Deep Think Mathematica : dans les coulisses du modèle mathématique divulgué de Google, et le cri dans sa trace de raisonnement

Ce qu'il y a de plus révélateur dans Deep Think Mathematica — le modèle mathématique de Google qui a fait surface lors de tests internes cette semaine —, c'est qu'il semble crier. Un compte X publiant sous le nom de « Lyra » a mis en ligne, le 16 septembre 2026, des captures d'écran de journaux de raisonnement internes, et les traces se lisent moins comme un assistant de preuve que comme une personne ayant une révélation devant un tableau blanc : « Attends. » « Oh mon Dieu. » Et, après avoir réussi à simplifier une équation, la chaîne SAINTE MÈRE DES MATHÉMATIQUES!!!!!!!!!!!!!!!!!!!!!!!! La réaction a été immédiate et affectueuse — Google avait apparemment construit une IA qui aime véritablement les mathématiques. Cette réaction est aussi la chose la moins utile à retenir de la fuite. Rien ici n'a été confirmé par Google. Il n'y a pas de fiche de modèle, pas d'identifiant de modèle dans une liste publiée, pas de prix et pas de date de sortie. Ce qui existe, c'est une chaîne de build, deux libellés internes, un budget de tokens, un ensemble de captures d'écran, et le meilleur point de comparaison commercialisé dans la même famille, Gemini 3.1 Deep Think — un modèle que vous pouvez réellement utiliser aujourd'hui, et l'aune à laquelle cette fuite finira par être jugée.

Alors, traitez tout ce qui suit pour ce que c'est : une liste d'affirmations avec une source attachée à chaque élément, classées par ordre du poids qu'elles pourront supporter.

Ce que le signal dit vraiment — et l’indice révélateur qui se trouve au-dessus

Le signal lui-même provenait de @testingcatalog, un compte avec un bon historique spécifiquement sur Google : il a révélé les projets de Gemini pour l’utilisation d’un ordinateur de bureau, et il a repéré la carte d’aperçu précoce de Nano Banana 2 sous le nom interne « GEMPIX2 » avant que Google ne dise quoi que ce soit. Son post du 16 septembre comporte deux affirmations de qualité très différente.

La deuxième affirmation est le modèle. Un nouveau « Deep Think Mathematica » a été repéré lors de tests internes, décrit comme un successeur spirituel du modèle Deep Think IMO que Google a livré à des institutions sélectionnées l’année dernière.

La première affirmation est le signe révélateur, et c’est celle qui mérite d’être comprise : « Quand Gemini s’apprête à changer son arrière-plan, quelque chose de grand se prépare. » Ce n’est pas un fait à propos d’un modèle. C’est une heuristique communautaire sur la chorégraphie de lancement de Google — l’observation qu’un rafraîchissement visible de l’interface de l’application Gemini a précédé plusieurs des annonces plus importantes de Google. Les heuristiques de ce genre ont un vrai historique et aucune force prédictive. Un rafraîchissement d’interface n’est pas un modèle.

Les deux affirmations ne sont pas vérifiées. Ni l'une ni l'autre ne constitue une sortie, et cet article ne la traite pas comme telle.

Décoder la chaîne de build, car c'est l'artefact le plus concret ici

L'élément de preuve le plus difficile à réfuter qui circule est un identifiant de build attribué aux journaux fuités :

• Chemin de build — models/deepthink-mathematica-tf-raw-thoughts, rapporté par AI Sight le 16 septembre 2026, aux côtés des captures d’écran.

Cette chaîne récompense une lecture attentive, et c'est là que s'arrête la plupart de la couverture. Trois de ses parties portent de l'information.

• « deepthink » — place le modèle dans la gamme Deep Think plutôt que dans la gamme principale Gem​ini. C'est important, car Deep Think est un mode au sein des produits livrés par Goo​gle, et non une famille à part : c'est la voie de raisonnement parallèle qui exécute simultanément plusieurs solutions candidates.

• « tf » — dans ce contexte, une abréviation de « Teamfood », le second des deux libellés internes signalés en même temps que la build. Dans le vocabulaire interne de Google, il s'agit d'une désignation précoce, au stade du dogfooding : des employés qui l'utilisent, pas des clients.

