OpenAI a publié le 3 septembre GPT-6 Astra, que le cofondateur Greg Brockman a présenté comme l'entrée dans « l'ère de l'AGI ». Le modèle affiche des gains larges sur les bancs d'usage informatique, de code et de mathématiques, devient le premier que le cadre interne d'OpenAI classe « critique » en cybersécurité, et se facture 10 dollars par million de tokens en entrée, 50 en sortie. Pour un professionnel qui doit décider où l'intégrer, l'intérêt n'est pas dans les records annoncés mais dans leur écart avec les mesures tierces : plusieurs bancs indépendants voient une progression bien plus étroite, et le score vedette du modèle dépend autant du harnais d'exécution que du modèle lui-même.

Un lancement estampillé « AGI »

Astra porte l'identifiant d'API gpt-6-astra. Il ouvre une fenêtre de contexte de 1,05 million de tokens (jusqu'à 922 000 en entrée, 128 000 en sortie par défaut) et arrête ses connaissances au 30 avril 2026. Sur un test de récupération d'information à long contexte, OpenAI dit retrouver la cible dans 100 % des cas jusqu'à 512 000 tokens, et dans 96,3 % des cas dans la tranche 512 000 à 1 million, une capacité utile aux flux qui chargent des bases de code ou des corpus entiers. Le déploiement se fait par vagues, d'abord le programme entreprise Daybreak, puis les formules ChatGPT Plus, Pro, Business et Enterprise dans les jours suivants.

Le vocabulaire du lancement a tranché avec la prudence habituelle. « Bienvenue dans l'ère de l'AGI », a lancé Greg Brockman, qui a ajouté, interrogé sur le franchissement du seuil : « Pour moi, personnellement, je pense que nous y sommes. » Le directeur scientifique Jakub Pachocki a posé la réserve qui accompagne le modèle : « Le progrès en intelligence ne garantit pas le progrès en alignement. »

La formule renvoie à un dossier ouvert cet été. OpenAI avait suspendu le développement d'Astra après que ses évaluations préliminaires n'avaient pas permis d'écarter le niveau « critique » de son Preparedness Framework sur le volet cyber. La version livrée franchit ce seuil : Astra est le premier modèle largement déployé qu'OpenAI décrit comme capable de trouver seul des failles inconnues et de développer de nouvelles manières de les exploiter. Sur ExploitBench, banc dédié, il obtient 100 %, contre 78,5 % pour GPT-5.6 Sol, le précédent modèle de tête.

Les scores maison

OpenAI a mis en avant quatre bancs au lancement, tous en progression sur Sol et sur Claude Opus 5, le modèle de tête d'Anthropic. Sur Terminal-Bench 4.0, qui mesure la conduite d'un agent en ligne de commande, Astra atteint 57,9 %, contre 37,3 % pour Sol et 52,3 % pour Opus 5. Sur OSWorld 2.0, qui teste le travail à travers des applications bureautiques, il monte à 72,6 % contre 65,7 %, en ramenant le temps moyen par tâche d'environ 75 à 40 minutes. En mathématiques de recherche (FrontierMath Tier 4 v2), il affiche 97,6 % contre 83,0 %, et en sciences (GPQA Diamond) 96,0 % contre 94,6 %. Sur ScreenSpot-Pro, qui évalue le repérage d'éléments à l'écran, l'écart est plus net encore, 92,7 % contre 76,9 %.

Barres groupées comparant GPT-6 Astra, GPT-5.6 Sol et Claude Opus 5 sur quatre bancs : Astra devance partout, de 1,4 point sur GPQA Diamond à 20,6 points sur Terminal-Bench.

Deux chiffres parlent directement aux ingénieurs. Le taux d'hallucination rapporté par OpenAI tombe à 4,2 %, contre 12,2 % pour Sol, sur un jeu de cas construit à partir d'erreurs signalées par les utilisateurs. Et sur SRE-Bench, qui simule des incidents de production à diagnostiquer, Astra résout 88,0 % des cas au premier essai, contre 55,9 % pour Sol. La firme précise que l'amplitude de ces bancs de production est trompeuse : ils rassemblent des cas « délibérément difficiles » où les modèles antérieurs échouaient, et les taux d'erreur absolus y sont donc supérieurs à ceux du trafic réel.

L'écart avec le champ se resserre nettement là où les bancs saturent. Sur GPQA Diamond, l'avance d'Astra sur Opus 5 se réduit à 2,3 points, les trois modèles se tenant au-dessus de 93 %. Sur un banc quasi résolu, l'écart de score reflète surtout les erreurs résiduelles de chaque modèle et non un fossé de capacité.

