GPT-5.6 : OpenAI dégaine des modèles moins chers que ceux d’Anthropic

Des performances intéressantes, mais attention à la « triche », prévient METR

Désormais, le cabinet Artificial Analysis peut afficher les résultats de ces parangonnages, face à Fable 5, lui aussi « libre ». Sur le mode d’effort réglé sur « max », GPT-5.6 Sol obtient un score de 59 sur 100 sur son Intelligence Index, un point derrière Fable 5 et son mécanisme de fallback (une « fusion » de Fable 5 et Opus 4.8). GPT-5.6 Terra obtient 55 points, comme GPT-5.5, tout juste derrière Opus 4.8 (56 points), tandis que Luna (51) se positionne juste devant GLM-5.2 et derrière Sonnet 5 (53). Dans ce mouchoir de poche, il faut compter un nouvel invité : Grok 4.5.

Les usagers voient tout de même la différence avec Fable 5, dont les réponses paraissent plus « intelligentes ».

OpenAI aurait renforcé les capacités de sa collection pour le développement logiciel (dont le front-end), le computer use, la recherche scientifique, « le travail intellectuel complexe » (des cols blancs) et la cybersécurité.

Les scores de l’ensemble des modèles sur le benchmark d’analyse des causes profondes des incidents sur Kubernetes (ITBenchAA) démontrent toutefois que tous les LLM ont encore du chemin à faire. GPT-5.6 Sol max obtient un résultat de 56 %, contre 40 % pour Claude Sonnet 4.6 et Luna dans la même configuration d’effort.

En attendant, OpenAI assure que GPT-5.6 Sol est son « meilleur modèle de programmation ». Artificial Analysis le conforte dans cette déclaration. Sur l’index « Coding Agent », le modèle atteint un score de 80, contre 77 pour GPT-5.6 Terra et Fable 5. Avec ses 75 points, GPT-5.6 Luna n’est pas très loin, à une unité d’écart de GPT-5.5 et Grok 4.5 (76 points). Lors de la préversion, le cabinet METR était plus critique.

« La mesure obtenue dépend fortement de notre capacité à détecter et à traiter les tentatives de tricherie du modèle. Or, le taux de tricherie détecté chez GPT-5.6 Sol était supérieur à celui de tous les modèles publics que nous avons évalués à l’aide de notre plateforme d’agents ReAct », avancent les chercheurs de METR. « Dans le cadre de notre suite de tâches, nous définissons la “tricherie” comme un comportement par lequel le modèle améliore ses performances d’évaluation en exploitant des bugs dans l’environnement d’évaluation ou en adoptant des stratégies interdites par la tâche, plutôt qu’en résolvant la tâche dans le respect des contraintes attendues ». 

« Nous pensons que ce comportement pourrait refléter une meilleure application des instructions et le renforcement de la persévérance lors de l’entraînement », commente OpenAI, dans la carte système du modèle. Cela « peut, dans certains cas, amener le LLM à continuer de mener à bien la tâche par des moyens qui sortent des contraintes prévues par le cadre d’évaluation ». Et d’affirmer que la récurrence de ce phénomène « demeure basse ». Aux développeurs, OpenAI recommande des ajustements de leur prompt afin d’éviter les mauvaises surprises.

Il faut de toute manière vérifier les tendances des parangonnages en condition réelle.

ChatGPT Work : OpenAI a son équivalent de Cowork

Les LLM affichent donc de nouveaux comportements, mais ont aussi le droit à fonctionnalités spécifiques via API. GPT-5.6 peut rédiger du JavaScript pour appeler les outils éligibles et gérer les flux de travail associés. Les outils sont exécutés dans un runtime managé par OpenAI. Cette fonctionnalité appelée Programmatic Tool Calling « est plus adapté pour des flux de travail bien délimités et faisant largement appel à des outils, qui ne nécessitent pas de décision nouvelle de la part du modèle entre chaque étape », précise le fournisseur dans sa documentation.

En bêta, le mode multiagent auparavant accessible depuis Codex est désormais accessible depuis l’API. L’interface de programmation permet par ailleurs de « persister le raisonnement », à savoir mettre en cache les tours de réflexion du modèle IA afin d’enrichir le contexte à sa disposition pour une tâche spécifique.

