10 000 agents ne font pas
un champ unique.
Le cas OpenAI/Navier–Stokes documente un vaste FIELD^TRAJ : groupes d’agents, outils, cross-pollination et modèle non stationnaire. Il ne décrit pas directement FIELD^TOK, ne prouve pas T^FIELD et n’établit ni BEL ni GPT‑7.
Un système massivement coordonné.
OpenAI indique qu’un nouveau modèle interne, significativement plus capable que GPT‑6 Astra, a été utilisé dans un effort de recherche comprenant de l’ordre de 10 000 agents concurrents pour le groupe Navier–Stokes. Les agents disposaient notamment d’une copie mise en cache du Web et d’outils de code ; ils étaient organisés en groupes recevant différentes formulations du problème.
OpenAI décrit une cross-pollination : Codex consolidait certains résultats intermédiaires utiles et ces éléments étaient réinjectés dans de nouveaux prompts. Une version davantage entraînée du modèle interne est devenue disponible pendant l’effort. OpenAI rapporte environ 88 heures avant le résultat, 2,7 millions de messages et environ 130 milliards de tokens de sortie pour Navier–Stokes, puis environ 17 heures de formalisation/vérification Lean avec GPT‑6 Astra.
La consolidation n’est pas présumée mauvaise.
| Observation | Ce qu’elle permet | Ce qu’elle ne permet pas |
|---|---|---|
| Groupes séparés et variantes de problème | étudier FIELD^TRAJ et le rôle de l’indépendance initiale | inférer une distribution token interne |
| Cross-pollination par Codex | traiter la consolidation comme opération de sélection et de réinjection | conclure que consolidation = perte ou consolidation = conservation parfaite |
| Le groupe gagnant a bénéficié de cette réinjection | documenter que la consolidation peut être productive | nier qu’elle puisse simultanément éliminer des branches non reprises |
| Version du modèle modifiée pendant la recherche | exiger une provenance temporelle | considérer toutes les branches comme strictement commensurables |
H15 v0.8 ne prédit plus un « goulot mauvais » : elle mesure le changement de couverture/provenance attribuable à la consolidation.
FIELD^TRAJ ≠ FIELD^VIS
Le système de recherche documenté est beaucoup plus vaste que l’objet final publié. Cette observation reste locale au système décrit.
La topologie compte déjà
Des travaux ACL 2026 montrent que topologies denses et structural coupling peuvent accélérer convergence prématurée. La simple existence d’un effet topologique n’est plus revendiquée comme nouveauté T^GPT.
Moment optimal du contact
Question résiduelle : à budget token égal, quand et comment les branches doivent-elles communiquer pour maximiser couverture pertinente et provenance ?
Consolidation mesurable
Comparer un même pool gelé avant/après STANDARD_SUMMARY, COVERAGE_SELECTION_NON_T, EXHAUSTIVE_NON_T et T_WEAVE. Mesurer support conservé, support perdu, idées récupérées et provenance.
Non-stationnarité
La version temporelle du modèle devient une dimension de provenance lorsqu’un effort traverse plusieurs états d’entraînement.
Découverte / vérification
Le cas distingue recherche, cross-pollination et formalisation/vérification ; v0.8 en fait une variable d’architecture, non un argument de supériorité T^.
RUMEUR reste RUMEUR.
Les reprises publiques sur un pré-entraînement nommé BEL et un chiffre de paramètres de l’ordre de 10 trillions restent sans confirmation OpenAI publique identifiée dans le corpus. Le modèle Navier–Stokes est nommé seulement « nouveau modèle interne » dans la source OpenAI. Aucune identité BEL = modèle Navier–Stokes = GPT‑7 n’est retenue.
Publication OpenAI ≠ reconnaissance institutionnelle automatique.
OpenAI présente son résultat comme une résolution et publie une formalisation. La page du Clay Mathematics Institute continuait au 11 septembre 2026 à afficher Navier–Stokes comme non résolu. Ces statuts restent séparés.