Nvidia ouvre la recette de son système de mathématiques médaillé d'or aux OIM

Les chercheurs de Nvidia ont publié un compte rendu complet du système qui a conduit son modèle Nemotron 3 Ultra à une médaille d'or aux Olympiades internationales de mathématiques (OIM) 2026, et diffusé presque tout ce qu'il faut pour le reconstruire. Le rapport technique est paru sur arXiv le 9 septembre, accompagné de deux checkpoints de modèles post-entraînés, des données d'entraînement, du pipeline d'inférence, des démonstrations soumises à la compétition et d'un nouveau benchmark de 200 problèmes d'olympiade inédits.

À lire aussi: La semaine tech : le déploiement rencontre son bilan · Genie 4 ajoute le son et le pilotage en temps réel au modèle du monde de DeepMind.

Le système a obtenu 30 points sur 42, au-dessus du seuil de 29 points pour l'or, toutes les démonstrations soumises ayant été notées par les correcteurs officiels des OIM. Il a obtenu la note maximale aux problèmes 1, 2, 4 et 5 et un point chacun aux problèmes 3 et 6. Ce qui rend le résultat remarquable tient autant à la méthode qu'au score : le pipeline fonctionnait entièrement en langage naturel, sans assistant de preuve formelle, sans outils externes et sans accès à internet.

C'est un contraste délibéré avec l'approche qui a produit les premiers résultats marquants de l'IA mathématique. Les systèmes fondés sur la vérification formelle, qui traduisent les problèmes dans un langage vérifiable par machine, ont atteint le niveau de la médaille d'argent aux OIM en 2024. La compétition de 2025 a été la première où des modèles en langage naturel ont franchi le seuil de l'or. L'apport de Nvidia est de montrer jusqu'où peut aller une version ouverte et reproductible de cette seconde approche.

Un système, pas un modèle unique

La mise en garde la plus importante du rapport est que le 30 sur 42 est un score de système. Aucun checkpoint isolé ne l'a obtenu. Le pipeline s'appuie sur trois checkpoints de Nvidia Nemotron 3 Ultra, une famille de modèles de 550 milliards de paramètres dont 55 milliards sont actifs à la fois. L'un est le modèle de base en disponibilité générale. Les deux autres sont des spécialistes post-entraînés par les chercheurs : l'un par affinage supervisé sur un corpus centré sur les preuves, l'autre par apprentissage par renforcement. Les deux spécialistes sont diffusés sous la licence OpenMDW-1.1.

La conception de l'inférence combine génération, vérification et affinement. Lors du premier cycle de recherche, le système échantillonne 384 démonstrations candidates par problème : 16 tentatives issues de chacun des huit invites de stratégie de résolution, exécutées sur les trois checkpoints. Un panel de vérification composé des deux checkpoints spécialistes note ensuite chaque candidate. Une démonstration ne progresse que si les 16 jugements indépendants du panel la jugent correcte. Les candidates qui survivent sont affinées à l'aide des critiques écrites du panel, et le vivier de démonstrations s'accumule au fil des cycles jusqu'à ce que l'une soit acceptée à l'unanimité.

Une étape distincte à forte intensité de calcul réévalue ensuite chaque finaliste. Chaque checkpoint produit 16 jugements de type OIM sur une échelle de 0 à 7, soit 48 jugements par finaliste, et la moyenne la plus élevée l'emporte, les égalités étant tranchées en faveur de la démonstration la plus courte.

Ce que montrent les études d'ablation

L'intérêt du rapport réside dans ses ablations, les expériences qui isolent les choix déterminants. Sur un ensemble de développement de 30 problèmes, jugé par un panel indépendant de trois modèles commerciaux, le spécialiste issu de l'apprentissage par renforcement s'est révélé le meilleur pipeline à checkpoint unique de bout en bout, obtenant 180 points de jury sur 210 possibles, contre 165 pour le spécialiste affiné et 162 pour le modèle de base. Le checkpoint affiné, à l'inverse, a résolu davantage de problèmes au premier cycle, ce qui suggère que les deux spécialistes contribuent différemment à la recherche.

La vérification était l'autre variable décisive. Sur un ensemble d'audit de 300 démonstrations, le panel combiné RL et SFT a ramené le taux de fausses acceptations, le mode de défaillance qui interrompt la recherche sur une démonstration invalide, à environ 1,1 %. Le jugement par le seul checkpoint RL produisait un taux de fausses acceptations de 12,4 %, et le modèle de base 31,6 %. La conclusion des chercheurs est que les deux spécialistes sélectifs se corrigent mutuellement sous une règle d'unanimité, ce qui compte davantage que la qualité brute de génération.

Le rapport est aussi franc sur ce qui n'a pas aidé. Un routage plus élaboré entre les checkpoints a modifié le comportement de recherche initial sans améliorer la couverture finale, et un filtrage agressif des démonstrations candidates a écarté des tentatives qui aboutissaient plus tard à des solutions correctes.

La facture de calcul

La campagne de compétition a coûté cher. Les six démonstrations soumises ont toutes été trouvées en environ 707 millions de tokens générés et 1 464 heures de GPU GB200. L'achèvement des cycles déjà en cours a porté la campagne complète à environ 2,31 milliards de tokens et 4 800 heures de GPU GB200. Les chercheurs ont publié le décompte des ressources en même temps que le code, ce qui est inhabituel et utile : cela permet à d'autres laboratoires d'estimer le coût d'une campagne de niveau compétition avant de s'y lancer.

