Cet article contient des liens affiliés. En savoir plus.
Leanstral 1.5 : Mistral ouvre la vérification formelle à tous
En résumé
Mistral AI a publié Leanstral 1.5 le 2 juillet 2026 : un modèle open source sous licence Apache 2.0, spécialisé dans la preuve formelle avec l'assistant Lean 4. Architecture MoE de 119 milliards de paramètres (6,5 milliards actifs), 256 000 tokens de contexte, benchmark miniF2F saturé, 587 problèmes PutnamBench sur 672 résolus — et surtout 5 bugs inconnus découverts dans de vrais dépôts de code. Le français frappe fort sur un créneau que personne n'occupait : prouver mathématiquement que le logiciel fonctionne.
Points forts
- Vraiment open source — poids ouverts, licence Apache 2.0, utilisable commercialement sans restriction
- Résultats de pointe — miniF2F saturé, 587/672 sur PutnamBench, 87 % sur FATE-H
- Utile au-delà des benchmarks — 5 bugs inconnus découverts dans 57 dépôts de code réels
- Accessible — téléchargeable sur Hugging Face et interrogeable via une API gratuite
Points faibles
- Réservé à un usage pointu — il faut connaître Lean 4 et la preuve formelle pour en tirer parti
- 119 milliards de paramètres — l'auto-hébergement demande une grosse infrastructure malgré les 6,5 Md actifs
- FATE-X à 34 % — les problèmes de recherche les plus durs restent largement hors de portée
Mistral sort du lot avec un modèle qui prouve au lieu de générer
Le 2 juillet 2026, Mistral AI a publié Leanstral 1.5, un modèle spécialisé dans la vérification formelle avec Lean 4, l'assistant de preuve utilisé par les mathématiciens et les industriels du logiciel critique. Là où les modèles de code classiques génèrent du code plausible, Leanstral démontre mathématiquement qu'un programme respecte sa spécification. C'est un créneau que ni OpenAI ni Anthropic n'occupent frontalement — et le Français y va en open source intégral.
Ce qu'il y a sous le capot
- Architecture : mixture-of-experts de 119 milliards de paramètres, dont 6,5 milliards actifs par token — la grosse tête ne travaille jamais entière, ce qui contient les coûts d'inférence.
- Contexte : 256 000 tokens, de quoi avaler des bases de preuves entières.
- Entraînement : mid-training, fine-tuning supervisé puis apprentissage par renforcement (CISPO), orienté « proof engineering » agentique.
- Licence : Apache 2.0, poids ouverts sur Hugging Face, API gratuite pour expérimenter.
Des benchmarks saturés… et 5 vrais bugs trouvés
Sur le papier, Leanstral 1.5 écrase les benchmarks de preuve : miniF2F saturé, 587 problèmes résolus sur 672 au redoutable PutnamBench (compétition mathématique universitaire), 87 % sur FATE-H et 34 % sur FATE-X, les suites les plus difficiles du domaine.
Mais le vrai signal est ailleurs : testé sur 57 dépôts de code réels, le modèle a mis au jour 5 bugs jusque-là inconnus. Pour l'industrie du logiciel critique — aéronautique, ferroviaire, médical, finance — c'est exactement la promesse de la vérification formelle : ne plus se contenter de tests qui échantillonnent, mais prouver l'absence de classes entières d'erreurs.
Pourquoi c'est un coup malin de Mistral
Face aux mastodontes américains, Mistral ne peut pas gagner la course généraliste au plus gros modèle. La société l'a compris et multiplie les modèles spécialisés — après Vibe Medium 3.5 en mai, Leanstral vise les développeurs et les industriels européens du logiciel critique, un marché solvable où la souveraineté des données pèse lourd dans les appels d'offres.
L'open source Apache 2.0 n'est pas un caprice idéologique : c'est ce qui permet aux entreprises réglementées de déployer le modèle chez elles, sans dépendre d'une API américaine. Sur ce terrain, un modèle ouvert de 119 milliards de paramètres spécialisé preuve formelle n'a tout simplement pas de concurrent direct en juillet 2026.
Concrètement, qui peut s'en servir ?
Soyons honnêtes : Leanstral 1.5 ne s'adresse pas au développeur web moyen. Il faut pratiquer Lean 4, ou vouloir s'y mettre. Les profils gagnants :
- Équipes logiciel critique qui font déjà de la vérification formelle et veulent accélérer l'écriture de preuves.
- Chercheurs et enseignants en mathématiques formalisées — PutnamBench à 87 % en fait un assistant de démonstration sérieux.
- Équipes sécurité qui veulent auditer des bibliothèques sensibles au-delà du fuzzing classique.
Pour tester sans infrastructure, l'API gratuite suffit ; pour la production, les poids Hugging Face permettent un déploiement souverain. Et si votre besoin est plus généraliste — générer et relire du code au quotidien — un assistant comme Claude ou ChatGPT reste l'outil adapté : les deux mondes sont complémentaires, pas concurrents.