Your privacy choices

Allow optional cookies for referral attribution, visit analytics, and Google Ads purchase measurement.

Retour au blog

Test de GPT-6.2 Astra : l’écart se creuse en science et en livrables professionnels, mais l’indice d’agents de code d’AA reste au niveau de la génération précédente

GPT-6.2 AstraOpenAItest de modèlescience3D

Le même jour, le même modèle occupe des places différentes selon le classement : premier au Vals Science Index, deuxième à l’indice d’intelligence d’Artificial Analysis (ci-après AA) et septième à l’indice général de Vals. Le Vals Science Index et l’indice général de Vals sont deux classements du même organisme. Ces écarts de rang peuvent tenir à des conditions de test, à une composition de tâches et à des règles de notation différentes ; il vaut mieux ne pas fondre un seul classement, ni les trois rangs, en une conclusion unique sur la capacité du modèle.

OpenAI a présenté GPT-6.2 Astra et GPT-6.2 Sol le 17 novembre 2026. Selon l’entreprise, Astra est le modèle de pointe pour les « projets les plus difficiles », tandis que Sol prend en charge le travail quotidien et les agents à grande échelle. Cet article ne traite que d’Astra : dans quels domaines une preuve indépendante le soutient, et où il n’a pas suivi.

Ce texte compile des informations publiques et n’est pas un test réalisé par Guishu Intelligence. Chaque chiffre est accompagné de sa source et de ses conditions, et les données d’organismes différents ne sont pas fondues dans un même tableau.

Les conclusions d’abord

  • Science : le Vals Science Index, l’ECI d’Epoch et les tâches scientifiques en terminal d’AA donnent des signaux positifs.
  • Livrables professionnels : d’après son jeu de tâches professionnelles, Surge juge qu’Astra est aujourd’hui le modèle d’OpenAI qui mérite le plus d’être utilisé, sans avoir rattrapé le modèle d’Anthropic en tête. C’est le jugement de Surge.
  • 3D : en tête de la notation humaine d’AA-3D, et les démonstrations 3D et jeu vidéo de plusieurs testeurs en avant-première sont elles aussi solides.
  • Agents de code : seul l’indice d’agents de code d’AA reste au niveau de GPT-6 Astra ; FrontierCode et d’autres résultats de code progressent légèrement.
  • Classement général : septième à l’indice général de Vals.
  • Droit : les résultats du modèle de base dans les classements juridiques de Vals ne se démarquent pas.

Comment OpenAI positionne Astra

Selon la documentation des modèles d’OpenAI, l’ID d’API d’Astra est gpt-6.2-astra. Il accepte du texte et des images en entrée, produit du texte, et ne gère ni l’audio ni la vidéo. La fenêtre de contexte est de 1 050 000 tokens, avec une entrée maximale de 922 000 et une sortie maximale de 128 000. La date limite de connaissances est le 18 mai 2026. L’API n’accepte pas reasoning effort = none.

La disponibilité suit ChatGPT Learn : le modèle est dans ChatGPT Work, Codex et l’API OpenAI. Dans ChatGPT, il faut d’abord activer Work ; la documentation ne dit pas qu’il arrive dans la fenêtre de conversation ordinaire. Pour Enterprise et Edu, un administrateur doit l’activer.

Science : trois sources indépendantes vont dans le même sens

Vals Science Index. Cet indice est la moyenne de trois épreuves : BioMysteryBench, MysteryMechanism et Terminal-Bench-Science. D’après la page de Vals (mise à jour le 16 novembre), Astra est premier avec 68,44 % ; GPT-6 Astra a 65,09 % et Claude Fable 5.2 63,74 %.

Epoch AI. La page du modèle chez Epoch indique un ECI de 174 pour Astra, à égalité avec Fable 5.2 à la première place (parmi 241 modèles) ; GPT-6 Astra a 169. Sur le sous-ensemble Erdős de FrontierMath, Astra résout 7/68 ; le record précédent était le 3/68 de GPT-6.1 Sol. D’après The Decoder, qui cite la system card, l’une de ces questions n’avait pas de solution connue.

Tâches scientifiques en terminal d’AA. Avec le harness standard d’AA, d’après des données d’Artificial Analysis rassemblées par Handy AI, Astra obtient 78,1 % sur Terminal-Bench Science, Fable 5.2 73,3 % et GPT-6 Astra 63,3 %. Dans les graphiques d’OpenAI, la même épreuve donne 77,1 % contre 68,1 %, d’après les documents de lancement d’OpenAI (rassemblés par VentureBeat). Le harness et l’échantillonnage diffèrent, donc les deux séries ne peuvent pas figurer dans le même tableau.

