Comment un système d’intelligence artificielle pourrait-il résoudre des problèmes mathématiques complexes mieux que les humains, et même surpasser les meilleurs modèles existants ? Avec SIGMA, la réponse prend la forme d’une orchestration inédite d’agents spécialisés, capables de raisonner, chercher et intégrer des connaissances à la demande.
Le défi du raisonnement mathématique automatisé ne se limite pas à manipuler des chiffres ou à appliquer des formules. Il s’agit de naviguer dans une mer d’informations, souvent éparpillées ou contradictoires, et de bâtir un raisonnement structuré à partir de sources multiples. Jusqu’ici, les modèles dits « retrieval-augmented » s’appuyaient sur des stratégies de recherche rigides, ne tenant compte que d’une seule perspective à la fois. Résultat : des réponses parfois incomplètes ou peu nuancées, et une difficulté à intégrer efficacement différents points de vue.
Avec SIGMA (Search-Augmented On-Demand Knowledge Integration for Agentic Mathematical Reasoning), une équipe de chercheurs propose une alternative radicale. Leur système ne se contente plus de récupérer de l’information : il déploie une constellation d’agents spécialisés, chacun chargé de raisonner selon son propre angle d’analyse. Chaque agent formule des passages hypothétiques, optimisant la recherche documentaire pour son domaine d’expertise. Un modérateur central orchestre ensuite la synthèse des trouvailles, veillant à ce que l’intégration des connaissances reste pertinente et efficiente, selon le contexte du problème posé.
Des performances inédites sur les benchmarks de référence (SIGMA)
Pour évaluer SIGMA, les chercheurs l’ont confronté à des jeux de données parmi les plus exigeants du domaine : MATH500, AIME, et GPQA, ce dernier étant un questionnaire de niveau doctorat en sciences. Sur chacun de ces benchmarks, SIGMA ne se contente pas d’être compétitif. Il surpasse systématiquement les systèmes open source et propriétaires, enregistrant un gain absolu de 7,4% en performance. Cette avancée n’est pas anecdotique dans un secteur où chaque point de progrès se gagne à force d’innovations méthodologiques.
L’un des secrets de SIGMA réside dans sa capacité à intégrer les connaissances à la demande, en fonction des besoins spécifiques de chaque étape du raisonnement. Cela permet non seulement d’accroître la précision des réponses, mais aussi d’optimiser le temps de calcul et l’efficacité globale du système. Au lieu d’imposer une recherche exhaustive ou de s’en remettre à une seule source d’information, SIGMA module ses efforts selon la complexité du problème et la diversité des perspectives nécessaires.
Un cap vers l’autonomie des IA spécialisées
Au-delà de la performance brute, SIGMA ouvre une voie nouvelle pour l’IA appliquée aux domaines complexes et à forte intensité de savoir. L’approche multi-agents, associée à une intégration contextuelle et une modération centralisée, pourrait s’étendre à d’autres champs où le raisonnement nécessite d’agréger des connaissances disparates.
Les auteurs annoncent la publication prochaine du code source, promettant ainsi à la communauté scientifique la possibilité d’explorer et d’adapter ce cadre à d’autres défis. Si le raisonnement mathématique reste l’un des terrains de jeu les plus exigeants pour l’intelligence artificielle, SIGMA prouve que le recours à des agents spécialisés et coordonnés peut repousser les limites actuelles. Une avancée qui, à terme, pourrait transformer la manière dont les systèmes d’IA abordent la résolution de problèmes complexes, bien au-delà des mathématiques.
Source originale : SIGMA: Search-Augmented On-Demand Knowledge Integration for Agentic Mathematical Reasoning via arxiv.org (20/06/2026)