Les travaux récents en IA pour les mathématiques se sont surtout concentrés sur la démonstration automatique et l’autoformalisation. Cette nouvelle étude explore un angle plus opérationnel : l’intégration d’un système de calcul formel dans des agents LLM capables d’alterner raisonnement en langage naturel et vérification outillée. Les auteurs proposent pour cela une architecture de type ReAct associant un modèle de langage, SageMath et Context7 pour l’accès à une documentation à jour.
L’évaluation est menée sur des problèmes de niveau recherche issus du benchmark RealMath, dans un cadre censé reproduire une boucle de travail en mathématiques computationnelles. En parallèle, les chercheurs suggèrent aussi une amélioration du benchmark lui-même, avec une procédure de post-traitement en plusieurs étapes et une validation multi-niveaux afin d’augmenter la fiabilité de l’ensemble de problèmes utilisé.
Selon l’article, l’accès à SageMath apporte des gains substantiels pour tous les modèles testés : +9,7 points de pourcentage en moyenne, avec des bénéfices allant de 1,5 à 27,8 points. Les auteurs indiquent également que cette approche réduit l’écart entre modèles open-weight et modèles fermés. Parmi les systèmes évalués, Qwen 3.7-Max serait celui qui profite le plus de l’outillage SageMath, tandis que GPT-5.5 obtient le meilleur taux de résolution, à 75,2 %, tout en affichant la plus faible consommation de tokens parmi les configurations avec outils.
Ces résultats restent à interpréter dans le cadre précis du protocole expérimental présenté sur arXiv, mais ils renforcent l’idée que les systèmes de calcul formel peuvent jouer un rôle central dans les workflows agentiques appliqués aux mathématiques. Pour les équipes de recherche comme pour les éditeurs d’outils IA, cette piste apparaît prometteuse pour l’exploration computationnelle et, à terme, pour des usages plus ambitieux comme l’assistance à la découverte de conjectures.