Le déploiement n'est pas anodin non plus. Faire tourner les checkpoints exige environ 1,5 téraoctet de mémoire à haut débit, soit à peu près un seul nœud de huit GPU B200, et la diffusion est auto-hébergée, sans API hébergée ni grille tarifaire.

Langage naturel contre vérification formelle

Le choix de travailler sans prouveur formel est la décision de conception la plus lourde de conséquences du rapport. Les méthodes formelles, dans lesquelles une démonstration est traduite dans un langage tel que Lean puis vérifiée par un logiciel, présentent un grand avantage : une preuve vérifiée est correcte par construction. Elles ont aussi un coût élevé. Traduire un problème de compétition en langage formel est lent et exige des compétences pointues, et un système qui ne peut travailler que dans ce médium n'a qu'une utilité limitée pour un mathématicien qui veut poser une question en prose ordinaire.

Les systèmes en langage naturel échangent la certitude contre la portée. Leur production se lit comme une solution humaine, ce qui la rend plus facile à relire et à publier, mais elle doit être jugée par d'autres moyens. La réponse de Nvidia est statistique : utiliser plusieurs checkpoints comme juges, exiger l'unanimité et départager les finalistes avec un grand panel. Les chiffres de fausses acceptations montrent pourquoi ce dispositif est nécessaire. Un modèle unique jugeant des démonstrations acceptait des réponses fausses bien plus souvent que le panel combiné, et le mode de défaillance est grave, car une recherche qui croit une démonstration invalide terminée cesse d'en chercher une correcte.

L'approche présente aussi un déficit de vérification qu'aucun jugement, aussi abondant soit-il, ne comble entièrement. Un panel de modèles de langage peut se tromper collectivement, surtout sur un problème proche de la limite de ce qu'ils savent résoudre. La preuve la plus solide du résultat aux OIM n'est donc pas la confiance du système lui-même, mais les correcteurs officiels qui ont attribué les points. Pour un usage de recherche, la distinction compte : un pipeline en langage naturel est un moyen de générer des candidates et des retours, pas un substitut à la vérification d'un résultat dont dépend une décision importante.

La stratégie du modèle ouvert

Publier les checkpoints, les données et le code sous une licence permissive est cohérent avec la manière dont Nvidia a positionné sa famille Nemotron, en utilisant des poids ouverts pour susciter la demande pour le matériel qui les fait tourner. La logique commerciale est simple. Une entreprise qui vend des GPU profite de l'existence de modèles ouverts performants, car ils abaissent la barrière pour construire sur la plateforme de Nvidia et donnent aux clients une raison d'acheter du calcul plutôt que de le louer.

Cette stratégie a un coût. Une fois la recette publique, quiconque dispose du matériel peut la reproduire ou l'améliorer, y compris des laboratoires qui concurrencent les clients de Nvidia. Les chercheurs semblent avoir accepté le compromis, en pariant que les gains de réputation et d'écosystème d'un résultat ouvert et reproductible l'emportent sur le risque d'offrir un modèle à des concurrents. Que ce pari soit payant dépendra moins du score aux OIM que du nombre d'équipes qui adopteront la recette et rapporteront leurs conclusions.

Le benchmark pourrait survivre au score

L'artefact le plus durable sera peut-être Nemotron-IMO-Bench, un ensemble de 200 problèmes de niveau olympiade répartis également entre algèbre, combinatoire, géométrie et théorie des nombres, chacun accompagné d'une démonstration de référence validée par des humains. Les problèmes ont été créés avec le mathématicien Titu Andreescu et maintenus inédits afin de ne pas pouvoir figurer dans un corpus d'entraînement. La contamination, le risque que les questions d'un benchmark aient fui dans les données d'entraînement d'un modèle, est devenue un problème central pour évaluer les modèles de mathématiques et de code, et un ensemble de problèmes neufs et tenus à l'écart est précisément ce qui manquait au domaine.

La reproduction indépendante est le prochain test évident. Tous les chiffres de performance de la publication proviennent du propre rapport de Nvidia. Le score aux OIM a la provenance la plus solide, car il a été noté dans les conditions de la compétition, mais aucun laboratoire extérieur n'a encore exécuté la recette de bout en bout ni publié de score sur le nouveau benchmark. Tant que cela n'aura pas eu lieu, le résultat doit se lire comme le compte rendu honnête d'une campagne à l'échelle de la frontière, et non comme une capacité établie.

Pourquoi cela compte au-delà de la médaille

Le résultat tombe dans une semaine où l'IA et les mathématiques ont rarement été aussi intriquées. Le 8 septembre, OpenAI a déclaré qu'un essaim d'environ 10 000 agents avait trouvé une solution à un problème ancien des équations de Navier-Stokes, une affirmation formellement vérifiée dans Lean mais pas encore validée indépendamment par l'Institut Clay de mathématiques. Les travaux de Nvidia pointent dans une autre direction : ils visent un pipeline reproductible qui transforme le calcul au moment de l'inférence en production mathématique et ouvre ensuite tout l'appareil à l'examen d'autrui, plutôt qu'une démonstration spectaculaire unique.

Cette transparence est la véritable nouvelle. Un score de médaille d'or fait un titre ; une recette d'entraînement publiée, un benchmark tenu à l'écart et un budget de calcul détaillé sont des outils sur lesquels d'autres chercheurs peuvent s'appuyer. Si la recette se reproduit, la diffusion discrète de cette semaine paraîtra plus lourde de conséquences que le score qui l'a motivée.