Les 722 manuscrits mathématiques d'OpenAI : le modèle derrière eux n'a ni nom, ni prix, ni API

À 21 h 47 UTC le 6 octobre 2026, un dépôt appelé openai/math est apparu sur GitHub sans description et avec un commit initial. Quatorze minutes plus tard, OpenAI l’a publié sur X et a mis en ligne une page d’accompagnement, « Partager les progrès de l’IA en mathématiques ». Ensemble, ces deux choses décrivent un événement sans précédent : 722 manuscrits mathématiques, regroupés en 372 familles, produits par un modèle frontière interne qu’OpenAI n’a pas nommé, n’a pas fixé de prix et qui ne peut être appelé depuis aucune API. Les modèles qu’il surplombe sont ceux auxquels vous pouvez réellement accéder aujourd’hui — GPT-6 Astra à 10 $ / 50 $ par million de tokens et GPT-6.1 Sol à 2 $ / 10 $ — et aucun des deux n’a écrit ces articles. OpenAI déclare que le modèle qui les a rédigés est encore en cours d’entraînement, et qu’un travail est en cours pour le « publier de manière responsable ». Voici ce qui est vérifié jusqu’à présent, ce qui ne l’est pas, et l’unique question qu’un lecteur devrait en retenir.

Commençons par ce que cette publication n'est pas. Ce n'est pas un lancement de modèle : il n'y a pas de fiche de modèle, pas d'identifiant, pas de fenêtre de contexte, pas de tableau de benchmarks, pas de date. Ce n'est pas un article : rien ici n'a été évalué par les pairs, et OpenAI dit sans détour que des résultats sans formalisation Lean « pourraient poser des problèmes ». Et ce n'est pas une fuite — si ce texte est rédigé dans une perspective de ce que nous savons jusqu'ici, ce n'est pas parce que les documents sont secrets, mais parce que le sujet lui-même, le modèle, n'est pas encore publié. Tout le reste ci-dessous peut être vérifié par rapport au dépôt, au billet d'OpenAI lui-même et au groupe consultatif qu'OpenAI dit avoir consulté.

Qu'est-ce qui est réellement sorti le 6 octobre

Le dépôt est public, sous licence Apache-2.0, et écrit en Lean. Son README indique que le catalogue « contient 722 manuscrits organisés en 372 familles », où une famille regroupe un résultat principal avec des arguments d'accompagnement, des conséquences ou des preuves alternatives. La carte des manuscrits est suffisamment détaillée pour permettre un audit : 372 familles avec chacune un résultat principal, listées avec leurs articles constitutifs et, lorsqu'il est disponible, un lien de formalisation Lean.

Le post d'OpenAI ajoute les chiffres de provenance, qui sont les siens et ne sont pas audités indépendamment :

• Problèmes posés — environ 4 000, à partir desquels les familles publiées ont été sélectionnées

• Calcul par résultat — en moyenne, l’équivalent d’environ trois heures de réflexion de ChatGPT Pro

• Résumés de raisonnement — 10 publiés, couvrant des familles incluant l’exposant d’irrationalité de π, les conjectures de Mahler symétrique et générale, la conjecture de finitude directe de Kaplansky en caractéristique deux, la formule de Mézard–Parisi pour le spin dilué et le système relativiste de Vlasov–Maxwell tridimensionnel

• Politique de révision — les nouvelles versions sont mises en ligne pour les corrections, les versions antérieures restant accessibles

Les sujets couvrent tout le spectre : théorie des nombres, géométrie algébrique et complexe, combinatoire, informatique théorique, algèbres d’opérateurs, probabilités et physique mathématique. Certains des titres de la famille sont à première vue des affirmations très fortes — un contre-exemple à la conjecture de recouvrement de Ryser, la multiplication d’entiers en dessous de n log n, la multiplication matricielle d’exposant au plus 9/4, les conjectures de Mahler, des contre-exemples à Baum–Connes et Kadison–Kaplansky. Savoir si une affirmation donnée est vraie est exactement la question que cette publication ne tranche pas pour vous.

