Quand un système d’IA remet en question une démonstration mathématique
Un article de mathématiques peut passer la relecture d’experts et contenir malgré tout une erreur. La repérer peut exiger de suivre un long raisonnement et de reconnaître l’hypothèse précise qui ne tient pas. Google indique que Lisa Carbone, mathématicienne à la Rutgers University, a utilisé Gemini Deep Think pour relire un article spécialisé de physique des hautes énergies et d’algèbre de dimension infinie, et que le système a repéré une faille logique subtile passée inaperçue lors de la relecture par les pairs. L’article de lancement de Google de février 2026 raconte cet épisode, et la page produit de Deep Think le reprend. Il s’agit d’un cas rapporté, et non de la preuve que le système peut relire de manière fiable des articles de mathématiques en général.
Cette démonstration a plus de portée qu’un chatbot qui répond à des questions familières. Elle soulève une question pratique pour les chercheurs et les professionnels de la technologie : un raisonnement d’IA spécialisé peut-il aider à étudier des problèmes difficiles tout en laissant assez d’éléments pour que des experts établissent si la réponse est juste ?
Les travaux de Google sur Deep Think apportent des éléments d’une utilité inhabituelle : des résultats en raisonnement abstrait, des évaluations en mathématiques et en physique de niveau compétition, et des expériences documentées en recherche scientifique. Ces résultats ont aussi des limites importantes, qui méritent la même attention.
Deep Think est un mode de raisonnement spécialisé, pas une plateforme d’agents de programmation
La plupart des conversations avec une IA privilégient une réponse raisonnablement rapide. Les questions difficiles de mathématiques et de science peuvent exiger d’explorer plusieurs explications candidates, de mettre un raisonnement à l’épreuve et d’abandonner une réponse qui ne passe pas la vérification.
Deep Think est l’approche spécialisée de Google pour ces tâches plus exigeantes. La page produit de Deep Think de Google désigne l’offre actuelle sous le nom de Gemini 3.1 Deep Think et indique qu’elle repose sur Gemini 3.1 Pro. La même page publie les chiffres de benchmark de février 2026 sous ce nom, tandis que l’article de lancement de février et la méthodologie d’évaluation appellent la même évaluation Gemini 3 Deep Think. Cet article présente les chiffres tels que Google les communique, avec les deux noms, et les traite comme l’évaluation de février de Google. Ils ne mesurent pas chaque configuration ultérieure.
Google décrit publiquement un travail de raisonnement supplémentaire au moment de l’inférence et l’exploration de solutions possibles. Il ne divulgue pas assez de détails de mise en œuvre pour en déduire le processus de raisonnement interne complet. Davantage de calcul peut aider à explorer des alternatives, mais ne peut pas garantir une réponse correcte.
Antigravity est un autre produit de Google : un environnement de développement agentique qui coordonne le travail d’ingénierie et les outils. Il ne fait pas l’objet de ces évaluations du raisonnement de Deep Think.
Les chiffres derrière les affirmations de Google sur le raisonnement
La mise à jour de Google du 12 février 2026 annonçait un score de 84,6 % sur ARC-AGI-2 pour Gemini 3 Deep Think. ARC-AGI-2 évalue le raisonnement abstrait sur des motifs, avec des tâches conçues pour limiter le recours à des exemples mémorisés. Google présente ce résultat comme vérifié par l’ARC Prize, sur l’ensemble d’évaluation semi-privé. Ce score est une mesure de février, et non la position actuelle dans le classement des modèles de pointe. Méthodologie d’évaluation
La même méthodologie fait état de 81,5 % sur les six problèmes officiels de l’Olympiade internationale de mathématiques 2025, en moyenne sur quatre exécutions, avec une évaluation par des experts indépendants au regard des solutions canoniques. Elle indique aussi une note équivalente Elo de 3455 sur Codeforces, calculée par Google lui-même avec une seule tentative sur les 222 problèmes de difficulté moyenne ou supérieure issus des concours Codeforces organisés entre avril et octobre 2025.