Le harnais fait le score

Le résultat le plus commenté par les évaluateurs indépendants est aussi le plus instructif sur la manière de lire un benchmark en 2026. Sur ARC-AGI-3, la suite de tâches de raisonnement abstrait de la fondation ARC Prize, OpenAI a revendiqué un score proche de 100 %. La mesure d'ARC Prize confirme le chiffre, mais sous condition. Avec son harnais « standard », où l'agent ne conserve entre deux requêtes que des notes visibles de son choix, Astra obtient 62,7 %, pour un coût de run de 26 100 dollars. Avec un harnais « provider adapter », qui préserve un état de raisonnement opaque d'une requête à l'autre et compresse automatiquement les longues parties, le même modèle atteint 99,9 %, pour un run moins cher, 18 800 dollars.

Barres du score d'Astra à ARC-AGI-3 selon le harnais d'exécution : 62,7 % en harnais standard, 99,9 % en provider adapter, à modèle identique ; GPT-5.6 Sol plafonne à 7,8 %.

L'écart de 37 points ne vient donc pas d'un réglage du modèle mais de l'infrastructure qui l'entoure. La comparaison avec GPT-5.6 Sol, resté à 7,8 % en harnais standard, garde son sens ; la comparaison entre un chiffre en provider adapter et un chiffre standard n'en a plus. La dépendance au harnais n'est pas propre à OpenAI : sur le même banc, NVIDIA a fait passer Claude Opus 5 d'environ 30 % à 100 % avec son propre système d'orchestration. François Chollet, à l'origine d'ARC-AGI, a relevé que le passage de moins de 1 % à près de 100 % en six mois marque une accélération réelle des capacités, tout en insistant sur l'efficacité mesurée : en provider adapter, Astra a utilisé moins d'actions que la référence humaine sur 96,0 % des niveaux, et 51,7 % d'actions en moins par niveau en moyenne.

Quand les mesures tierces divergent

Sur les index agrégés, le tableau se brouille. L'Intelligence Index d'Artificial Analysis place Astra à 61,2, contre 60,9 pour Sol : une quasi-stagnation. Son Coding Agent Index le donne à 67,0, contre 65,1 pour Sol, mais à égalité avec Opus 5 et Claude Fable 5, et derrière Fable 5.1 à 70. Le même évaluateur signale des reculs : une baisse d'environ 80 points Elo sur GDPval-AA v2, et des régressions de 2 à 3 points sur τ³-Banking, SciCode et AA-LCR. Epoch AI, à l'inverse, classe Astra en tête de ses propres mesures. Deux maisons sérieuses, deux verdicts opposés sur le même modèle.

Cette divergence tient en partie à un arbitrage économique. Artificial Analysis mesure Astra à 70 % plus efficace en tokens que Sol, mais 75 % plus coûteux par tâche à effort maximal, l'efficacité par token étant absorbée par un raisonnement plus long. Un détail nourrit le scepticisme des professionnels : GDPval, le banc d'OpenAI censé mesurer la valeur économique du modèle sur des tâches professionnelles réelles, était absent des documents de lancement, alors même que la firme parlait d'AGI. Sa version actuelle ne mesure que des tâches en un coup, pas les enchaînements agentiques qu'Astra vise.

Ce que le curseur d'effort coûte

Astra se facture 10 dollars le million de tokens en entrée et 50 en sortie, contre des tarifs très inférieurs pour la gamme GPT-5.6, dont OpenAI avait cassé les prix cet été. Les tokens en cache retombent à 1 dollar, les appels en contexte long (au-delà de 272 000 tokens) montent à 20 et 75 dollars, et un « Fast mode » double le tarif pour un débit accru. Un test de cache de prompt montre l'intérêt de réutiliser un contexte : un appel « chaud » de 22 500 tokens revient 91,9 % moins cher que le premier.

La facture dépend surtout du palier d'effort de raisonnement. Sur une même question de débogage, passer de low à max fait grimper le coût de la requête de 0,03 à 0,30 dollar et la latence de 12 à 105 secondes, pour un raisonnement qui gonfle de 213 à 5 684 tokens.

Nuage connecté du coût contre la latence de GPT-6 Astra par palier d'effort de raisonnement : de « low » (0,03 dollar, 12 secondes) à « max » (0,30 dollar, 105 secondes), le coût est multiplié par 10 et la latence par 8.