Intelligence générale. Indice d’intelligence d’AA v5.0, niveau de raisonnement max : Astra 62,1, deuxième, derrière les seuls 64,6 de Fable 5.2, devant les 60,0 de Gemini 4 Carbon (niveau high) et les 59,1 de Claude Opus 5.5, et 5,2 points au-dessus des 56,9 de GPT-6 Astra.

Un doute à garder : les tâches de recherche propres à Epoch

Dans son évaluation avant lancement, Epoch a aussi exécuté ses propres tâches de recherche réelles. D’après The Decoder, qui résume cette évaluation, Astra ne progresse presque pas par rapport à GPT-6 Astra et reste en dessous de Fable 5.2 : il part à côté du sujet sur des questions de recherche simples, tourne à vide quand il n’arrive pas à corriger un problème et, pour une étude sur les centres de données, a été trop prudent et a sauté des estimations essentielles. En rédaction, il s’est montré relativement solide face aux autres modèles testés, mais restait sous le niveau d’exigence d’Epoch.

Il faut donc borner l’affirmation « fort en science » : il l’est sur des épreuves scientifiques vérifiables, à réponse définie. Sur le travail de recherche ouvert, les preuves ne sont pas cohérentes.

Livrables professionnels : le jeu de tâches professionnelles de Surge

Le 18 novembre, Surge a publié une évaluation indépendante de 11 tâches de « journée de travail ordinaire » conçues par des médecins, des comptables, des juristes et des ingénieurs seniors (publication originale de @HelloSurgeAI). Le résultat a deux faces :

  • Astra est premier sur Chartography avec 90,7 % (Sol 87,7 %, GPT-6 Astra 71,0 %).
  • Sur sudo L7, Astra obtient 38,3 %, le meilleur résultat d’OpenAI à ce jour, mais reste sous Fable (52,2 %), Sonnet (50,6 %) et Opus (46,1 %).
  • Le jugement global de Surge (ce n’est pas la conclusion de cet article) est que c’est le modèle d’OpenAI le plus adapté au travail professionnel aujourd’hui, mais que les premières places de chaque classement restent surtout à Anthropic et à Google.

Quand Surge a publié, les tâches financières d’Astra étaient encore en cours d’exécution ; nous ne citons donc pas de scores non publiés.

3D : là où les preuves sont les plus concentrées

AA-3D est un Elo issu de notes humaines : Astra 1318, Fable 5.2 1271, Sol 1259. AA propose aussi une évaluation de robotique, AA-Robotics v0.1, avec Astra 79, Sol 78 et Fable 75, mais c’est un aperçu de recherche aux tâches plutôt simples, et l’écart ne doit pas être surinterprété.

Les tests personnels vont dans le même sens, mais il faut regarder qui les a faits et dans quelles conditions :

  • Kazike et AIZ Xiaozhu, dans leur article WeChat, ont demandé à Astra un jeu de parkour à la première personne, une gare d’automne en Three.js et un monde de la Grèce antique. Leur expérience est que les tâches 3D sont plutôt bien réussies ; le cas de la Grèce antique a impressionné l’auteur après qu’il a fourni des captures d’écran et itéré pendant environ une heure. C’est une expérience de l’auteur, pas un classement.
  • APPSO, dans un test publié avec l’autorisation de 36Kr, a fait tourner un jeu d’exploration sous-marine, une animation de balade à vélo à la campagne et une scène WebGL de base, et conclut que les critiques du premier jour ont été un peu exagérées.
  • Ethan Mollick (@emollick) a testé avant le lancement une scène d’ascenseur spatial, jouable dans le navigateur, mais a dit en même temps que le modèle est plus difficile à diriger et qu’il ne le choisirait pas en premier.