Le modèle n'a pas de nom, n'est pas encore publié, et OpenAI dit qu'il arrive.

Le README est sans ambiguïté sur l'auteur : « manuscrits mathématiques et artefacts de preuve à l'appui produits par un modèle interne d'OpenAI », la grande majorité ayant été obtenue « à l'aide d'un modèle interne non publié d'OpenAI ». Aucun nom, aucun nom de code, aucune taille. Les noms qui circulent dans d'autres articles n'ont pas été confirmés par OpenAI, et nous n'allons pas en fournir un.

Ce qui est datable, c'est la chronologie qui l'entoure. Le 28 août 2026, selon la page d'OpenAI consacrée à son groupe consultatif en mathématiques, l'entreprise « a commencé à entraîner un nouveau modèle interne » qui a depuis résolu le problème du millénaire de Navier–Stokes et, selon le propre décompte d'OpenAI, plus de 100 problèmes ouverts de longue date. Le résultat de Navier–Stokes a été annoncé séparément le 8 septembre 2026, où OpenAI a décrit le modèle qui le sous-tend comme « nettement plus capable que GPT-6 Astra » et a déclaré que l'entraînement était encore en cours. Deux des manuscrits de la collection de cette semaine rompent avec la procédure standard, ce qui mérite d'être signalé car cela signifie que la publication ne suit pas un pipeline uniforme : les travaux sur une région sans zéro pour la fonction zêta de Riemann et une preuve de la conjecture de Hodge pour les variétés abéliennes CM ont été traités différemment, et OpenAI indique que le texte sur la fonction zêta a été révisé par des humains pour en améliorer la lisibilité.

Ensuite, la phrase qui compte pour quiconque planifie en fonction de cela : OpenAI écrit qu’il « travaille à publier de manière responsable le modèle qui a produit ces résultats ». C’est une déclaration d’intention, pas une date. Tant qu’il n’est pas déployé, les seuls modèles OpenAI qu’un développeur peut appeler sont ceux qui figurent déjà sur la grille tarifaire.

Ce que signifie « vérification » ici — et où cela s’arrête

C'est la partie que la plupart des couvertures de cette publication résument en une phrase, et c'est elle qui détermine quel poids accorder à un article pris isolément.

OpenAI précise explicitement que « cette collection inclut des résultats à différents stades de vérification ». La forme de preuve la plus solide du lot est une formalisation Lean, qui permet à un ordinateur de vérifier la preuve plutôt qu’à une personne. Le manifeste de formalisation du dépôt lui-même — le catalogue des articles dont le résultat principal est formalisé — répertorie 162 entrées, donc environ un manuscrit sur cinq parmi les 722 s’appuie sur une preuve vérifiable par machine dans l’arborescence publique. OpenAI indique que d’autres seront ajoutés « au fur et à mesure que nous les obtenons ».

La grande majorité restante n'est pas vérifiée en ce sens, et OpenAI ne prétend pas le contraire pour l'ensemble de la collection : « Certains des résultats non formalisés pourraient poser problème. Nous nous efforcerons de corriger rapidement tout problème de ce type. » Deux détails structurels confirment qu'il s'agit d'une publication encadrée plutôt qu'ouverte — les issues sont désactivées sur le dépôt, et les pull requests sont réservées aux collaborateurs. Il n'existe aucun moyen public de contester une preuve en place.

Ainsi, la lecture honnête est plus étroite que ne le suggère le chiffre du titre :

• Vérifié par machine — 162 manuscrits avec un résultat principal formalisé dans l’arbre Lean public

• Non vérifié par machine — le reste, qu’OpenAI lui-même signale comme susceptible de contenir des erreurs

• Responsabilité humaine — aucun nom cité ; selon la propre présentation d’OpenAI, personne ne comprend les arguments qui sous-tendent la majeure partie de ce qui a été produit

• Évaluation indépendante — aucune n'a été publiée ; la sélection des résultats suffisamment « significatifs » pour être inclus a été faite par OpenAI

Rien de tout cela ne signifie que le travail est erroné. Cela signifie que, pour l’instant, « OpenAI a publié 722 preuves » et « 722 preuves ont été vérifiées » sont deux affirmations différentes, et seule la première est vraie aujourd’hui.

