Gemini Deep Think écrase les benchmarks de raisonnement — et ce n’est pas qu’une question de calcul

TL;DR

Le mode de raisonnement Deep Think de Google domine désormais la frontière en raisonnement, en mathématiques et en programmation simultanément — une configuration que la guerre des benchmarks n’a pas vue depuis des mois. Sur ARC-AGI-2, le benchmark de raisonnement abstrait vérifié par l’ARC Prize Foundation, Gemini 3.1 Deep Think obtient 84,6 % contre 68,8 % pour Claude Opus 4.6 et 52,9 % pour GPT-5.2. Son Elo Codeforces de 3455 et un score de 81,5 % sur les problèmes de l’IMO 2025 pointent vers la même conclusion sous des angles différents : l’avance ne vient pas de l’échelle, mais d’un mécanisme différent au moment de l’inférence.

Introduction

Pendant la majeure partie de 2026, les laboratoires de pointe se sont livrés à une guerre des benchmarks à la marge. Un point par-ci sur GPQA, un nouveau record en maths par-là — des gains progressifs, contestés, rapidement repris. Deep Think rompt ce rythme parce qu’il gagne dans plusieurs catégories à la fois.

Deep Think est le mode de raisonnement de Google DeepMind, véritablement lancé avec Gemini 2.5 en juin et perfectionné dans Gemini 3.1 Deep Think. Le tableau officiel des benchmarks raconte une histoire cohérente : il n’est pas simplement compétitif face à l’Opus 4.6 d’Anthropic et au GPT-5.2 d’OpenAI, il les devance sur presque tous les tests difficiles et sans outils qui mesurent un raisonnement véritable plutôt que de la récupération d’information (Source: Google DeepMind — Gemini 3.1 Deep Think).

La question la plus intéressante est comment. La réponse semble être architecturale plutôt que scalaire.

Les chiffres, en une seule lecture

Le tableau de performances de DeepMind est inhabituellement transparent et mérite d’être lu dans son ensemble plutôt que par extraits choisis :

ARC-AGI-2 (raisonnement abstrait, vérifié par l’ARC Prize) : Gemini 3.1 Deep Think 84,6 %, contre 68,8 % pour Opus 4.6 Thinking et 52,9 % pour GPT-5.2 Thinking. Les humains obtiennent en moyenne environ 60 % à ce benchmark, explicitement conçu pour résister à l’appariement de motifs par force brute.
Codeforces (programmation compétitive, Elo, sans outils) : 3455 pour Deep Think, contre 2512 pour Gemini 3 Pro et 2352 pour Opus 4.6.
IMO 2025 (Olympiades internationales de mathématiques) : 81,5 % pour Deep Think, contre 14,3 % pour Gemini 3 Pro et 71,4 % pour GPT-5.2 — un écart de 67 points par rapport au modèle sans mode de raisonnement de Google lui-même.
Humanity’s Last Exam (raisonnement académique, sans outils) : 48,4 %, devant Opus 4.6 (40,0 %) et GPT-5.2 (34,5 %).
Olympiades de physique 2025 : 87,7 % ; Olympiades de chimie : 82,8 % ; MMMU-Pro : 81,5 %.

Le chiffre de l’IMO mérite d’être souligné. Un écart de 67 points entre Deep Think et Gemini 3 Pro sur le même modèle sous-jacent n’est pas un artefact de mise à l’échelle : c’est ce qui se produit lorsque l’on change la manière dont le modèle raisonne au moment de l’inférence. Et une variante de recherche avancée de Deep Think a atteint le niveau de la médaille d’or à l’IMO, un objectif que l’on considérait encore récemment comme étant à des années de distance (Source: FAQ — Google’s Gemini 2.5 Deep Think Claims the Top of Science, Math, and Reasoning).

Ce n’est pas « un Gemini plus lent avec plus de calcul »

La tentation est de balayer les modes de raisonnement en les réduisant au même modèle qui tourne plus longtemps. La description de Deep Think elle-même va à l’encontre de ce cadrage.

Lorsqu’il est activé, le modèle génère plusieurs chaînes de pensée simultanément — il explore différentes pistes de solution en parallèle avant de converger vers une réponse finale, avec des techniques d’apprentissage par renforcement inédites qui améliorent sa résolution étape par étape au fil du temps. La sortie de Gemini 2.5 Deep Think en juin l’affirmait déjà explicitement : une inférence étendue et parallèle au moment de répondre, et non pas simplement davantage de tokens issus du même raisonnement.