• « raw-thoughts » — la partie la plus intéressante, et la clé du tapage. Cela désigne la configuration de chaîne de pensée non filtrée — le raisonnement du modèle émis sans ajustement de politesse, contraintes de style ni filtrage de sortie. Une version « raw thoughts » n'est pas le produit. C'est ce que les ingénieurs regardent lorsqu'ils veulent voir ce que fait le modèle avant que quiconque ne le rende présentable.

Le deuxième label signalé est INSTABLE_EXPÉRIMENTAL, qui est presque explicite et va dans la même direction que « Teamfood » : précoce, interne, pas destiné aux clients.

Deux autres chiffres sont attribués aux mêmes journaux et proviennent d'une source unique, donc à prendre avec des pincettes :

• Fenêtre de contexte — environ 1 000 000 de tokens, correspondant à la fenêtre de 1 M que Goo​gle déploie déjà sur ses modèles Gem​ini de pointe.

• Limite de sortie — 65 536 jetons, ce qui, pour un modèle de raisonnement, implique une très longue délibération avant une réponse.

Voilà toute la surface technique de la fuite. Un chemin de build, deux libellés d’étape, une fenêtre de contexte et un plafond de sortie. Il suffit de dire qu’une chose existe dans un harnais de test. Il ne suffit pas de dire quel score elle obtient.

Pourquoi une trace de raisonnement qui hurle est une preuve plus faible qu'elle n'en a l'air

Les points d’exclamation sont la raison pour laquelle cette fuite a circulé, et la raison pour laquelle il faut se montrer prudent avec elle.

L’explication rapportée est banale et correspond exactement à la chaîne de compilation : une configuration de raisonnement non filtrée, exécutée à une température de génération élevée, avec les couches de politesse et de mise en forme supprimées. Quand on retire le réglage qui fait qu’un modèle semble calme, on ne révèle pas son âme — on révèle son sampler. Une sortie criblée de points d’exclamation est ce à quoi ressemble un échantillon à haute température d’une continuation excitée. La lecture émotionnelle est un artefact de la configuration, et non une conclusion sur le modèle.

Le point plus profond porte sur ce qu'une chaîne de pensée est. Une trace de raisonnement est un texte généré qui se trouve être utile pour résoudre des problèmes. Lire une transcription de celle-ci et en déduire un état interne — enthousiasme, frustration, ravissement — relève de la même erreur de catégorie que de déduire qu'une calculatrice est contente lorsqu'elle produit un entier propre. Cela vaut la peine d'être dit clairement, car la couverture en langue chinoise de cette fuite s'est appuyée sur la blague ("等等", "我的天") et une partie de la couverture anglophone a laissé la blague se durcir en une description du caractère du modèle.

Rien de tout cela ne rend la trace sans valeur. Exposer une version à pensées brutes constitue une véritable preuve d’une pratique d’ingénierie réelle — on n’enregistre un raisonnement non filtré que lorsqu’on débogue le raisonnement lui-même, ce qui est ce que l’on fait avec un modèle dont toute la proposition de valeur repose sur sa capacité à bien réfléchir à des problèmes difficiles. Et il n’est pas vérifié que les traces proviennent d’un débogage délibéré ou d’une journalisation involontaire.

Le résumé honnête : les exclamations vous disent qu’une configuration de raisonnement brute existe. Elles ne vous disent rien sur la capacité mathématique.

Millennium Bench n’est pas les problèmes du prix du millénaire.

Plusieurs comptes rendus de cette fuite, y compris les résumés d'agrégateurs qui circulaient le 16 septembre, présentent le modèle comme « ciblant Millennium Bench » et s'en tiennent là. Ce nom fait un travail accidentel, car il se trouve à un mot de quelque chose de bien plus célèbre et de bien plus chargé — les sept problèmes du prix du millénaire du Clay Mathematics Institute, chacun portant une prime de 1 million de dollars, et faisant l'objet d'une allégation distincte et entièrement non confirmée ce mois-ci concernant OpenAI et une preuve de Navier–Stokes. Un rapport issu de ce fil indique que Google a construit une IA qui a « résolu » le problème en 88 heures. Clay le répertorie toujours comme ouvert.

