Un collectif de 49 mathématiciens vient de publier un nouvel ensemble de référence destiné à mesurer les capacités de raisonnement des grands modèles de langage. La constitution de ce corpus a eu lieu entre le 1er avril et le 15 mai 2026, à l'occasion de l'atelier Benchmarks in Leipzig. Trente-cinq experts se sont réunis au sein de l'Institut Max Planck des mathématiques dans les sciences à Leipzig pour élaborer cent questions de niveau recherche, toutes accompagnées de réponses validées. L'évaluation de ces données s'est déroulée en trois phases successives. Lors de la première étape, cinq modèles de pointe ont été soumis à un essai unique par problème, révélant que quarante et un exercices résistaient encore à la résolution. La seconde phase a approfondi l'analyse en multipliant les tentatives à vingt reprises pour trois des modèles testés, faisant chuter le nombre de questions insolubles à seize. La dernière étape, réservée à deux architectures spécialisées dans le raisonnement approfondi, n'a laissé que deux problèmes sans solution après trois essais chacun. Cette progression rapide illustre les avancées concrètes des systèmes d'intelligence artificielle dans le traitement de la logique mathématique. La mise à disposition publique de ce benchmark standardisé offre aux chercheurs et aux industriels un outil fiable pour suivre l'évolution des performances de l'IA. Ces résultats confirment que la compréhension formelle et la résolution de problèmes complexes deviennent des fonctionnalités de plus en plus accessibles pour les modèles actuels.