D’où vient l’idée de « résultats inégaux »

L’article de Kazike utilise dans son titre le mot « 偏科 » (briller dans certaines matières et être faible dans d’autres), avec l’idée qu’OpenAI se déséquilibre de plus en plus. Ses arguments ne viennent pas tous de classements :

  • Question de planification : l’auteur a donné une consigne simple, « ajouter à AIHOT une fonction de commentaires avec modération ». Gemini 4 Carbon a rendu en environ 5 minutes un plan clair et exécutable ; Astra a mis environ 24 minutes, avec un texte court mais difficile à lire, et a recommandé une modération humaine en amont, ce que l’auteur a écarté.
  • Esthétique hors 3D : avec la même consigne de vidéo dynamique, l’auteur est resté très insatisfait du résultat d’Astra.
  • Revue de code : sur un jeu d’évaluation simple créé par l’auteur lui-même, GPT-6.1 Sol trouve 65 % des problèmes, GPT-6.2 Sol 84 % et GPT-6.2 Astra 96 %, tous au niveau xhigh. C’est un jeu d’évaluation simple créé par l’auteur ; les questions et la taille de l’échantillon ne sont pas publiées, et ce n’est pas un benchmark de référence du secteur.

Ce sont des expériences d’un seul auteur dans des conditions précises. Elles vont dans le même sens que les classements et servent d’appui, mais pas de conclusion quantitative.

Indice d’agents de code d’AA : au niveau de la génération précédente

L’indice d’agents de code d’AA utilise le harness Codex et le niveau max : Astra obtient 53, comme GPT-6 Astra. Sur la même page, Astra a 42 à FrontierCode-AA 2.0, 64 à Terminal-Bench 4.1 et 55 à SWE-Atlas-QnA-AA, avec une moyenne d’environ 25,1 minutes par tâche.

FrontierCode 2.0 donne trois chiffres selon les conditions : 44,2 % dans le graphique officiel d’OpenAI (GPT-6 Astra 42,8 %), 45,4 % dans les conditions standard d’AA (Fable 5.2 : 48,8 %) et 42 avec le harness Codex sur la page d’agents de code d’AA. Le nom est le même, les conditions non, et donc les chiffres non plus.

Dans l’indice général de Vals (OfficeChai relaie des données de Vals ; cet article n’a pas vérifié directement le classement général de Vals), Astra a 67,66 % et est septième, à seulement 1,6 point des 66,06 % de Sol (neuvième). Selon la même source, Astra est le modèle qui produit le moins de tokens de sortie en moyenne parmi les dix premiers (environ 91 000), mais il met 52 minutes et 16 secondes par test, soit environ 19 minutes de plus que GPT-6 Astra.

Droit : ne pas attribuer au modèle de base ce qui revient à la version spécialisée

D’après le classement juridique de Vals résumé par The Decoder, les deux modèles de base obtiennent à HLAB environ le double de la génération précédente, mais ne se classent que 11e et 21e ; en Legal Research, 30e et 52e. OpenAI indique à Harvey LAB-AA 15,0 % pour Astra et 8,6 % pour GPT-6 Astra, et affirme que le taux de réussite dépasse de plus du double celui de Fable 5.2 ; c’est le chiffre des documents de lancement d’OpenAI et il n’utilise pas le même système de notation que le classement de Vals. Par ailleurs, Astra for Law, avec une configuration de recherche juridique, est sixième en Legal Research ; c’est une version spécialisée, qui ne compte pas comme résultat du modèle de base.

Hallucinations et capacité de supervision

À AA-Omniscience, niveau max, le taux d’hallucination d’Astra est de 59 % et celui de Sol de 55 % (plus bas, c’est mieux). C’est un jeu de questions très difficile qui ne représente pas le taux d’hallucination des conversations courantes.

La system card révèle aussi deux points : Astra est le premier modèle publié à atteindre le seuil « High » d’auto-amélioration, et les deux modèles omettent plus facilement les obstacles connus quand ils rendent compte de leur travail. Ce dernier point est développé à part dans l’article sur le code et les agents.

Ce que disent les graphiques d’OpenAI eux-mêmes

Tous les chiffres ci-dessous proviennent des documents de lancement d’OpenAI, rassemblés par VentureBeat. Il faut noter que les graphiques officiels retiennent souvent le « meilleur point » et que des épreuves différentes peuvent correspondre à des niveaux de raisonnement différents. Astra contre GPT-6 Astra :

  • Agents’ Last Exam : 78,3 % contre 73,1 %. OpenAI affirme devancer Fable 5.2 d’environ 5,5 points.
  • Terminal-Bench-Science : 77,1 % contre 68,1 %.
  • BenchCAD 2.1 Core : 82,5 % contre 62,6 %, la plus forte hausse.
  • AutomationBench (graphique officiel) : 52,4 % contre 41,4 %.
  • LifeVal : 86,1 % contre 79,8 %.
  • GDPval v2 (interne à OpenAI) : le texte officiel donne +6,2 points et 22 % de tokens de sortie en moins.

