Astra sous le capot : comment le prochain modèle d'OpenAI a produit dix preuves ouvertes, et ce que ça prouve vraiment

Le 1er août 2026, OpenAI a publié dix résultats nouveaux en mathématiques et informatique théorique, produits par une version interne d'Astra, sa prochaine famille de modèles, chacun accompagné d'un certificat Lean 4 vérifiable par machine. Coût déclaré de la génération : environ 2 000 dollars de tokens aux tarifs API. Certains de ces problèmes n'avaient pas bougé depuis des décennies.

Cet article démonte l'annonce pièce par pièce : la liste exacte des dix résultats, le pipeline de production des preuves, ce que la formalisation Lean garantit et ne garantit pas, ce qu'on sait du modèle, les réactions de la communauté, et les limites honnêtes. Tous les chiffres sont reliés à leurs sources, datées.

La réponse en 30 secondes

• Dix résultats dans huit domaines, annoncés le 1er août 2026 sur le blog d'OpenAI : empilement de sphères, codes, une construction de groupe non sofique, réfutation de la conjecture de rigidité de Connes, complexité des circuits, jeux quantiques, crypto post-quantique (CVP), conjecture d'Ehrhart, trois problèmes d'Erdős (183, 146, 180).
• Chaque preuve est formalisée en Lean 4, certificats publics sur GitHub, compteur sorry à zéro : la correction logique interne est vérifiable par machine par n'importe qui.
• Le pipeline est en trois temps : le modèle génère les arguments, des humains préparent les manuscrits avec le même modèle (249 pages), puis le modèle formalise chaque argument en Lean. Les narrations du raisonnement sont aussi publiées.
• Coût marginal déclaré : environ 2 000 dollars de tokens aux tarifs API Sol, hors entraînement et travail humain.
• Astra est décrit par The Information comme un système multi-agents à horizon long, présenté par Altman à Washington, premier candidat au cadre d'évaluation du gouvernement américain.
• Réactions : Thomas Bloom parle de « grande nouvelle » supérieure au contre-exemple de mai ; Timothy Gowers recommanderait une preuve aux Annals sans hésitation ; neuf mathématiciens ont écrit un article compagnon sur la preuve Connes.
• La limite structurante : Lean vérifie la preuve, pas la correspondance entre l'énoncé formalisé et le problème original. C'est là que le travail humain se déplace.

Les dix résultats, précisément

Tous proviennent du billet d'OpenAI du 1er août 2026 (OpenAI, « Ten advances in mathematics and theoretical computer science »), croisés avec la couverture indépendante (The Next Web, 1er août 2026).

#	Domaine	Résultat	Ancienneté du blocage
1	Géométrie haute dimension	Nouvelles bornes supérieures de densité d'empilement de sphères, jusqu'au seuil de Cohn-Elkies ; première amélioration universelle depuis 1978	~48 ans
2	Théorie des codes	Bornes exponentiellement améliorées sur la taille maximale des codes binaires à distance minimale fixée, et analogue sphérique	des décennies
3	Théorie des groupes	Une construction de groupe non sofique, question centrale ouverte depuis l'introduction de la soficité par Gromov en 1999	27 ans
4	Algèbres d'opérateurs	Réfutation de la conjecture de rigidité de Connes : certains groupes ne sont pas uniquement déterminés par leurs algèbres de von Neumann	des décennies
5	Complexité des circuits	Bornes inférieures pour le calcul du permanent par circuits et formules arithmétiques, dont une borne de formule d'ordre n⁴/log n	longue date
6	Complexité quantique	Théorème de répétition parallèle exponentiel pour les jeux quantiques généraux à deux joueurs	longue date
7	Cryptographie sur réseaux	Dureté d'approximation à facteur polynomial du problème du plus proche vecteur (CVP), fondement de la crypto post-quantique	longue date
8	Géométrie haute dimension	Conjecture de volume d'Ehrhart : volume maximal d'un corps convexe dont le centroïde est l'unique point intérieur du réseau, en toute dimension	longue date
9	Combinatoire extrémale	Borne inférieure superexponentielle sur les nombres de Ramsey triangulaires multicolores, problème 183 d'Erdős	des décennies
10	Combinatoire extrémale	Contre-exemples aux conjectures de compacité et de dégénérescence en théorie extrémale des graphes, réfutant les problèmes 146 et 180 d'Erdős	des décennies

Deux résultats dominent symboliquement. Les groupes non sofiques : depuis que Gromov a défini la soficité en 1999, personne n'avait réussi à exhiber un groupe qui n'y obéit pas ; beaucoup soupçonnaient que tous les groupes étaient sofiques, la construction d'Astra tranche. Et l'empilement de sphères : la borne de Cohn-Elkies par programmation linéaire tenait le haut du pavé depuis 2003 pour les dimensions 8 et 24, mais la dernière amélioration universelle datait de 1978.