Les évaluations scientifiques élargissent le tableau. Google a annoncé 87,7 % sur la partie théorique de l’Olympiade internationale de physique 2025, 82,8 % sur la partie théorique de l’Olympiade internationale de chimie 2025 et 50,5 % sur CMT-Benchmark pour la théorie de la matière condensée.
Ce ne sont pas cinq définitions interchangeables de l’intelligence. Les scores aux Olympiades proviennent de plusieurs exécutions évaluées. Les réponses en physique et en chimie ont été notées par rapport à des références à l’aide d’un juge Gemini, Google faisant état d’une validation par des experts indépendants d’un niveau de performance équivalent à une médaille d’or. CMT-Benchmark a utilisé pass@8 et une notation par un modèle. Le PDF original de la méthodologie explicite ces conditions.
Alternative textuelle accessible pour cette figure
ARC-AGI-2 (vérifié par l’ARC Prize) : 84,6 %.
IMO 2025 : 81,5 %.
IPhO 2025, théorie : 87,7 %.
IChO 2025, théorie : 82,8 %.
CMT-Benchmark (pass@8) : 50,5 %.
Google communique ces chiffres dans son annonce du 12 février 2026 et dans le PDF de méthodologie. Ils sont calculés par Google, sauf ARC-AGI-2, vérifié par l’ARC Prize. Le résultat Codeforces de 3455 est une note équivalente Elo et ne figure pas dans le graphique.
| Évaluation | Résultat communiqué | Méthode de mesure |
|---|---|---|
| ARC-AGI-2 | 84,6 % | Vérifié par l’ARC Prize, ensemble semi-privé |
| IMO 2025 | 81,5 % | Les 6 problèmes, 4 exécutions, notation par des experts indépendants |
| IPhO 2025, théorie | 87,7 % | Les 3 problèmes théoriques, 8 exécutions, Gemini comme juge, niveau médaille d’or validé par des experts indépendants |
| IChO 2025, théorie | 82,8 % | Les 9 problèmes théoriques, 8 exécutions, Gemini comme juge, niveau médaille d’or validé par des experts indépendants |
| CMT-Benchmark | 50,5 % | Pass@8, Gemini comme juge |
| Codeforces | 3455 (équivalent Elo, pas un pourcentage) | 222 problèmes, une seule tentative, calculé par Google lui-même |
Un score peut être impressionnant et rester plus étroit que ce que suggère son titre. Un score de 87,7 % à une évaluation de physique ne signifie pas que le système répond correctement à 87,7 % de questions quelconques de recherche en physique issues du monde réel.
La recherche est plus difficile que la résolution d’un problème d’examen connu
Un problème d’Olympiade a une réponse établie. La recherche peut n’avoir aucune solution connue, ou dépendre d’une littérature incomplète, de contre-exemples surprenants ou de données expérimentales pas encore recueillies.
Google a étudié ce cadre plus difficile avec Aletheia, un flux de travail de recherche qui repose sur Deep Think. Il génère des solutions candidates, vérifie les arguments, corrige les erreurs récupérables et peut revenir à la question initiale lorsqu’une solution proposée est fondamentalement erronée. Le flux de travail peut aussi effectuer des recherches dans la littérature scientifique et reconnaître lorsqu’il ne parvient pas à résoudre un problème. Rapport de recherche de Google DeepMind
Ce dernier comportement compte. Une démonstration incorrecte d’apparence plausible est un mauvais résultat de recherche, même quand la réponse est bien formulée. Un assistant de recherche devient plus utile lorsque sa production comprend une affirmation que des spécialistes peuvent tester de manière indépendante, et pas seulement une explication convaincante.