Le groupe consultatif a posé une condition, et c'est consigné.

La publication d’OpenAI indique avoir consulté le groupe consultatif indépendant sur les mathématiques et l’intelligence artificielle de l’Institute for Advanced Study et s’être appuyée sur « leurs conseils et recommandations publiques ». Ces recommandations ont été publiées le 29 septembre 2026, après que le groupe a reçu plus de 600 réponses de la communauté mathématique, et elles méritent d’être lues directement, car le groupe n’est pas une simple chambre d’enregistrement.

Le même document commence par déclarer que le groupe ne cautionne pas du tout cette pratique : « certains laboratoires d’IA de pointe testent des problèmes mathématiques avancés sur des modèles propriétaires qui restent inaccessibles à l’ensemble de la communauté scientifique... nous ne cautionnons pas cette pratique et leur demandons d’y mettre fin. » Le groupe se décrit également comme opérant de manière indépendante, avec des membres non rémunérés et aucun pouvoir de décision sur OpenAI — une description de la relation que la propre publication d’OpenAI reprend.

Là où les recommandations du groupe et cette publication se rejoignent, c'est sur le processus : une revue de la littérature exhaustive avec des citations des travaux qui ont introduit les idées, des rédactions de démonstrations produites dans un style standard plutôt que des sorties brutes de modèle, et un versionnage qui préserve les versions antérieures. Là où elles ne se rejoignent pas, c'est sur l'aspect que le groupe qualifie de central — qu'un laboratoire qui publie des résultats que personne ne comprend devrait financer la compréhension humaine qui doit s'ensuivre, au moyen d'ateliers, de conférences et de programmes, et que ce travail reste piloté par la communauté plutôt que dirigé par le laboratoire. OpenAI s'est engagé à financer « une série d'ateliers, de conférences et de programmes spéciaux autour de la compréhension des principaux résultats produits par l'IA » et indique que les détails suivront. C'est le point en suspens, et c'est celui sur lequel il faut leur demander des comptes.

Ce que vous pouvez appeler aujourd'hui, et à quoi sert réellement le routage ici.

Il n’existe aucun moyen d’envoyer une requête au modèle qui a produit ces manuscrits, et aucune plateforme tierce ne peut l’acheminer — toute annonce qui prétend le contraire décrit un modèle qui n’existe dans le catalogue de personne. Les modèles OpenAI en production sont la gamme GPT-6 actuelle, et leurs chiffres figurent sur la liste de prix plutôt que d’être déduits :

• GPT-6 Astra — 10 $ / 50 $ par million de jetons, 1 $ pour la lecture de cache ; palier de contexte long au-dessus de 272 K jetons de prompt à 20 $ / 75 $ ; contexte de 1,05 M de jetons, sortie maximale de 128 K

• GPT-6.1 Sol — 2 $ / 10 $ par million de tokens, 0,10 $ en lecture de cache ; même tarification par paliers pour contexte long à 4 $ / 15 $ ; contexte de 1,05 M de tokens, sortie max de 128 K

Tous deux figurent dans le catalogue OrcaRouter, ce qui est le point pratique pour quiconque lit cette annonce comme un signal de capacité : les modèles que vous êtes autorisé à utiliser aujourd'hui sont aussi ceux autour desquels vos prompts sont déjà façonnés, et l'écart entre eux et le modèle interne est précisément celui qu'OpenAI demande aux mathématiciens de l'aider à combler.