Le pipeline de production : trois artefacts, pas un

Ce qui distingue cette annonce des « l'IA a résolu X » précédents, c'est l'empaquetage. Pour chaque résultat, OpenAI publie trois artefacts :

1. Le manuscrit : 249 pages au total, préparées par des humains utilisant le même modèle, datées d'août 2026. C'est la couche lisible par les mathématiciens.
2. Le certificat Lean 4 : chaque argument formalisé, publié sur GitHub (openai/ten-proofs), avec un compteur sorry à zéro sur les dix formalisations. sorry est le marqueur Lean d'une étape admise non démontrée : zéro signifie que le compilateur a vérifié mécaniquement chaque étape, dans l'environnement et avec les axiomes déclarés du dépôt (propext, Classical.choice, Quot.sound, selon son formalization.yaml).

3. La narration du raisonnement : le modèle raconte son processus de recherche pour chaque solution. C'est la couche la moins fiable épistémiquement (un récit a posteriori n'est pas une trace causale garantie), mais la plus utile pédagogiquement.

Le pipeline lui-même est en trois temps : le modèle génère les arguments mathématiques ; des humains les mettent en forme de manuscrits avec l'aide du même modèle ; le modèle formalise ensuite chaque argument en certificat Lean. OpenAI assume explicitement cette division dans sa section « responsabilité envers la communauté mathématique » : revendiquer une paternité humaine pour une preuve entièrement générée par machine « dénaturerait et la contribution du système et la nature du travail intellectuel humain ». Le billet cite d'ailleurs la déclaration de Leiden sur l'IA et les mathématiques.

Ce que Lean vérifie, et ce qu'il ne vérifie pas

C'est le point technique central, et le plus mal compris dans les commentaires.

Ce que Lean garantit. Le compilateur Lean refuse toute étape qui ne suit pas logiquement des précédentes. Un certificat qui compile avec zéro sorry est une preuve dont la correction logique interne est établie, vérifiable par quiconque lance le build. Finie la relecture ligne par ligne de plusieurs mois : la vérification logique devient une opération en quelques minutes, gratuite et reproductible.

Ce que Lean ne garantit pas. Trois choses, et c'est là que les mathématiciens restent indispensables :

1. La correspondance de l'énoncé. La preuve porte sur un énoncé formalisé en Lean. Que cet énoncé capture fidèlement le problème original, avec les mêmes définitions, les mêmes hypothèses implicites, la même force, c'est un jugement humain. Un décalage subtil dans la formalisation peut transformer un problème ouvert en un problème plus faible, prouvable.
2. La nouveauté exacte. Lean ne sait pas si le résultat existait déjà dans la littérature sous une autre forme. C'est la relecture communautaire qui le confirme. Le dépôt pratique d'ailleurs cette transparence : son formalization.yaml déclare du prior work humain, deux dépôts Sphere-Packing-Lean préexistants, sur lesquels la formalisation de l'empilement de sphères s'appuie.

3. La valeur mathématique. Un théorème correct peut être sans intérêt. Que la construction ouvre ou non un pan de recherche, c'est encore la communauté qui en décide.

Le bilan net : la formalisation déplace le goulot d'étranglement humain de la vérification du raisonnement vers la vérification de l'énoncé. Le travail expert ne disparaît pas, il change de position dans la chaîne.

L'économie de la découverte : lire les 2 000 dollars correctement

OpenAI estime que les tokens nécessaires à la génération des dix solutions coûteraient environ 2 000 dollars aux tarifs API Sol, soit ~200 dollars par problème. Noam Brown l'a confirmé dans son fil X du 1er août (Noam Brown, @polynoamial).