Cela compte parce que cela change la nature des gains. Un modèle qui se contente de « penser plus longtemps » reste engagé sur la voie qu’il a empruntée au départ. La recherche parallèle permet au modèle de se couvrir : une branche sans issue ne condamne pas la réponse comme elle le ferait dans une chaîne séquentielle unique. C’est une différence qualitative significative, et c’est probablement pourquoi les victoires se concentrent dans les catégories les plus difficiles : mathématiques olympiques, raisonnement abstrait et programmation de pointe, là où la valeur de l’exploration de solutions alternatives est la plus élevée.

Ce que cela signifie pour le secteur

Trois implications ressortent.

Premièrement, l’avance en raisonnement est désormais contestable sans disposer d’un modèle de base plus grand. La domination de Deep Think sur l’IMO et Codeforces par rapport à Gemini 3 Pro montre qu’une architecture au moment de l’inférence peut apporter davantage que le prochain ordre de grandeur de paramètres. Pour les laboratoires qui n’ont pas le budget d’entraînement de Google, c’est un signal stratégiquement important.

Deuxièmement, les benchmarks se scindent en deux niveaux : « brut » et « raisonné ». L’écart entre Deep Think et Gemini 3 Pro sur l’IMO (81,5 % contre 14,3 %) est si important que publier un seul chiffre pour un modèle devient trompeur. La conversation de pointe doit de plus en plus préciser quel mode a produit quel score — un problème de gouvernance et de marketing autant que technique.

Troisièmement, la version grand public est un compromis assumé. La variante Deep Think de l’application Gemini fonctionne à peu près au niveau de la médaille de bronze de l’IMO — remarquable en soi — tandis que la capacité de médaille d’or se trouve dans une version de recherche plus lente. Google vend, en pratique, le raisonnement comme un produit à plusieurs niveaux dont le calcul est le curseur. C’est le signal le plus clair à ce jour que le modèle économique de l’IA de pointe converge vers un raisonnement à la consommation.

Les réserves

Rien de tout cela n’est incontesté. Les benchmarks de raisonnement — ARC-AGI-2 en particulier — sont une cible jeune et mouvante, et un score vérifié par l’ARC Prize Foundation reste une photographie d’une capacité unique, pas de l’intelligence générale. Le plafond absolu est lui aussi en train de bouger : ARC-AGI-3, lancé en mars 2026 comme nouvelle frontière, plafonne actuellement à quelques fractions de pour cent même pour les meilleurs modèles — y compris Gemini 3.1 Pro à 0,37 %.

La lecture honnête est que Deep Think a gagné une manche, pas la guerre. Mais la manche qu’il a remportée est celle qui compte le plus à l’heure actuelle : il a démontré que les prochains grands gains en raisonnement sont accessibles au moment de l’inférence, par l’architecture, pour quiconque est prêt à payer la facture de calcul.

FAQ

Qu’est-ce que Deep Think ? Le mode de raisonnement de Google DeepMind pour Gemini, qui génère plusieurs chaînes de pensée en parallèle et converge vers une réponse, au lieu de suivre un chemin de raisonnement séquentiel unique.

Comment se compare-t-il sur ARC-AGI-2 ? Gemini 3.1 Deep Think obtient 84,6 %, contre 68,8 % pour Claude Opus 4.6 et 52,9 % pour GPT-5.2 — tous vérifiés par l’ARC Prize, par rapport à une référence humaine d’environ 60 %.

Est-ce simplement le même modèle qui tourne plus longtemps ? Non. L’architecture de recherche parallèle constitue un changement qualitatif : les branches sans issue ne condamnent pas une réponse comme elles le feraient dans une chaîne de pensée unique.

Pourquoi l’écart sur l’IMO est-il important ? Deep Think obtient 81,5 % à l’IMO 2025, contre 14,3 % pour Gemini 3 Pro sur le même modèle de base — la preuve que les gains viennent de l’architecture de raisonnement, pas de la mise à l’échelle des paramètres.

Est-ce la fin de la course aux benchmarks ? Non. ARC-AGI-3 est la nouvelle frontière, et les meilleurs modèles y obtiennent moins de 1 %. Deep Think a gagné une manche, pas la guerre.

Pour aller plus loin

— The Agent Report