Résoudre chaque problème de l’un des benchmarks les plus exigeants des mathématiques coûte généralement des dizaines de milliers de dollars. NEAR AI vient de le faire pour 111 $ .
Le 6 septembre 2026, Alex Skidanov, cofondateur de NEAR Protocol, a annoncé que l'agent open-source Lean du projet avait résolu tous les 672 problèmes du benchmark PutnamBench, un ensemble tiré de la compétition mathématique William Lowell Putnam. La facture totale : 111 $. La deuxième soumission la moins chère connue a coûté 250 fois plus.
Ce qu'est réellement PutnamBench et pourquoi cela compte
La compétition Putnam est le concours de mathématiques universitaires le plus prestigieux d'Amérique du Nord. Obtenir une note de zéro n'est pas inhabituel, même parmi les étudiants brillants. L'examen est conçu pour vous briser.
PutnamBench, introduit en 2024, reprend cette tradition de difficulté pour en faire un ensemble d'évaluation formel pour les démonstrateurs automatiques d'IA. Le benchmark contient 672 problèmes codés en Lean 4, un langage d'assistant de preuve qui exige que les arguments mathématiques soient rédigés avec une précision vérifiable par machine. Une preuve logiquement approximative est rejetée sans aucune note partielle.
Avant les résultats de NEAR AI, les agents tentant PutnamBench avaient fréquemment besoin de milliers d'appels d'inférence par problème. Les coûts de calcul s'accumulaient rapidement, plaçant les exécutions complètes du benchmark dans une fourchette de 10 000 à 25 000 $ de dépenses totales pour les systèmes leaders.
L'agent Lean de NEAR AI a terminé l'ensemble des 672 problèmes pour 111 $
Pourquoi l'écart de coût est la vraie histoire
À 10 000 $ à 25 000 $ par exécution complète, seules quelques organisations pouvaient se permettre d’itérer, d’expérimenter et d’améliorer leurs pipelines de démonstration de théorèmes. À 111 $, ce calcul s’inverse complètement.
La progression rapide des résultats de PutnamBench entre 2025 et 2026 était déjà stimulée par des flux de travail agents combinant des modèles linguistiques de grande taille avec le moteur de vérification de preuves de Lean. L'approche de NEAR AI prolonge ce modèle, tout en ajoutant une couche d'efficacité que la communauté de référence n'avait jamais vue auparavant.
NEAR AI a placé cette réalisation dans une vision infrastructurelle plus large centrée sur ce qu'elle appelle IronClaw, un cadre orienté vers l'IA confidentielle et vérifiable. La capacité de vérification formelle s'inscrit directement dans ce cadre : si vous pouvez prouver qu'un raisonnement mathématique est correct au niveau machine, vous disposez d'une base pour des systèmes d'IA dont les résultats peuvent être audités de manière indépendante, plutôt que d'être acceptés sur la foi.
La décision de NEAR Protocol de rendre l'agent Lean open-source renforce encore son importance. Les outils propriétaires offrant un avantage coûts de 250 fois ont tendance à rester propriétaires. Mettre l'agent en open-source signifie que la méthodologie est désormais accessible à l'inspection, à l'extension et à l'utilisation par tous.