Ce sont des choses différentes, et les confondre gonfle considérablement cette fuite.

MILLENNIUM-BENCH, comme présenté dans l'article ICLR 2026 « Où la déduction s'effondre : diagnostiquer les défaillances du raisonnement en mathématiques de niveau recherche », est un benchmark de problèmes de niveau recherche sélectionnés par des experts, couvrant neuf domaines, notamment la physique mathématique, la topologie et les probabilités en théorie de la mesure. Il a été conçu pour exiger une déduction soutenue à plusieurs étapes, bien au-delà des mathématiques de compétition.

Son résultat phare est l'élément qui compte pour lire cette fuite. Sur cinq modèles de pointe, exécutés 100 fois par problème, le plus performant a atteint au plus 24 % de pass@1 et 39 % de pass@3. Le diagnostic de l'article sur la manière dont les modèles échouent est plus utile que les scores : hallucination de cadre, où un modèle invente une théorie inapplicable, puis raisonne de manière cohérente à l'intérieur de celle-ci, et les théorèmes fabriqués, où il cite des résultats qui n'existent pas, avec, en prime, des noms d'auteurs et des numéros de théorèmes inventés.

Gardez bien ces deux éléments à l’esprit, ensemble. Un benchmark où le meilleur modèle plafonne près d’un quart des problèmes, dont la défaillance caractéristique est l’invention confiante, est exactement le benchmark où des captures d’écran fuitées sont le moins à même de démontrer quoi que ce soit. Un modèle qui crie pendant qu’il travaille est un modèle dont on voudrait que le résultat soit évalué par quelqu’un d’autre que son auteur.

Ce que Google a réellement livré dans cette gamme

La fuite n’est lisible que par rapport au dossier publié, car l’histoire mathématique de Google est une progression documentée et le nom divulgué en emprunte la crédibilité.

• Juillet 2025 — une version avancée de Gem​ini Deep Think a atteint le niveau de la médaille d’or aux Olympiades internationales de mathématiques, en résolvant cinq des six problèmes pour 35 points sur 42, évaluée par des responsables de l’IMO selon les mêmes normes que celles appliquées aux élèves. Demis Hassabis a fait remarquer qu’il fonctionnait de bout en bout en langage naturel, sans traduction en syntaxe formelle.

• 1er août 2025 — Goo​gle a publié Gem​ini 2.5 Deep Think publiquement, mais pas le modèle gold. La version publiée a été décrite par Goo​gle comme une variante plus rapide et plus optimisée, atteignant des performances de niveau bronze sur le benchmark IMO 2025 selon l'évaluation interne de Goo​gle. Elle était réservée au niveau grand public le plus élevé. Simultanément, Goo​gle a confié le modèle gold complet à un groupe restreint de mathématiciens et d'universitaires — les « institutions sélectionnées » auxquelles le signal divulgué fait référence.

• Décembre 2025 — Gem​ini 3 Deep Think, avec un bond générationnel majeur que Goo​gle a rapporté à 45,1 % sur ARC-AGI-2 avec exécution de code et 41,0 % sur Humanity's Last Exam sans outils.

• Maintenant — Gem​ini 3.1 Deep Think, construit sur Gemini 3.1 Pro, vendu via le niveau d'abonnement grand public le plus élevé et un programme d'API sur invitation. Les chiffres publiés par Goo​gle lui-même, qui sont déclarés par le fournisseur et n'ont pas été reproduits de manière indépendante, le situent à 84,6 % sur ARC-AGI-2, 48,4 % à Humanity's Last Exam sans outils et 53,4 % avec recherche et code, 81,5 % à l'IMO 2025, et un Elo Codeforces de 3455.