Cet écart est aussi une raison de garder la facture d'expérimentation séparée du chemin de production. Lorsqu'OpenAI donnera un nom et un prix à ce modèle, la première semaine verra affluer des affirmations de benchmarks non vérifiées et beaucoup de travail de réintégration paniqué — l'argument de routage pour une plateforme comme la nôtre, c'est que tester un modèle non éprouvé coûte alors une chaîne de modèle, pas une migration. GPT-6 Astra est à 10 $ / 50 $ et GPT-6.1 Sol à 2 $ / 10 $ par million de tokens, répercutés au prix catalogue avec 0 % de marge, de sorte qu'un changement de prix fournisseur est effectif le jour même où il est appliqué. Le basculement automatique signifie qu'un nouveau modèle peut prendre en charge une fraction du trafic et être retiré sans faire tomber le chemin de requête avec lui, et le DSL de routage vous permet de combiner plusieurs modèles en un seul appel si vous voulez un second avis sur une longue dérivation plutôt qu'une réponse unique. Rien de tout cela ne s'applique à un modèle qui n'a pas encore été publié — mais c'est exactement l'infrastructure que vous voulez avoir en place avant que le prochain ne soit publié.

Que regarder ensuite

Quatre choses, dans l’ordre où elles sont susceptibles de compter. Le décompte des formalisations, car c’est le seul chiffre de cette publication qui peut passer de « OpenAI dit » à « une machine l’a vérifié », et il est public. La première évaluation véritablement indépendante d’un résultat nommé — un mathématicien extérieur à OpenAI qui travaille publiquement sur un article précis, et non un résumé de la collection. Le dépôt hébergé par la communauté qu’OpenAI dit encore explorer, ce qui ferait sortir l’artefact du propre compte d’OpenAI pour le mettre entre les mains des acteurs du domaine. Et la sortie du modèle lui-même, qu’OpenAI s’est engagé à effectuer mais sans en fixer la date.

Les 722 manuscrits signifient-ils que l’IA a résolu ces problèmes ?

Pour un sous-ensemble, si les mathématiques tiennent : le recueil revendique des contre-exemples et des preuves pour des problèmes ouverts bien connus, et 162 des articles disposent d’une formalisation vérifiable par machine à l’appui de leur résultat principal. Pour le reste, l’affirmation est qu’un modèle a produit un manuscrit sur le problème, ce qui est plus faible qu’une solution vérifiée, et OpenAI elle-même avertit que des résultats non formalisés peuvent contenir des erreurs. La distinction entre « a produit une preuve » et « a une preuve » résume tout l’enjeu de cette publication.

Est-ce que l’un de ces éléments est utilisable dans un produit aujourd’hui ?

Non. Les manuscrits sont des PDF, des sources Lean et des résumés de raisonnement — des artefacts de recherche, pas un service. Il n'y a pas d'identifiant de modèle, pas d'endpoint, pas de prix et pas de formulaire de demande d'accès. La partie pratiquement utile de la publication pour un développeur est la confirmation qu'OpenAI a en entraînement un modèle nettement au-delà de GPT-6 Astra, ce qui constitue un signal de planification pour les douze prochains mois plutôt que quelque chose que vous pouvez appeler cette semaine.

Pourquoi OpenAI a-t-il publié des résultats plutôt que le modèle ?

Parce que les deux ont des profils de risque différents. La publication de manuscrits est réversible — OpenAI conserve les versions antérieures et affirme qu'elle corrigera les problèmes —, tandis que le déploiement du modèle ne l'est pas. OpenAI déclare travailler à le publier de manière responsable, et les recommandations du groupe consultatif, sur lesquelles l'entreprise affirme s'être appuyée, sont construites autour de cette séquence précise : mettre les résultats entre les mains des acteurs du domaine avec des citations et un versionnage, puis financer la compréhension humaine qui doit suivre.

La version en une ligne pour qui survole : un ensemble véritablement sans précédent de mathématiques produites par IA a été rendu public le 6 octobre, environ un cinquième vérifié par machine, rien évalué par les pairs, le tout rattaché à un modèle que vous ne pouvez pas utiliser. La question intéressante n'est pas de savoir si le modèle est capable — trois heures de calcul de réflexion de pointe par résultat sur 4 000 problèmes répondent à cela, et OpenAI affirme que le modèle est nettement plus capable que GPT-6 Astra — mais si la vérification et la compréhension humaine rattraperont leur retard avant que la prochaine version ne rende celle-ci obsolète.