Récemment, en parcourant le GitHub de NEAR, j’ai découvert quelque chose d’intéressant : L’équipe NEAR AI a open-sourcé un test dans lequel elle a réussi à résoudre 672 problèmes de preuves mathématiques extrêmement difficiles en utilisant le modèle open-source chinois DeepSeek. En demandant à l’IA, j’ai appris que ces problèmes s’appellent PutnamBench : ce sont les questions les plus exigeantes du concours de mathématiques universitaires le plus réputé en Amérique du Nord. En bref, réussir ce test démontre que l’IA possède une capacité de raisonnement logique extrêmement rigoureuse. Selon @MSBIntel, la solution de NEAR a coûté en moyenne seulement 0,17 dollar par problème pour résoudre les 672 questions, soit un total de peu plus de 110 dollars. À titre de comparaison, dans d’autres solutions obtenant la même note parfaite, le coût moyen par question avec le modèle OpenAI atteint 44,5 dollars, tandis que Claude en coûte 3,52 dollars. Mais pourquoi une chaîne publique s’attaque-t-elle à des problèmes mathématiques aussi avancés ? En réalité, l’objectif ultime derrière ce défi consistant à faire résoudre des preuves logiques par l’IA est l’audit de sécurité des contrats intelligents — techniquement appelé vérification formelle. Par exemple, utiliser la logique mathématique pour vérifier ligne par ligne le code à la recherche de vulnérabilités. Si l’on peut réduire le coût de cette vérification grâce à une puissance d’IA open-source abordable, jusqu’à quelques dizaines de cents seulement ; alors, à l’avenir, même les projets ou les développeurs individuels pourraient garantir et auditer leurs contrats contre les failles de sécurité à un coût extrêmement faible. Bien que cela n’ait aucun lien direct avec le prix du token near:native, c’est tout de même un signe concret que l’équipe du projet agit concrètement.