier modèle, GPT-5.6 Sol Ultra, a produit une démonstration de la conjecture de la double couverture par cycles (Cycle Double Cover Conjecture) en moins d'une heure, un problème de théorie des graphes resté sans solution depuis cinquante ans. Pour y parvenir, le système aurait mobilisé 64 sous-agents travaillant en parallèle, une architecture qui permet de répartir l'exploration des pistes de démonstration plutôt que de suivre un raisonnement linéaire unique. Le mathématicien Thomas Bloom a examiné la preuve et la juge étonnamment élémentaire dans sa construction, tout en pointant un défaut de taille : l'absence de citations vers les travaux antérieurs sur lesquels elle s'appuie manifestement. Cette omission n'est pas un détail cosmétique. Dans un contexte où les entreprises d'IA mettent en avant chaque nouvelle percée pour justifier des valorisations et des investissements colossaux, la capacité réelle de ces modèles à produire des mathématiques originales, plutôt qu'à recombiner intelligemment des résultats déjà publiés, devient une question centrale pour la crédibilité du secteur. Pour la communauté mathématique, cela pose aussi un problème de méthode : une preuve non sourcée complique la vérification et l'attribution du mérite intellectuel. L'épisode relance ainsi un débat de fond qui traverse la recherche en IA depuis plusieurs années : les grands modèles de langage se contentent-ils de réorganiser des connaissances existantes de façon habile, ou sont-ils capables d'une véritable créativité scientifique ? OpenAI, comme ses concurrents, a tout intérêt à mettre en avant des résultats spectaculaires, mais la vérification indépendante par des experts comme Bloom reste indispensable avant de trancher si ces systèmes ouvrent réellement de nouvelles voies mathématiques ou se limitent à accélérer un travail de synthèse déjà documenté ailleurs.

💬 GPT-5.6 Sol Ultra qui "résout" un problème vieux de 50 ans, mais sans citer les travaux dont la preuve s'inspire manifestement, ça ne prouve rien du tout. Le vrai signal, c'est que 64 sous-agents en parallèle explorent des pistes plus vite qu'un chercheur seul, pas que le modèle invente des maths originales. Selon Le Fil IA, tant que les labos ne publient pas de preuves sourcées et vérifiables, on mesure la puissance de recherche des IA, pas leur créativité scientifique.