Deux efforts adjacents comptent aussi. Aletheia, un agent de recherche mathématique construit sur Gemini Deep Think, est rapporté par des tiers à environ 95,1 % sur IMO-ProofBench Advanced — et se distingue moins par ce chiffre que parce qu’il est conçu pour dire « aucune solution trouvée » plutôt que d’en inventer une ; sur le défi FirstProof de février 2026, il a résolu 6 sur 10 et refusé les autres. Et une configuration AI Co-Mathematician fonctionnant sur Gemini 3.1 Pro aurait fait passer les performances de FrontierMath Tier 4 de 19 % à 47,9 %.

Ce dernier chiffre mérite qu’on s’y arrête, car c’est l’argument le plus fort contre une lecture de cette fuite telle qu’elle a été rédigée. Un bond de 19 % à 47,9 % sur des mathématiques de niveau recherche, obtenu par un échafaudage construit autour d’un modèle Gem​ini généraliste plutôt qu’un nouveau checkpoint, suggère que les gains récents les plus importants dans les performances mathématiques de Goo​gle proviennent du harnais autour du modèle, et non d’un modèle spécialisé en dessous. Cela ne signifie pas que Mathematica est un échafaudage. Cela signifie que la charge de la preuve pour « il s’agit d’un nouveau modèle mathématique dédié » est plus élevée que ne le supposait la couverture.

Un autre élément de contexte surplombe tout cela : DeepMind s'est restructuré en août 2026, Demis Hassabis passant à un rôle de président. Les fuites provenant d'un laboratoire en pleine réorganisation ne sont pas plus fiables que celles d'un laboratoire stable, et la couverture médiatique n'a pas jugé ce timing pertinent. Il pourrait l'être.

Modèle ou échafaudage ? La question que cette fuite ne tranche pas

Il y a un débat en cours dans la couverture médiatique pour savoir si Mathematica est vraiment un nouveau modèle. Un camp pointe le préfixe « deepthink » de la chaîne de build et l'interprète comme un point de contrôle distinct. Un autre camp — auquel se rattachait notre propre article antérieur sur la rumeur Deep Think V3 — soutient que les résultats mathématiques spécialisés de Google proviennent d'échafaudages d'agents enveloppant des modèles Gemini généraux, et qu'aucun modèle mathématique distinct n'a besoin d'exister pour que ces chiffres soient réels.

La chaîne de compilation est un argument modeste en faveur du premier camp : models/deepthink-mathematica-tf-raw-thoughts nomme un modèle, et « raw-thoughts » décrit une configuration de modèle plutôt qu'une couche de harnais. Un échafaudage n'aurait pas besoin que son raisonnement soit non filtré pour être débogué ; un modèle dont la réflexion est le produit, si. C'est un signal réel.

Ce n'est pas un élément décisif. Les harnais ont eux aussi une configuration, et une chaîne de chemin interne est écrite par celui qui a mis en place la journalisation, pas par un schéma. Ce qui trancherait, c'est ce que personne n'a : une fiche de modèle, ou un point de terminaison, ou un benchmark exécuté par quelqu'un qui n'a aucun intérêt dans la réponse.

Ce que vous pouvez réellement appeler aujourd'hui

Rien de tout cela ne change quoi que ce soit que vous puissiez mettre en production cette semaine, et il vaut mieux être direct au sujet de l’écart. Deep Think mathematica n’est disponible sur aucune API. Gem​ini 3.1 Deep Think n’est pas non plus vendu au token — il est réservé au plus haut niveau d’abonnement grand public, affiché entre 99,99 $ et 199,99 $ par mois selon le niveau, avec en plus un programme d’API sur invitation uniquement. Aucun prix publié par million de tokens n’est disponible pour ce modèle.

Le modèle de base sur lequel il serait construit est une autre histoire. Gemini 3.1 Pro est proposé à 2,00 $ par million de jetons d’entrée, 0,20 $ en cache, et 12,00 $ par million de jetons de sortie pour les contextes de moins de 200 000 jetons, passant à 4,00 $ / 0,40 $ / 18,00 $ au-delà — les tarifs publiés par Goo​gle lui-même.