Le compte rendu de Google décrit des travaux sur des questions mathématiques, l’informatique théorique et la physique, dont une étude de 700 problèmes ouverts issus d’une base de données de conjectures d’Erdős. Dans cette étude, Aletheia en a résolu quatre de manière autonome. Google place ces résultats aux niveaux les plus bas de sa propre taxonomie des résultats obtenus avec l’aide de l’IA et indique ne revendiquer aucun résultat de niveau 3 ou de niveau 4. Sur FutureMath Basic, un ensemble d’exercices de niveau doctorat, Google indique environ 38 % pour Deep Think et environ 46 % pour Aletheia.
Ces exemples témoignent d’une aide à la recherche dans des cas documentés. Ils ne constituent pas un taux de réussite mesuré pour les mathématiques non résolues en général. Et un flux de travail qui recourt à la recherche d’informations et à la vérification n’isole pas la contribution du modèle sous-jacent de celle de ses outils d’appoint.
Là où un meilleur raisonnement aide la science appliquée
Google décrit aussi des expériences en dehors des benchmarks de compétition. Des chercheurs ont utilisé Deep Think pour examiner des arguments mathématiques et pour élaborer des approches candidates en conception de matériaux et de dispositifs physiques. L’annonce de février décrit des travaux menés avec le Wang Lab de la Duke University sur les conditions de croissance cristalline, qui ont abouti à une recette pour des couches minces de plus de 100 micromètres, ainsi qu’un test d’ingénierie mené par un responsable de Google Platforms and Devices sur la conception de composants physiques complexes.
Ces exemples sont prometteurs, car les vrais problèmes scientifiques comportent des contraintes physiques, des coûts, des erreurs de mesure et des résultats inattendus. Mais une recette candidate utile n’est pas un moteur de découverte universel. Des experts doivent vérifier le résultat dans l’environnement expérimental concerné, et les comptes rendus publiés n’établissent pas une réussite reproductible dans des laboratoires sans lien entre eux.
L’usage le plus solide à court terme pourrait consister à restreindre un espace de recherche, à mettre un raisonnement à l’épreuve, à repérer des erreurs potentielles et à identifier les prochaines expériences prometteuses. C’est significatif, même si un scientifique humain reste responsable de la décision.
Pourquoi un raisonnement supplémentaire n’élimine pas l’incertitude
Le calcul au moment de l’inférence désigne le traitement effectué pendant qu’un modèle entraîné travaille sur une nouvelle requête. Les approches de raisonnement spécialisées peuvent en consacrer davantage aux problèmes difficiles, ce qui permet plus d’exploration et de vérification.
Le compromis est qu’un traitement plus important peut augmenter la latence et le coût de calcul. Il peut aussi produire davantage d’arguments candidats incorrects. Les documents publics de Google n’établissent pas de relation fixe entre un temps de réflexion plus long et la probabilité d’une réponse correcte pour chaque tâche.
Deep Think doit donc être jugé non seulement sur la qualité d’une réponse finale, mais aussi sur la manière dont cette réponse peut être vérifiée. Les mathématiques peuvent offrir une démonstration formelle ou une solution de référence. La recherche sur les matériaux peut exiger une expérience. Une décision fondée sur des données d’entreprise incomplètes peut nécessiter un autre type de validation.
La méthode de vérification appropriée dépend du problème. Aucun pourcentage de benchmark ne peut à lui seul la remplacer. Le guide de TechiesJournal sur la lecture des affirmations relatives aux modèles d’IA (en anglais) traite de l’habitude générale qui consiste à se demander ce qu’un chiffre de benchmark a réellement mesuré.
Accès à Deep Think
Lors de la mise à niveau de février 2026, Google a indiqué que le mode Deep Think mis à jour était disponible dans l’application Gemini (Gemini app) pour les abonnés Google AI Ultra, avec une voie d’accès anticipé sur manifestation d’intérêt pour certains chercheurs, ingénieurs et entreprises via l’API Gemini. Il s’agissait des conditions d’accès annoncées lors de la sortie, et non d’une garantie concernant chaque offre, chaque région ou chaque option d’API aujourd’hui. Annonce de sortie de Google La page produit actuelle de Google propose un bouton « Try in Gemini » et n’indique aucune offre, aucun prix ni aucune condition d’API.