Par ailleurs, OpenAI lance sa solution sur le segment Cowork inventé par Anthropic. ChatGPT Work fournit peu ou prou les mêmes fonctions pour les abonnés Pro, Education et Enterprise. En revanche, le fournisseur s’inspire de Mistral Vibe de Mistral AI. ChatGPT Work rassemble ses applications de discussions, ses espaces de travail pour les cols blancs, et de programmation. L’application Codex ainsi devient un agent pour ChatGPT et sa déclinaison Work. Les développeurs peuvent encore utiliser la CLI.

Ce n’est pas le plus intéressant. OpenAI dit avoir fourni un effort sur la consommation de tokens. Parmi les LLM de pointe, GPT-5.6 Sol semble bon élève. GPT-5.6 Sol max termine l’examen en ayant consommé 70 millions de tokens, dont 63,4 millions dédiés au raisonnement.

Finance : Fable 5 et Sonnet 5 souffrent de la comparaison avec GPT-5.6

Pour appel, le très gourmand Claude Sonnet 5 a eu besoin de plus de 286,6 millions de tokens de raisonnement et 16,9 millions de tokens de résultats pour accomplir ces mêmes tests -304 millions au total. Mais il faut surtout le comparer à GPT-5.5 qui dans sa configuration xhigh consomme 72 millions de tokens, dont 67 millions de raisonnement.

Le gain semble surtout palpable sur les modes d’effort low (7 millions de tokens au total), medium (12 millions de tokens) et high (21 millions) où GPT-5.6 Sol est bien moins gourmand que la majorité de ses concurrents.

En revanche, GPT-5.6 Terra et Luna n’a pas le même comportement. Dans le mode d’effort maximum, Terra génère 96 millions de tokens et Luna 125 millions de tokens, plus de Claude Opus 4.8 et un peu moins que GLM 5.2.

Ces valeurs ne sont utiles que si l’on présente les prix des LLM. GPT-5.6 Sol est facturé 5 dollars pour 1 million de tokens en entrée et 30 dollars pour un volume équivalent en sortie. GPT-5.6 Terra coûte 2,5/15 dollars pour un million de token en entrée et en sortie, tandis que GPT-5.6 Luna ne revient qu’à 1 dollar pour 1 million de tokens en entrée, et à 6 dollars en sortie.

Du fait de ces tarifs plus doux que ceux de la concurrence, rapportés au coût à la tâche, les modèles GPT-5.6 offrent un meilleur rapport qualité-prix que ceux d’Anthropic. Quand Fable 5 réclame de dépenser 2,75 dollars par activité et Sonnet 5 1,53 dollars, GPT-5.6 Sol max coûte 1,04 dollar par tâche sur le parangonnage d’Artificial Analysis. Moins que Claude Sonnet 4.6 max. Terra, dans son mode d’effort max, revient à 0,55 dollar par tâche quand Luna revient à 0,21 dollar.

En revanche, d’autres LLM aux performances équivalentes sont potentiellement moins chers. GLM 5.2 Max affiche un coût de 0,37 dollar par tâche, contre 0,31 dollar pour Grok 4.5.

« Notons que Luna et Sol se situent toujours sur la frontière de Pareto, devant Terra », affirme Artificial Analysis. « Cela signifie que, pour tout niveau d’effort de Terra, il existe un niveau d’effort de Luna ou de Sol qui est plus efficace sans coût supplémentaire, ou tout autant à moindre coût ».

Néanmoins, le sujet de l’indisponibilité potentielle des modèles ou de la confidentialité des données soulevées le 26 juin dernier demeurent. OpenAI a décliné trois modes pour conserver le minimum de données de ses clients, mais l’entreprise reste soumise aux obligations légales américaines qui peuvent l’obliger à conserver le contenu et la télémétrie, à les communiquer aux autorités, voire à refuser l’accès à ses modèles.

Dès lors, pour les entreprises non américaines, la stratégie de déploiement la plus judicieuse semble le recours à différents modèles propriétaires et open weight sur des infrastructures étrangères, et souveraines ou locales pour les traitements les plus sensibles. Une approche qui nécessitera potentiellement des compromis budgétaires. Sans oublier la gouvernance IA pour orchestrer cette complexité.