La plupart des données mathématiques qui servent à entraîner les modèles de langage arrivent sous forme de paires question-réponse isolées, coupées des livres et du raisonnement dont elles viennent. Un nouveau preprint sur arXiv, signé par des chercheurs de l'University of Science and Technology of China, du Shanghai AI Laboratory, de la Fudan University et de la Shanghai Jiao Tong University, soutient que cette structure mérite d'être conservée. Leur corpus, TOME-Math, transforme 2 118 manuels universitaires couvrant 29 matières en 380 292 enregistrements de démonstrations, et un modèle entraîné dessus progresse davantage que des modèles entraînés sur des jeux publics bien plus grands.
Le processus note la place de chaque élément dans son livre, le théorème auquel appartient une démonstration, ce dont elle dépend et sa provenance. Il crée aussi des questions « de lacune » à partir d'étapes qu'une démonstration de manuel traite rapidement. L'équipe a affiné Qwen3-30B-A3B-Base pendant une époque sur 364 631 enregistrements, après avoir mis de côté 64 livres pour les tests. Sur six benchmarks (leurs propres jeux TOME-LongForm et TOME-Objective, ProofNet, MiniF2F, MATH-500 et AIME 2026), la moyenne est passée de 29,17 % à 45,83 %. Le modèle arrive premier sur cinq des six et deuxième sur AIME 2026.
La comparaison avec les données publiques est la partie la plus intéressante. OpenMathInstruct-1 compte 1,82M exemples, environ 4,8 fois plus, et pourtant le modèle entraîné sur TOME l'a battu sur les six benchmarks ; il a aussi devancé MetaMathQA et MathInstruct. Des essais contrôlés testent ensuite la structure directement. Suivre les chapitres dans l'ordre du livre, avec les questions de lacune en premier, a battu les données mélangées dans les 18 combinaisons de matière et de volume, et l'écart a atteint 7,72 points avec le plus gros budget. Répartir le même budget sur 16 livres au lieu de 8 a ajouté 3,3 points en moyenne.
Ce résultat rejoint une leçon plus large de l'entraînement des modèles : la manière dont les données sont organisées peut compter autant que leur quantité. Le modèle de base appartient à la même famille Qwen que Qwen3.6, que nous évaluons, et la recette vise des modèles ouverts de ce type plutôt que des API fermées. Pour qui choisit un modèle destiné aux démonstrations, elle rappelle que les capacités mathématiques dépendent beaucoup de la forme des données d'affinage, que les éditeurs révèlent rarement.
Les limites sont nettes. Il s'agit d'un preprint, sans relecture par les pairs. Les démonstrations longues sont notées par un modèle, gpt-5.6-luna, qui relit chaque réponse huit fois, avec un contrôle de calibrage humain plutôt qu'une correction humaine complète. Les auteurs reconnaissent que les jeux publics diffèrent du leur sur plusieurs points, si bien que la comparaison principale ne prouve pas à elle seule que la structure en est la cause. Un seul modèle de base a été testé. La publication du corpus est promise sans date ni licence, et l'article n'explique pas comment seront gérés les droits sur 2 118 manuels protégés par le droit d'auteur.