Ce qui s’est passé

Un paper sur arXiv (29 juillet 2026) utilise GPT-5.6 pour trouver un contre-exemple à la conjecture de Maxwell, un problème ouvert d’électrostatique depuis 1864. Cinq charges ponctuelles dans l’espace euclidien avec au moins 24 points critiques non dégénérés : au-delà de la limite $(n-1)^2$ que Maxwell avait proposée. Le modèle frontier a contribué à fermer un problème que les mathématiciens n’avaient pas résolu.

Simultanément, CTGT publie une recherche sur la distillation. En entraînant GPT-OSS-120B sur les outputs de DeepSeek V4 Flash pour le raisonnement financier, les capacités se transfèrent, la censure non. Le modèle distillé décrit les programmes de transfert des Ouïghours et le Grand Bond en avant sans aucune reformulation politique. Sur 152 paires de prompts contrôlés et quatre évaluateurs de labs différents, aucune différence statistiquement significative par rapport au modèle de base inchangé.

Pourquoi ça te concerne

Le frontier résout encore des problèmes que les modèles ouverts ne touchent pas. Le pipeline de distillation signifie pourtant que les capacités des modèles ouverts chinois peuvent être absorbées sans traîner leurs contraintes politiques. Comme nous l’avons rapporté le 1er août, DeepSeek V4-Flash égale déjà GPT-5.6 Luna à un coût par tâche inférieur de 60% : l’écart entre open et propriétaire se réduit sur deux fronts. Les modèles ouverts se rapprochent sur les performances brutes, et leurs comportements utiles se transfèrent proprement.

En détail

La conjecture de Maxwell

La conjecture de Maxwell (1864) concerne le champ électrostatique de $n$ charges ponctuelles. Maxwell a conjecturé que le potentiel avait au maximum $(n-1)^2$ points critiques, tous non dégénérés. Pour $n = 5$, la limite serait 16. Philip Arathoon, Gavin Ball et Matthew D. Kvalheim exhibent une configuration de cinq charges avec au moins 24 points critiques non dégénérés. La conjecture est fausse.

Le paper, déposé sur arXiv le 29 juillet 2026, indique GPT-5.6 comme outil dans le processus de découverte ou de vérification du contre-exemple. C’est un signal que les modèles frontier entrent comme outils exploratoires dans la recherche fondamentale, au-delà de l’écriture de code et de l’analyse de données. La limite à garder en tête : un contre-exemple trouvé avec l’aide d’un modèle doit être vérifié avec des méthodes formelles, et le paper est un preprint (peer review en cours).

L’expérience de CTGT

Johnny Yu, Siddarth Mamidanna et Cyril Gorlla ont testé si le comportement censeur se transfère avec les capacités, en utilisant DeepSeek V4 Flash comme enseignant et GPT-OSS-120B comme étudiant sur le raisonnement financier.

DeepSeek V4 Flash a montré un écart de 45,45 points sur les prompts politiquement sensibles par rapport à des contrôles structurellement identiques (152 paires, quatre évaluateurs de quatre labs frontier). Le modèle distillé n’a montré aucune différence statistiquement significative par rapport au modèle de base. Il a décrit les programmes de transfert des Ouïghours, le Grand Bond en avant, Tiananmen, sans reformulations.

L’auto-distillation (le modèle corrige ses propres erreurs et s’entraîne lui-même) a égalé la distillation du modèle chinois sur chaque seed. Le modèle distillé marque 83,61% sur FinanceReasoning, au-dessus de Kimi K3 (81,93%) et Inkling (65,13%), à un coût par requête 62 fois inférieur à Inkling et 160 fois inférieur à Kimi K3.

CTGT a publié l’intégralité : 304 prompts, les contrôles appariés, la grille d’évaluation des évaluateurs, le code d’évaluation, les modèles eux-mêmes.

Limites et implications

Le résultat est spécifique au domaine financier et à la censure chinoise. Il ne prouve pas que chaque comportement indésirable peut être filtré via la distillation, ni que chaque capacité se transfère proprement. L’échantillon est modéré. CTGT a un intérêt commercial dans la narrative que les modèles chinois sont sûrs à distiller : les données sont publiques et vérifiables, mais la généralisation doit être prise avec prudence.

Le résultat sur l’auto-distillation est peut-être le plus pertinent pour ceux qui construisent. S’il est confirmé sur d’autres domaines, un modèle peut atteindre les mêmes gains en corrigeant ses propres erreurs, sans enseignant externe. Cela réduirait encore davantage l’avantage des plus grands modèles enseignants et fermerait un autre morceau du fossé entre ceux qui ont accès aux frontier et les autres.