Une équipe qui évalue le système doit vérifier par elle-même la disponibilité et les conditions actuelles. Elle doit aussi se demander si le problème tire réellement parti du mode spécialisé. La synthèse courante et la programmation simple ne justifient pas nécessairement de consacrer plus de temps et de calcul à un raisonnement prolongé.
Deep Think au sein d’une famille de modèles Google en évolution
Les documents consacrés à Deep Think portent sur une offre de raisonnement spécialisée, mais la famille Gemini de Google, plus large, a continué de progresser. Le 10 novembre 2026, Google a annoncé Gemini 4 Carbon comme son modèle de pointe le plus récent. Cela ne transforme pas rétroactivement les mesures de Deep Think de février en mesures de Carbon, et n’établit pas que le mode Deep Think ainsi nommé et Carbon sont le même produit. Annonce de Carbon par Google
La distinction pratique sépare un mode de raisonnement spécialisé de la gamme plus récente de modèles de pointe généralistes. Les deux comptent pour évaluer les progrès de Google, mais ils répondent à des questions produit différentes.
Comment Google se compare à Anthropic et à OpenAI
Les documents de benchmark de Google de février comparaient Deep Think à Claude Opus 4.6 en réflexion maximale et à GPT-5.2 à son réglage de raisonnement le plus élevé, comme le montrent le tableau de la page produit et le PDF de méthodologie. Ces comparaisons historiques sont un contexte utile, et non le classement actuel.
Pour une comparaison plus récente sur un seul benchmark, le tableau des résultats de l’ARC Prize recense les résultats datés sur ARC-AGI-2 présentés ci-dessous. La première ligne est le chiffre de février de Google lui-même, que Google présente comme vérifié par l’ARC Prize, et elle ne figure pas aujourd’hui dans ce tableau. Les autres lignes sont des entrées de l’ARC Prize.
Alternative textuelle accessible pour cette figure
Gemini 3 Deep Think (12 févr.) : 84,6 %.
Famille GPT-6 (2 sept.) : 95,0 %.
GPT-6.1 Sol (29 sept.) : 94,2 %.
Gemini 4 Argon (13 oct.) : 91,3 %.
Claude Fable 5.2 (9 nov.) : 93,8 %.
Gemini 4 Carbon (10 nov.) : 94,2 %.
Le chiffre de Gemini 3 Deep Think provient de l’annonce de février de Google elle-même, vérifié par l’ARC Prize selon Google. Les autres lignes proviennent de la page de résultats de l’ARC Prize consultée le 11 novembre 2026. La ligne GPT-6 est une entrée de famille couvrant Astra, Sol et Luna. Un seul benchmark ne classe pas les capacités globales.
| Fournisseur et modèle évalué | Score ARC-AGI-2 et date |
|---|---|
| Google, Gemini 3 Deep Think | 84,6 % le 12 février 2026 (annoncé) |
| OpenAI, entrée de la famille GPT-6 | 95,0 % le 2 septembre 2026 |
| OpenAI, GPT-6.1 Sol | 94,2 % le 29 septembre 2026 |
| Google, Gemini 4 Argon | 91,3 % le 13 octobre 2026 |
| Anthropic, Claude Fable 5.2 | 93,8 % le 9 novembre 2026 |
| Google, Gemini 4 Carbon | 94,2 % le 10 novembre 2026 |
Le tableau est une sélection de lignes récentes, et la page de l’ARC Prize recense d’autres modèles. Ce sont des résultats datés issus d’évaluations particulières. L’ARC Prize présente GPT-6 sur une seule ligne de famille couvrant Astra, Sol et Luna, si bien que ce score ne doit pas être attribué à une variante en particulier. Les quatre scores les plus élevés du tableau, de 93,8 % à 95,0 %, tiennent dans un écart de 1,2 point de pourcentage, et selon l’analyse de TechiesJournal, une différence de moins d’un point de pourcentage ne doit pas être considérée comme la preuve qu’un modèle est plus intelligent dans tous les domaines.