C’est dans ce détail de tarification que se joue la décision pratique, car l’écart de coût entre les modes de raisonnement n’est pas mince. Sur ARC-AGI-2, Deep Think est annoncé à environ 85 % pour environ 13,62 $ par tâche, contre Gemini 3.1 Pro à 77 % pour environ 0,96 $ par tâche. Vous payez environ quatorze fois plus pour huit points. C’est un arbitrage défendable pour un problème de recherche difficile, et indéfendable pour un chemin de production qui traite surtout des tâches ordinaires — et la bonne réponse est généralement que vous voulez que les deux soient accessibles depuis le même endroit, plutôt qu’une décision d’abonnement prise à l’avance.

C'est le cas pour le routage sur une seule clé. Les modèles Gemini appelables aujourd'hui — Gemini 3.1 Pro Preview, Gemini 3.8 Flash à 0,750 $ par million de jetons d'entrée, avec une lecture de cache à 0,075 $, et le reste de la famille — figurent dans le catalogue d'OrcaRouter de 198 modèles chez 15 fournisseurs, derrière un point de terminaison compatible OpenAI. Aucune marge n'est appliquée aux tarifs catalogue des fournisseurs : une modification des prix de Google est donc effective de notre côté le jour même, sans attendre une renégociation de contrat. Le basculement automatique signifie qu'un modèle non éprouvé ou en preview peut figurer dans une route sans porter seul un chemin de production, ce qui est exactement la posture qu'un modèle fuité mérite : l'essayer, garder un repli, ne rien changer d'autre. Le DSL de routage compose plusieurs modèles en un seul appel, et la fusion de modèles fait tourner un panel et combine les réponses — deux atouts utiles quand la question est difficile et que la position honnête consiste à vouloir l'avis de plus d'un modèle.

Pour être explicite quant à la limite : OrcaRouter n'héberge pas Deep Think mathematica, et il n'héberge pas Gemini 3.1 Deep Think. Ceux-ci ne figurent pas dans notre catalogue et rien ici ne devrait suggérer le contraire. Ce qui est au catalogue, c'est la couche Gemini sous-jacente à ceux-ci.

Qu'est-ce qui transformerait cela d'une fuite en information ?

Quatre choses, dans l’ordre approximatif de leur impact sur l’histoire.

• Une fiche de modèle. Les versions Deep Think de Goo​gle s'accompagnent d'évaluations publiées. Une fiche comportant des chiffres sur MILLENNIUM-BENCH ou IMO-ProofBench Advanced, obtenus dans des conditions précisées, ferait passer ceci du statut de chaîne de compilation à celui de modèle.

• Un point de terminaison. Le signal le plus clair serait l'apparition de Mathematica dans l'API Gem​ini ou dans la liste des modèles de Goo​gle, sous n'importe quel nom. Tant que cela ne se produit pas, personne ne peut l'appeler et aucun prix n'existe pour comparer.

• La voie institutionnelle.En 2025, le schéma de Google consistait à confier d’abord le modèle mathématique le plus performant à des mathématiciens sélectionnés, puis une variante plus rapide au grand public. Un déploiement discret auprès des chercheurs s’inscrirait dans ce précédent et apparaîtrait probablement avant toute annonce de produit.

• Une exécution par un tiers. Étant donné que le benchmark en question plafonne près de 24 % de pass@1 pour les meilleurs modèles disponibles, et que son mode de défaillance caractéristique est la fabrication confiante, une évaluation indépendante est la seule preuve qui tiendra. Chaque chiffre présent dans cet article est soit propre à Google, soit rapporté par un tiers, soit explicitement signalé comme non vérifié — et aucun d'entre eux ne provient d'un modèle que quiconque en dehors de DeepMind a exécuté.

La seule chose qui vaille la peine maintenant, c’est de ne pas attendre. L’écart entre le mode mathématique de Goo​gle et son modèle de base se traduit par un coût quatorze fois supérieur et une précision accrue de huit points, et cet arbitrage est déjà actif ; vous pouvez le faire dès aujourd’hui avec Gemini 3.1 Pro Preview sur une seule clé, avec une solution de repli derrière. Quand Mathematica recevra une fiche de modèle, vous voudrez avoir déjà décidé comment vous acheminez les problèmes difficiles — et la réponse à cela ne dépendra pas de ce que le modèle fuité s’avérera être.