Trois précisions pour ne pas surinterpréter ce chiffre :

• c'est un coût marginal d'inférence, qui exclut l'entraînement du modèle (coût non public, très supérieur en ordres de grandeur), la curation des problèmes, le travail humain sur les manuscrits et la formalisation ;
• c'est un coût au tarif public d'un autre modèle (Sol), une commodité de communication, pas une facture réelle ;
• rien ne dit combien de problèmes tentés n'ont abouti à rien : le coût par succès observé ignore le taux d'échec, inconnu du public.

Ce que le chiffre établit quand même : le coût marginal d'une tentative sérieuse sur un problème ouvert est tombé à un niveau où explorer des centaines de problèmes devient budgétairement trivial pour un laboratoire. C'est un changement de régime dans l'économie de la recherche, indépendamment du débat sur la « vraie » intelligence.

Ce qu'on sait d'Astra, le modèle

OpenAI n'a publié aucune fiche technique. Les éléments disponibles viennent de la presse : selon The Information (repris notamment par wan27.org, août 2026), Astra est la prochaine famille majeure d'OpenAI, un système multi-agents capable de coordonner plusieurs agents sur des horizons de plusieurs heures à plusieurs jours. Sam Altman l'aurait démontré à des décideurs à Washington, et Astra serait le premier modèle candidat au cadre d'évaluation prévu par le gouvernement américain avant mise sur le marché. Le nom commercial final (GPT-6 ou variante GPT-5.x) n'est pas tranché.

Lecture technique prudente : résoudre dix problèmes ouverts bien définis, dont un certificat de preuve peut être vérifié mécaniquement par un compilateur, est exactement le genre de tâche où un système à long horizon avec vérification externe excelle. Chaque tentative produit un signal de récompense net (le certificat compile ou pas). Ça ne préjuge pas des performances sur des tâches sans vérificateur : rédaction juridique, code de production, analyse stratégique. Le bon parallèle n'est pas « l'IA est devenue mathématicienne », c'est « couplé à un vérificateur formel, un modèle à horizon long devient une machine à explorer des espaces de preuves ».

La réponse de la communauté : des validations qui comptent

Pour une fois, les validations les plus fortes ne viennent pas d'OpenAI :

• Thomas Bloom (université de Manchester, mainteneur du catalogue des problèmes d'Erdős), qui avait démonté une précédente affirmation d'OpenAI en octobre 2025, qualifie ces résultats de « grande nouvelle » et les juge plus significatifs, comme constructions, que le contre-exemple à la conjecture de distance unitaire publié en mai 2026. Il refuse pour autant le récit du remplacement : le modèle s'appuie sur plus d'un siècle de théorie écrite par des humains.
• Timothy Gowers, médaillé Fields, a déclaré qu'il recommanderait l'une des preuves pour publication aux Annals of Mathematics « sans hésitation ».
• Neuf mathématiciens, dont Gowers et Noga Alon, ont publié un article compagnon expliquant la réfutation de la conjecture de rigidité de Connes en termes accessibles à leurs pairs : de l'exposition humaine construite sur un argument généré par machine, illustrant la nouvelle division du travail.
• Sébastien Bubeck, responsable de la recherche maths chez OpenAI, parle de résultats « magnifiques ».

Contexte utile : la même semaine, une équipe menée par le mathématicien Levent Alpöge a annoncé la réfutation de la conjecture jacobienne en dimension 3 (ouverte depuis 87 ans), avec des candidats générés par Claude Fable 5 et une vérification SymPy indépendante en quelques heures, confirmée par un préprint quelques jours plus tard (denkstrom.org, 6 août 2026). Deux labos, deux vérifications indépendantes par machine (formelle avec Lean, symbolique avec SymPy), même semaine : la méthode « génération par modèle + vérification indépendante » est en train de devenir un protocole, pas un coup isolé. Nuance importante : SymPy est un système de calcul symbolique, il ne produit pas un certificat formel au sens de Lean ; la garantie offerte par la vérification jacobienne, bien qu'indépendante et rapide, n'est pas du même niveau que celle d'un certificat compilé.