Google : le résultat de Deep Think de février a marqué une étape notable en matière de raisonnement. L’ARC Prize recense Gemini 4 Argon à 91,3 % le 13 octobre et Gemini 4 Carbon à 94,2 % le 10 novembre, si bien que la famille Gemini dans son ensemble a dépassé le chiffre de février sur cette mesure.
Anthropic : Claude Fable 5.2 est positionné pour les travaux techniques exigeants, notamment en science et en ingénierie. L’annonce de novembre d’Anthropic fait état de solides performances sur des tâches de programmation et des tâches scientifiques et ne mentionne pas ARC-AGI-2, si bien que les 93,8 % proviennent de l’entrée de l’ARC Prize. Ces résultats de l’annonce ne se substituent pas directement aux évaluations de Deep Think sur les Olympiades et la matière condensée. L’article précédent de TechiesJournal sur Fable 5.2 et Mythos 5.2 les présente.
OpenAI : l’ARC Prize recense la famille GPT-6 et GPT-6.1 Sol avec des scores élevés sur ARC-AGI-2. La documentation des modèles d’OpenAI nomme les variantes (gpt-6-astra, gpt-6.1-sol et gpt-6-luna) et ne communique aucun chiffre ARC-AGI-2, si bien qu’il faut préciser les variantes et les réglages d’effort pour comparer les coûts, la latence ou les performances. La comparaison antérieure de TechiesJournal entre GPT-6 Astra et Claude Fable 5.1 (en anglais) montre comment se situaient les modèles précédents des deux éditeurs.
La comparaison pratique la plus solide ne désigne pas de vainqueur universel. Un laboratoire, un développeur ou un chercheur devrait évaluer les modèles sur des problèmes représentatifs, exiger des résultats vérifiables de manière indépendante, documenter le coût et la latence, et comparer les profils d’échec dans des conditions équivalentes.
L’avancée qui compte
Gemini Deep Think montre que le raisonnement de l’IA peut contribuer à des travaux qui vont au-delà de la simple réponse à des questions. Les évaluations communiquées en mathématiques et en sciences démontrent de solides performances sur une sélection de problèmes exigeants, tandis que les collaborations de recherche montrent comment des experts commencent à utiliser ces systèmes pour étudier de vraies questions.
Le défi qui reste est la vérification. Un modèle qui repère une faille passée inaperçue ou suggère une expérience réussie peut être précieux, mais sa réponse doit satisfaire aux exigences de preuve du domaine dans lequel il est utilisé.
Pour les chercheurs et les équipes d’ingénierie, l’étape suivante utile consiste à choisir un problème difficile et vérifiable, puis à évaluer si le raisonnement spécialisé améliore assez la qualité du résultat pour justifier son coût et l’effort de relecture.
Le raisonnement de l’IA devient vraiment utile lorsqu’il aide les gens à parvenir à des conclusions dont ils peuvent établir eux-mêmes, de manière indépendante, qu’elles sont fondées.
Pour aller plus loin
Les sources ont été vérifiées le 11 novembre 2026.
- Google DeepMind: Gemini Deep Think : présentation actuelle du produit, tableau des benchmarks et exemples de recherche.
- Google: Gemini 3 Deep Think upgrade : sortie de février 2026, description de l’accès, et exemples de Lisa Carbone et du Wang Lab.
- Google Deep Think evaluation methodology (PDF) : configurations des benchmarks et précisions sur la notation.
- Google DeepMind research report : Aletheia et les évaluations de recherche.
- ARC Prize results : résultats de benchmark indépendants et datés.
- Google Gemini 4 Carbon release : contexte de la famille de modèles en novembre 2026.
- Anthropic Claude Fable 5.2 and Mythos 5.2 : affirmations actuelles de l’éditeur et disponibilité.
- OpenAI API model catalog : identifiants de modèles actuels et informations d’accès.