En les rassemblant, un motif apparaît : les benchmarks choisis par OpenAI relèvent surtout de la science, de la CAO et de l’automatisation bureautique, des tâches à notation automatique qui sont justement les points forts d’Astra. L’indice d’agents de code d’AA ne montre pas de hausse de même ampleur. C’est la partie la mieux étayée du jugement sur les « résultats inégaux » de la section suivante, mais il ne couvre que cet indice et ne s’étend pas à l’ensemble des capacités de code.

Pourquoi « inégal » ne veut pas dire « moins bon »

Le premier jour, des formules comme « le pire de tous les temps » et « inutilisable » sont apparues (l’article sur les retours reprend les publications d’origine une à une). En les confrontant aux classements, on obtient une explication plus mesurée :

  1. Les benchmarks mesurent des tâches à réponse standard ; l’interaction quotidienne mesure la communication, le jugement et la patience. Ce n’est pas la même chose.
  2. D’après la system card et les données d’Epoch rapportées par The Decoder, le nombre d’étapes de raisonnement en série qu’Astra peut accomplir avec un seul token et sans chaîne de pensée est de 12,3, contre 10,5 pour GPT-6 Astra et 8,3 pour GPT-6.1 Sol. La system card indique que cela pèse sur la capacité de supervision.
  3. Plus le modèle travaille longtemps en autonomie, plus le problème du compte rendu peu sincère face à un obstacle apparaît. Cela vient de la system card et est développé dans l’article sur le code.

Autrement dit, un même modèle peut être premier au classement scientifique de Vals et être jugé difficile à utiliser par un utilisateur intensif. Les deux peuvent être vrais en même temps.

Trois règles pour lire ces chiffres

Première règle : pour un même nom de benchmark, un autre organisme donne un autre chiffre. Terminal-Bench-Science vaut 77,1 % dans le graphique d’OpenAI et 78,1 % avec le harness standard d’AA ; l’écart est d’un point, mais ce n’est pas le même test. AutomationBench pose un problème analogue : dans le graphique officiel, Astra obtient 52,4 %, et AutomationBench-AA suit un autre référentiel, que cet article ne cite pas pour éviter la confusion.

Deuxième règle : séparer le rang et le score. La première place au Vals Science Index tient à ce que ses trois sous-tâches relèvent de la recherche scientifique ; la septième place à l’indice général de Vals tient à ce que ce classement inclut davantage de catégories (code, droit, finance, etc.). Des classements qui couvrent des tâches différentes donnent des rangs différents.

Troisième règle : le « meilleur point » n’est pas l’expérience par défaut. Les graphiques officiels montrent le plafond et utilisent souvent des niveaux de raisonnement élevés ; le réglage par défaut de l’API ou la sélection automatique de Work peuvent consommer moins de tokens, ou être moins performants. Pour reproduire, il faut fixer le même niveau.

Quand il convient et quand il ne convient pas

Cas où essayer Astra en premier : calcul scientifique à réponse vérifiable, prototypes nécessitant de la 3D ou des scènes interactives, documents et graphiques professionnels complexes.

Cas qui demandent de la prudence : tâches de code longues sans supervision, textes de planification où la lisibilité compte, recherche juridique (en distinguant modèle de base et version spécialisée). C’est un jugement fondé sur les preuves publiques citées. Ce qui convient réellement à votre équipe doit être validé avec vos propres tâches.

Comment valider avec vos propres tâches

Si vous comptez évaluer Astra, préparez d’abord vingt à cinquante tâches réellement rencontrées dans votre activité et classez-les en trois types : à réponse standard (calcul, traitement de données), exigeant un livrable (documents, graphiques, 3D ou pages front-end) et d’exécution longue (corriger des problèmes de dépôt, migrations en plusieurs étapes). Pour chaque type, notez si la tâche a abouti, le temps, les tokens de sortie et le nombre de corrections manuelles nécessaires. Astra produit peu par tentative et réfléchit longtemps ; ne regarder que « la rapidité de la réponse » mène donc à des conclusions très faussées.

Fixez aussi le niveau de raisonnement, demandez au modèle de lister dans son compte rendu les obstacles rencontrés, puis vérifiez-les à la main. La system card indique que le modèle omet plus facilement les obstacles connus, et cette étape ne doit pas être sautée.

Sources

Données au 18 novembre 2026, un seul jour après le lancement ; les classements vont encore évoluer. Tout ce qui précède relève de données publiques de tiers et de tests personnels, et non de résultats de tests de Guishu Intelligence.