Selon WIRED, le taux de réussite des meilleurs modèles testés sur des problèmes théoriques dans six domaines est passé d’environ 2 % vers le milieu de 2024 à environ 35 % vers le milieu de 2026. Calculé à partir de ces taux arrondis, l’écart représente environ 33 points de pourcentage. Le test portait sur des questions théoriques, pas sur des travaux nécessitant des simulations ou des expériences.

Ce que mesure la progression

Les chercheurs Neil Thompson, Gabriel Manso et Claudio Mayrink Verdun ont évalué des modèles d’OpenAI sur des problèmes tirés d’articles de recherche mis en ligne entre décembre 2025 et mai 2026. Les modèles testés étaient o1, o3, GPT-5, GPT-5.1, GPT-5.4 et GPT-5.5. WIRED rapporte que l’accès à Internet était bloqué pendant les tests et que les solutions de référence provenaient d’articles publiés après les dates limites d’entraînement des modèles.

Les six domaines couverts étaient les probabilités, la théorie statistique, la théorie économique, la théorie des hautes énergies, la gravitation et la cosmologie, ainsi que la physique quantique. Les taux décrivent les résultats des meilleurs modèles sur ces problèmes précis. Ils ne mesurent pas la réussite de l’IA dans toutes les disciplines scientifiques.

Pourquoi les résultats doivent être vérifiés

Les problèmes qui exigeaient une simulation ou une expérience étaient exclus du benchmark. Celui-ci renseigne donc sur la résolution de problèmes théoriques, pas sur les performances en science expérimentale.

Gabriel Manso, membre de l’équipe de recherche, souligne aussi le rôle des chercheurs dans la formulation de bonnes idées et la vérification des solutions complètes. WIRED rapporte par ailleurs qu’OpenAI a retiré plusieurs solutions d’un jeu de données après sa publication. La vérification compte jusque dans les affirmations mathématiques précises : NeoTeo avait déjà consacré un article à l’examen d’une affirmation d’OpenAI sur Navier–Stokes.

BootLoops, une autre façon d’utiliser l’IA en recherche

Dans un travail distinct, Science rapporte que Claude, associé à la suite d’outils BootLoops, a servi à résoudre 30 exemples d’une classe d’intégrales, dont 15 décrits comme n’ayant pas été résolus auparavant. Le programme de recherche plus large a donné lieu à 36 prépublications, dans des domaines comprenant notamment la linguistique et l’écologie.

Ces travaux mobilisent l’IA dans un parcours de recherche interdisciplinaire, tandis que le benchmark mesure les réponses à un ensemble défini de problèmes théoriques. Science souligne la contribution des chercheurs pour repérer les questions utiles et évaluer les résultats.