Le MIT lance MathNet, la plus grande base au monde de problèmes d'olympiades mathématiques

Le MIT a ouvert MathNet, à ce jour la plus grande base ouverte de problèmes d'olympiades mathématiques. Elle s'adresse à la fois aux chercheurs en IA et aux élèves qui préparent des compétitions. La base rassemble plus de 30 000 problèmes et solutions détaillées tirés des olympiades nationales de mathématiques de 47 pays.

Pour l'industrie, c'est un test de raisonnement mathématique plus exigeant que les benchmarks anglophones habituels. Pour les élèves, c'est une bibliothèque unifiée de problèmes de qualité, jusqu'ici dispersés entre recueils papier, forums et archives personnelles. Le projet est signé par des chercheurs du MIT CSAIL, de la KAUST et de la société HUMAIN.

Selon l'équipe, MathNet couvre 17 langues, 143 compétitions et environ quatre décennies de mathématiques olympiques. Les auteurs ont dû rassembler 1595 volumes PDF totalisant plus de 25 000 pages : des documents numériques récents comme de vieux scans qui n'existaient depuis des années que dans des collections privées. Une part importante de l'archive provient de la collection personnelle de l'un des coauteurs, qui numérisait à la main des recueils d'olympiades depuis 2006.

Selon le MIT, le dataset final est environ cinq fois plus grand que son plus proche équivalent. Il est déjà accessible librement et sera présenté à la conférence ICLR 2026 au Brésil. MathNet ne se distingue pas seulement par son échelle, mais aussi par la qualité de ses sources.

Là où de nombreux datasets mathématiques existants ont été compilés à partir de forums comme Art of Problem Solving, celui-ci ne puise que dans les recueils nationaux officiels. Ce point compte : dans ces documents, les solutions sont généralement rédigées par des experts, elles sont vérifiées et proposent souvent plusieurs méthodes pour un même problème. Le jeu de données est aussi bien plus large géographiquement : il couvre six continents, inclut des problèmes textuels et visuels, et ne se limite pas aux traditions anglophone et chinoise.

Pour une validation supplémentaire, l'équipe a réuni plus de 30 relecteurs de différents pays, qui ont revérifié ensemble des milliers de solutions. Les chercheurs peuvent ainsi entraîner des modèles sur une culture mathématique plus diverse, plutôt que sur un éventail restreint de formulations familières. Comme benchmark d'IA, MathNet donne des résultats peu confortables, même aux modèles les plus performants.

Sur le jeu principal de 6400 problèmes, GPT-5 atteint environ 69,3 %, ce qui signifie qu'il échoue sur près d'un problème de niveau olympique sur trois. Lorsque l'énoncé comporte des figures, les scores chutent encore plus nettement, signe d'une faiblesse persistante en raisonnement visuel. L'équipe a aussi testé le comportement des modèles dans des langues moins répandues : plusieurs systèmes open source ont obtenu 0 % sur les problèmes en mongol.

Les chercheurs ont en outre ajouté un benchmark de retrieval, qui consiste à reconnaître la similarité structurelle entre deux problèmes. Même les meilleurs modèles d'embedding n'ont trouvé la bonne correspondance du premier coup que dans environ 5 % des cas. L'enjeu dépasse l'IA et concerne les olympiades elles-mêmes : des problèmes similaires sur le fond sont déjà apparus lors de véritables épreuves, et repérer des équivalents mathématiques à travers langues, notations et formats est extrêmement difficile, même pour des experts.

Un autre test montre que la retrieval-augmented generation aide réellement, mais seulement si le problème suggéré est vraiment proche sur le plan structurel : chez DeepSeek-V3.2-Speciale, le gain atteint jusqu'à 12 points de pourcentage, tandis que des suggestions non pertinentes dégradent le résultat dans environ 22 % des cas. L'intérêt pratique de MathNet dépasse le cadre de l'IA académique.

Pour les élèves et les enseignants, il est rare de trouver des supports d'olympiades de haute qualité provenant de dizaines de pays réunis en un seul endroit et ramenés à un format unique. Pour les développeurs de modèles, c'est un rappel : les déclarations tonitruantes sur des mathématiques « presque résolues » restent prématurées. Dès que les problèmes deviennent véritablement internationaux, multimodaux et moins standardisés, l'écart de qualité reste bien visible.

C'est pourquoi MathNet pourrait devenir l'un des tests les plus utiles du raisonnement mathématique réel des modèles dans les années à venir, et en même temps l'une des bibliothèques ouvertes les plus précieuses pour préparer les olympiades de mathématiques.