Les limites honnêtes

1. Auto-rapporté. Tout part d'OpenAI décrivant son propre modèle non publié. Les certificats Lean sont vérifiables, mais la sélection des problèmes, le nombre de tentatives échouées et les conditions exactes de génération restent internes.
2. La correspondance des énoncés est en cours de relecture. La communauté épluche chaque formalisation pour confirmer qu'elle capture le problème original. C'est le point de fragilité légitime, et il peut encore réserver des surprises dans les deux sens.
3. Pas de fiche technique du modèle. Architecture, données, procédure de recherche : rien de public. Impossible de savoir quelle part revient au modèle, au harnais multi-agents, ou à la curation des problèmes.
4. Aucune généralisation possible vers les tâches sans vérificateur. Un succès sur des problèmes dont un certificat de preuve est vérifiable mécaniquement ne dit rien des performances sur les tâches de production ordinaires, où aucun compilateur ne tranche.
5. Les questions d'attribution restent ouvertes. OpenAI propose une position (pas de paternité humaine sur les preuves générées), la communauté débat encore des normes, comme le montre la déclaration de Leiden citée dans le billet.

Ce que ça change pour l'évaluation des modèles

Dernier enseignement, le plus pratique pour qui suit les modèles : les problèmes ouverts formalisés sont en train de devenir le benchmark le plus dur qui existe. Risque de contamination de la solution finale fortement réduit (la solution n'est a priori dans aucun corpus, ce qui n'exclut ni les tentatives antérieures ni les formulations équivalentes, d'où la vérification de nouveauté par la communauté), pas d'ambiguïté de notation (le certificat compile ou pas), pas de juge LLM à calibrer. C'est l'exact opposé des benchmarks à grille de critères notés par un autre modèle, dont on a vu la fragilité dans notre analyse de Harvey LAB-AA : trois implémentations, trois podiums.

Attendez-vous à ce que « nombre de problèmes ouverts résolus avec certificat » devienne une ligne standard des fiches de lancement, avec tous les risques de gamification associés : choix de problèmes faciles à formaliser, énoncés affaiblis, opacité sur les échecs. La discipline à adopter dès maintenant, côté lecteur : toujours demander le dépôt de certificats, toujours demander qui a vérifié la correspondance de l'énoncé, toujours demander le taux d'échec.

Conclusion

Les dix preuves d'Astra sont réelles, vérifiables, et pour plusieurs d'entre elles historiques : une construction de groupe non sofique 27 ans après Gromov, première amélioration universelle des bornes d'empilement de sphères depuis 1978, trois problèmes d'Erdős soldés. Le protocole « génération par modèle, exposition humaine, certification Lean » est la vraie nouvelle de fond : il transforme un modèle de langage en instrument de recherche dont les sorties peuvent être vérifiées par machine.

Ce que ça ne prouve pas : qu'Astra soit un bon modèle généraliste, que la découverte coûte 2 000 dollars, ni que les mathématiciens soient remplaçables. La confiance s'est déplacée du raisonnement vers l'énoncé, et c'est précisément là que le travail expert se joue maintenant. La prochaine fois qu'un laboratoire annoncera « résolu », la question ne sera plus « c'est vrai ? » mais « montrez le dépôt, et qui a relu la formalisation ? ».

Sources

Primaires :

• Dépôt GitHub openai/ten-proofs : certificats Lean 4, formalization.yaml (sorry_count: 0, axiomes déclarés), narrations du raisonnement, créé le 5 août 2026
• Manuscrit « Ten advances in mathematics and theoretical computer science » (PDF, 249 pages, août 2026)
• OpenAI, « Ten advances in mathematics and theoretical computer science », 1er août 2026 (billet de lancement, lu intégralement)
• Noam Brown (@polynoamial), fil X, 1er août 2026 et coût des preuves

Reprises indépendantes :

• The Next Web, « OpenAI says its next model, Astra, has solved ten open problems », 1er août 2026
• implicator.ai, « OpenAI Says Astra Solved 10 Math Problems With Lean Proofs », 3 août 2026
• tetono.com, « OpenAI's Astra Solves 10 Open Math Problems », 5 août 2026
• hub.cnetworks.info, « What Astra actually proved, and what its $2,000 price tag leaves out », 5 août 2026
• getaibest.com, réactions de Thomas Bloom, 2 août 2026
• wan27.org, « OpenAI Astra Math Solutions » (reprise The Information sur le modèle), 2 août 2026
• denkstrom.org, « AI Cracks 87-Year-Old Math Puzzle » (conjecture jacobienne, Alpöge + Fable 5), 6 août 2026

Consultées le 7 août 2026.