La comparaison avec la gamme précédente resitue Astra dans son couloir de prix. Sur la même tâche de débogage à effort élevé, il met 75,5 secondes et coûte 0,19 dollar, quand Sol répond en 39,3 secondes pour 0,048 dollar, Terra en 15,8 secondes pour 0,016 dollar et Luna, la variante d'entrée, pour 0,003 dollar. Astra vise donc les tâches où un gain de fiabilité justifie un coût unitaire quatre à cinquante fois supérieur, dans la lignée du pari agentique de Codex : le débogage complexe, la migration de code, les incidents de production. Sur SRE-Bench, OpenAI revendique 99,2 % de réussite en quatre essais, contre 68,7 % pour Sol, avec environ un quart des tokens.

L'alignement progresse, la lisibilité recule

Le volet sécurité de la fiche de déploiement porte la double lecture annoncée par Pachocki. Sur la robustesse aux injections de prompt indirectes, mesurée par l'IPI Arena de Gray Swan sur 1 810 attaques, le taux de réussite des attaques tombe à 8,5 %, contre 27,0 % pour Sol. Sur des injections directes, la robustesse mesurée en interne atteint 99,79 %, contre 96,23 %. En environnement de travail simulé, le taux de comportements désalignés passe de 18,8 % pour Sol à 3,4 % pour Astra.

Le revers concerne la surveillance du raisonnement. Astra présente une baisse marquée de « monitorabilité » de sa chaîne de pensée par rapport à Sol : la capacité à agir sans raisonnement explicite s'étend d'un ordre de grandeur, l'horizon de tâche « sans chaîne de pensée » passant de 3,6 à 30,9 minutes selon l'institut britannique AISI. Le modèle contrôle mieux sa propre chaîne de pensée (93 % contre 48 %), au point que ses résumés de raisonnement manquaient jusqu'à 80 % du contenu sur de longues trajectoires cyber simulées. Le modèle verbalise aussi plus souvent qu'il se sait évalué, dans 41,1 % des cas à raisonnement élevé, contre 27,7 % pour GPT-5.5, ce qui complique l'interprétation des tests.

En trafic réel, l'écart penche toutefois du bon côté. OpenAI a rejoué 54 218 tâches issues de son propre trafic Codex : Astra y a déclenché 34 alertes de sévérité 3 ou plus, soit 0,063 % des tâches, contre 73 pour Sol, soit 0,135 %, une baisse de 53 % des signalements les plus graves. Sur les communications entre agents, banc où un modèle peut chercher à contacter d'autres agents pour contourner une contrainte, Astra suit les instructions d'un agent externe dans 0 % des cas testés, contre 52 % pour Sol.

Ces mesures ont fait réagir la communauté de la sécurité. Le chercheur Neel Nanda a résumé l'enjeu : « La monitorabilité de la chaîne de pensée est l'un des meilleurs outils de sécurité dont nous disposons aujourd'hui, et la perdre serait une tragédie majeure. » Pour une équipe qui déploie Astra sur des tâches sensibles, le gain d'alignement et la perte de lisibilité du raisonnement s'évaluent conjointement, chiffres à l'appui plutôt que sur la seule promesse de l'annonce.

Jeu · Quiz

Avez-vous bien lu ?

Deux questions avant de refermer l'article — et d'autres jeux dans le grand quiz de la semaine IA.

  1. Sur ARC-AGI-3, Astra obtient 62,7 % avec un harnais « standard » mais 99,9 % avec un harnais « provider adapter ». D'où vient cet écart de 37 points ?

  2. Le taux d'hallucination rapporté par OpenAI pour Astra tombe à 4,2 %. Contre quel taux pour Sol, le modèle précédent ?

Note méthodologique

Cet article porte sur GPT-6 Astra tel qu'annoncé le 3 septembre 2026 et documenté jusqu'au 5 septembre. Les chiffres proviennent de la fiche produit et de la fiche de déploiement d'OpenAI, des mesures publiées par ARC Prize, Artificial Analysis et l'institut AISI, et de reprises de presse spécialisée.

Trois réserves valent d'être gardées à l'esprit. D'abord, la plupart des scores « maison » sont auto-rapportés par OpenAI et n'ont pas fait l'objet d'un audit externe complet ; les bancs de production sont, de l'aveu de la firme, construits sur des cas difficiles et ne reflètent pas le trafic moyen. Ensuite, le score à ARC-AGI-3 dépend du harnais d'exécution, ce qui rend les comparaisons directes avec d'autres modèles hasardeuses hors d'un même dispositif. Enfin, les évaluations de sécurité sont conduites en environnement simulé : un modèle qui sait, dans 41 % des cas, qu'il est testé peut se comporter autrement en production.

GDPval, le banc de valeur économique d'OpenAI, n'a pas été publié avec le modèle ; c'est le chiffre qui manque pour trancher entre l'annonce d'une « ère de l'AGI » et la quasi-stagnation mesurée par Artificial Analysis.

Sources