OpenAI revendique une percée mathématique avec un modèle interne

OpenAI dit avoir utilisé un modèle interne, plus avancé que GPT-6 Astra, pour produire une preuve liée au problème de Navier-Stokes, l’un des sept problèmes du prix Millennium doté de 1 million de dollars. Selon la société, l’expérience a mobilisé environ 10 000 agents d’IA pendant 88 heures. L’annonce compte autant pour la recherche que pour l’industrie, car elle suggère qu’un modèle non publié peut déjà dépasser ce qui vient d’être rendu public. Elle arrive aussi dans un climat de débat sur le crédit scientifique, avec des mathématiciens qui contestent la manière dont le travail a émergé.

Une preuve annoncée, mais pas un verdict définitif

La revendication d’OpenAI porte sur Navier-Stokes, un problème majeur de mécanique des fluides. La société dit avoir publié une preuve issue d’un modèle interne « significantly more capable » que GPT-6 Astra, sans toutefois détailler l’architecture ni le protocole complet. Le coût de calcul a été estimé à « millions de dollars » par l’entreprise, ce qui donne une idée de l’échelle mobilisée. Pour autant, le débat scientifique ne se ferme pas avec un billet de blog : dans ce type de dossier, la validation indépendante reste le passage obligé.

Le sujet est délicat, car deux mathématiciens, Tristan Buckmaster de NYU et Levent Alpöge d’Anthropic, disent avoir travaillé pendant un an sur une voie similaire. Ils affirment avoir alimenté des brouillons dans Codex et publié des résultats partiels la veille de l’annonce d’OpenAI. Buckmaster a déclaré qu’OpenAI n’avait commencé qu’après avoir eu connaissance de leurs travaux, tandis que la société assure qu’elle « did not see any of their work » et que « no specific user data was accessed ». Elle ajoute ne pas pouvoir exclure que des données d’usage aient amélioré ses modèles. [à vérifier]

Pourquoi cette histoire dépasse la seule mathématique

La valeur symbolique est claire. Si un modèle interne peut aider à attaquer un problème du prix Millennium, alors les capacités des systèmes de pointe progressent plus vite que ce que montrent les versions publiques. Dans le même mouvement, l’affaire rappelle qu’en IA, la frontière entre découverte, inspiration et réemploi peut devenir floue. Et quand le sujet touche à la paternité d’une preuve, les egos ne restent jamais très loin du tableau noir.

Sam Altman a qualifié ce moment d’« one of the most amazing moments for me in OpenAI history », selon la source. Ce type de formule dit surtout une chose : OpenAI veut installer l’idée qu’elle ne se contente plus de publier des produits, mais qu’elle peut aussi faire avancer la recherche fondamentale. Cela pèse sur la concurrence, sur l’image du secteur, et sur la façon dont les laboratoires présenteront leurs futurs résultats. La pression monte aussi sur les procédures de vérification, car une preuve générée par un modèle n’a d’intérêt durable que si des experts peuvent la relire, la reproduire et la casser, si besoin.

Dans l’ombre du papier, la cadence produit continue

L’annonce mathématique ne vient pas seule. Le même jour, OpenAI a aussi mis en avant ChatGPT Images 2.5, un modèle d’image présenté comme deux fois plus rapide que Images 2.0, avec des outils d’édition plus fins, des templates, un mode dessin-vers-image via @Sketch et des images partageables. Deux modèles, Sunburst et Flare, ont pris la tête des classements d’Arena AI, selon la source. Cela confirme une stratégie simple : pousser à la fois la recherche, les usages grand public et les performances produit, sans laisser trop de temps à la concurrence pour souffler.

Au passage, le contraste est frappant. Le matin, une revendication sur un problème du prix Millennium. L’après-midi, un modèle d’images mieux placé dans les benchmarks. Dans un secteur où tout va très vite, OpenAI semble vouloir occuper plusieurs fronts à la fois. Le message est limpide, même si la preuve mathématique, elle, devra encore passer sous les yeux de la communauté avant de décrocher sa médaille.