FAQ

Les dix preuves d'Astra sont-elles vérifiées ?

Chaque argument a été formalisé en Lean 4 et les certificats sont publiés sur GitHub avec un compteur de « sorry » (étape de preuve non démontrée) à zéro : le compilateur Lean a donc vérifié mécaniquement chaque étape logique, dans l'environnement et avec les axiomes déclarés du dépôt. Ce qui reste à vérifier par des humains est la correspondance entre l'énoncé formalisé en Lean et le problème original tel que la communauté l'entend, plus la relecture scientifique classique. Timothy Gowers a déclaré qu'il recommanderait l'une des preuves aux Annals of Mathematics « sans hésitation », et une équipe de neuf mathématiciens a publié un article compagnon expliquant la réfutation de la conjecture de rigidité de Connes.

Qu'est-ce qu'un certificat Lean et pourquoi ça change tout ?

Lean est un assistant de preuve : chaque étape du raisonnement doit être écrite dans un formalisme que le compilateur vérifie ligne par ligne. Si une étape ne suit pas logiquement, la compilation échoue. Un « certificat Lean » est donc une preuve dont la correction logique interne est vérifiable par n'importe qui en quelques minutes, au lieu de mois de relecture par des experts. La confiance ne porte plus sur le raisonnement, elle se déplace sur la formalisation de l'énoncé : est-ce que ce qui a été prouvé correspond bien au problème posé ?

Que sait-on du modèle Astra lui-même ?

Astra est la prochaine famille majeure de modèles d'OpenAI, encore interne. Selon The Information, c'est un système multi-agents conçu pour coordonner plusieurs agents sur des horizons longs (heures ou jours) ; Sam Altman l'aurait présenté à des décideurs politiques à Washington, et il devrait être le premier modèle à passer le cadre d'évaluation du gouvernement américain avant publication. Son nom commercial final (GPT-6 ou variante GPT-5.x) n'est pas décidé. Les dix preuves ont été produites par une version interne, au prix théorique d'environ 2 000 dollars de tokens aux tarifs API Sol.

Les 2 000 dollars correspondent-ils au coût réel de la découverte ?

Non, et OpenAI est transparent là-dessus : c'est le coût estimé des tokens nécessaires à la génération des dix solutions aux tarifs API publics du modèle Sol. Il exclut l'entraînement du modèle (coût non public), le travail des humains qui ont préparé les manuscrits avec le modèle, et la formalisation en Lean. C'est un coût marginal d'inférence, utile pour comparer des approches, pas le prix d'une avancée mathématique.

Quels problèmes ont été résolus exactement ?

Dix résultats dans huit domaines : nouvelles bornes supérieures sur l'empilement de sphères en haute dimension (première amélioration universelle depuis 1978, au seuil de Cohn-Elkies) ; bornes exponentiellement améliorées sur les codes binaires et sphériques ; une construction de groupe non sofique (question ouverte depuis Gromov, 1999) ; la réfutation de la conjecture de rigidité de Connes sur les algèbres de von Neumann ; de nouvelles bornes inférieures en complexité des circuits arithmétiques (permanent, ordre n⁴/log n) ; un théorème de répétition parallèle exponentiel pour les jeux quantiques ; la dureté d'approximation du problème du plus proche vecteur (crypto post-quantique) ; la conjecture de volume d'Ehrhart en toute dimension ; une borne inférieure superexponentielle sur les nombres de Ramsey triangulaires multicolores (problème 183 d'Erdős) ; et la réfutation des conjectures de compacité et de dégénérescence en théorie extrémale des graphes (problèmes 146 et 180 d'Erdős).

Est-ce que l'IA remplace les mathématiciens ?

Thomas Bloom, qui maintient le catalogue des problèmes d'Erdős et a qualifié ces résultats de « grande nouvelle », répond lui-même : un modèle entraîné sur plus d'un siècle de théorie mathématique écrite par des humains, construit par des humains, ne « remplace » rien, il prolonge. La division du travail observée ici est parlante : le modèle génère les arguments, des humains préparent les manuscrits, le modèle formalise en Lean, et des mathématiciens écrivent ensuite des articles compagnons pour rendre les preuves lisibles par leurs pairs. Le métier se déplace vers la formalisation des énoncés, la vérification de correspondance et l'exposition.