Le nouveau modèle gratuit de Mistral trouve de vrais bugs en prouvant que le code est correct
Mistral a publié Leanstral 1.5, un petit modèle open source qui rédige des preuves mathématiques formelles et a déjà découvert cinq véritables bugs dans du code open source.
Mistral AI vient de publier Leanstral 1.5, un modèle gratuit capable de faire ce que la plupart des IA ne savent pas faire : prouver avec une certitude mathématique qu’un morceau de code ou un énoncé mathématique est réellement correct, et pas seulement « probablement juste au vu des motifs connus ». Dès son premier test en conditions réelles, il a déjà repéré cinq bugs qui se cachaient pourtant au vu et au su de tous.
Leanstral 1.5 a été conçu pour Lean 4, un « assistant de preuve »imaginez un langage de programmation dans lequel chaque énoncé doit être logiquement irréfutable avant que l’ordinateur ne l’accepte. C’est très différent d’un chatbot d’IA ordinaire, capable d’afficher une grande assurance tout en se trompant. Le modèle est petit au regard des normes actuelles, 6 milliards de paramètres actifs, sous licence Apache 2.0, ce qui permet à chacun de l’utiliser, de le modifier ou de l’exécuter localement, mais il est remarquablement performant. Il « sature » miniF2F, un test mathématique reconnu, c’est-à-dire qu’il résout correctement chacune des questions, et a trouvé la solution à 587 des 672 problèmes de PutnamBench, un ensemble de questions de concours mathématiques réputées très difficiles.
L’information la plus concrète est la suivante : Mistral a lancé Leanstral 1.5 sur 57 véritables dépôts de code open source, et le modèle a signalé cinq bugs jusque-là inconnus. Dans un cas, une petite bibliothèque d’encodage de nombres, varinteger, utilisée dans le projet datrs, comportait une erreur de gestion du signe qui entraînait silencieusement une corruption des données pour une entrée bien précise en limite de plage. Aucun humain ne l’avait repérée. Le modèle l’a trouvée en prouvant réellement le comportement du code, au lieu de le deviner à partir d’exemples.
Ce qui se passe réellement : La plupart des outils d’IA pour la programmation reconnaissent des motifs. Ils ont lu beaucoup de code et prédisent ce qui vient ensuite, une approche qui fonctionne bien la plupart du temps, mais peut manquer de subtiles erreurs de logique, notamment ces cas limites décalés d’une unité que Leanstral vient justement de détecter. La vérification formelle renverse cette logique : au lieu de prédire, elle prouve. Jusqu’ici, ce travail était lent et réservé aux spécialistes. Qu’un modèle gratuit, ouvert et doté de 6 milliards de paramètres puisse l’accomplir assez bien pour découvrir de vrais bugs indique que cette niche devient accessible et ne restera pas confinée aux laboratoires universitaires.
Ce que cela signifie pour vous : Si vous êtes simplement curieux de l’IA, vous n’avez pas besoin d’utiliser cet outil, c’est un instrument spécialisé, comparable à une clé dynamométrique plutôt qu’à un marteau. Si vous développez des logiciels professionnellement, en particulier des systèmes où la sécurité est critique, bibliothèques cryptographiques, analyseurs syntaxiques ou systèmes embarqués, il mérite votre attention : il est gratuit, fonctionne sans envoyer votre code à une API dans le cloud et a déjà prouvé qu’il pouvait trouver ce qu’une vérification humaine avait manqué. Pour la plupart des tâches de programmation quotidiennes, vos outils actuels restent adaptés. Celui-ci est réservé aux moments où « probablement correct » ne suffit pas.
Sources
Le grand bulletin annuel de Stanford sur l’IA est publié, et le fossé de confiance se creuse
L’AI Index 2026 du Stanford HAI montre des progrès rapides des capacités, mais aussi une hausse des incidents de sécurité, une baisse des scores de transparence et un fossé grandissant entre la confiance des experts et celle du public.
