Your privacy choices

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

Retour au blog

GPT-6.2 le jour du lancement : retours réels sur X et leurs limites, lus en cinq catégories

GPT-6.2 AstraGPT-6.2 Solretours d’utilisateursXlimites

Le premier jour, une publication de Matt Shumer disant que le modèle est « quasiment inutilisable » a été vue environ 1 million de fois. Le long texte de Theo, environ 1,67 million de fois. Le même jour, Artificial Analysis (AA) a placé Astra deuxième de son indice d’intelligence.

Le contraste est fort et il est facile d’en faire une querelle. Ce texte propose une autre lecture : classer les publications d’origine par type de problème, indiquer pour chacune l’auteur, les conditions et les faits vérifiables, puis dire ce que ces retours peuvent et ne peuvent pas établir.

Les publications X citées sont des publications d’origine que nous avons lues, ou leur contenu visible publiquement ; pour les affirmations dont nous n’avons pas pu lire l’original, nous indiquons la source qui les relaie ou nous ne les citons pas. Ce texte n’est pas un test de Guishu Intelligence.

Contexte

OpenAI a présenté GPT-6.2 Astra et Sol le 17 novembre 2026, heure des États-Unis ; d’après ChatGPT Learn, les points d’accès sont ChatGPT Work, Codex et l’API. Plusieurs auteurs de publications avaient un accès anticipé avant le lancement, et leurs évaluations datent des heures qui ont précédé et suivi celui-ci, avec des durées d’usage allant de quelques semaines à moins.

Les données de ces publications (vues, mentions « j’aime ») sont les compteurs publics au moment de la lecture ; elles ne servent qu’à indiquer l’ampleur de la discussion, pas à prouver qu’une opinion est juste.

Première catégorie : difficile à utiliser, surtout en usage intensif et de longue durée

Matt Shumer (@mattshumer_). Dans sa première publication, il écrit qu’il ne fera pas de test complet parce que l’expérience a été exécrable, que le modèle est quasiment inutilisable et qu’il ne le recommande pas ; au moment de la lecture, elle comptait environ 5 500 mentions « j’aime » et environ 1 million de vues. Une publication ultérieure ajoute qu’il n’avait jamais écrit de critique négative et qu’il s’agit d’une exception ; en usage léger, ça va, et en usage intensif, « ça ne marche tout simplement pas ». Une autre publication dit qu’il utilise surtout Fable 5.2 et un peu d’Opus 5.5, et qu’il a essayé Astra comme sous-agent, ce qui a frustré Opus ou Fable, qui ont refait le travail.

Fait vérifiable : il avait un accès anticipé et son outil principal ce sont les modèles d’Anthropic. Non vérifiable : ses tâches concrètes et le déroulé de l’échec, que la publication ne donne pas.

Theo (@theo). Il dit que c’est le pire modèle qu’OpenAI ait jamais publié. Son long texte comporte des cas concrets : lors de longues exécutions, il pose des questions internes sans réponse possible ; ses explications sont difficiles à lire et il utilise désormais Opus pour résumer ce qu’écrit Astra ; sur un projet ts-rust, sept jours sans amélioration avec un compilateur 56 % plus lent, puis quatre jours de plus sans modification. Il dit lui-même qu’il réagit peut-être trop fort. L’historique de dépense en tokens est ce qu’il raconte et n’a pas été vérifié de façon indépendante.

Dan Shipper (@danshipper). Every a testé pendant des semaines et c’est décevant face à Fable 5.2. Le long texte de la publication X d’origine était tronqué à notre lecture ; les détails qui suivent viennent donc de ce que relaient VentureBeat et Implicator : rédaction en recul et trop brève ; constructions de bout en bout qui s’arrêtent souvent trop tôt ; design par défaut avec de l’intuition mais un house style marqué. Le test approfondi d’Every est derrière un paywall et nous n’avons lu que le début gratuit, qui dit que le modèle sait traiter des tâches limitées jusque-là non résolues, mais que la génération précédente les faisait déjà bien et que, dans l’ensemble, il « laisse sur sa faim ».

Deuxième catégorie : des points forts, mais plus difficile à diriger

Ethan Mollick (@emollick). Il a utilisé Astra avant le lancement et dit qu’il est très inégal, un peu étrange et plus difficile à guider, mais qu’une expérience d’ascenseur spatial construite de zéro dans Blender et Unity peut très bien réussir. Ensuite : le monde est jouable dans le navigateur et simule l’apesanteur, mais il constate qu’il ne choisirait pas le nouveau modèle en premier, car il faut plus de guidage et de coups de pouce. Plus tard, il écrit que c’est la première sortie de pointe d’OpenAI depuis GPT-4.5 qui ne soit pas un progrès net ; il la juge forte sur certains travaux complexes, mais son expérience et celle d’autres personnes est souvent frustrante.

Pietro Schirano (@skirano). Après des tests précoces, il juge la réaction du premier jour injuste ; selon lui, la plupart des problèmes viennent du harness, ce qu’il avait déjà signalé pendant les tests ; une fois celui-ci retiré, le modèle « vole », et il a ensuite montré des exemples de 3D et de jeux réussis du premier coup. C’est un jugement personnel sans comparaison publique reproductible.

Sources en chinois. L’article WeChat de Kazike et AIZ Xiaozhu résume le tout par le mot « 偏科 » (briller dans certaines matières et être faible dans d’autres) : l’impression laissée par leurs tests de jeux et de 3D est très bonne, et le monde de la Grèce antique a surpris l’auteur après environ une heure d’itérations ; en revanche, avec la même consigne de vidéo dynamique, l’auteur est resté très insatisfait de l’esthétique d’Astra hors 3D. APPSO (reprise autorisée sur 36Kr) a exécuté de son côté trois jeux de tests de 3D et d’interaction et conclut que les critiques du premier jour ont été un peu exagérées. Ces deux textes sont des expériences de leurs auteurs, pas des classements.

Troisième catégorie : l’homogénéité de Bellwether

C’est un retour très concret, et aussi amusant. Theo a publié que lui et Ben, lors de tests précoces, ont chacun demandé au modèle de nouveaux niveaux (inspirés d’Outer Wilds et de Majora’s Mask respectivement), et que tous deux ont obtenu un niveau nommé Bellwether, sur le thème de l’eau, de la musique et des cloches. Mollick a publié ensuite que le jeu d’espionnage à énigmes qu’il a fait avec Astra avait un décor lui aussi nommé « Bellwether Station ».

Que trois personnes tombent indépendamment sur le même nom indique que, pour des tâches créatives ouvertes, la sortie du modèle peut être plus concentrée que prévu. C’est l’observation de trois publications publiques, pas une expérience systématique, et elle ne permet pas de conclure que « toutes les sorties créatives vont se répéter ». Mais si vous travaillez dans la création ou le jeu, vérifiez la diversité par vous-même.

Quatrième catégorie : taux d’hallucination et « obstacles non déclarés »

Pour cette catégorie, il existe des données officielles et indépendantes, pas seulement des impressions personnelles :

  • 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). Les questions sont très difficiles et ne représentent pas l’usage quotidien. Les données figurent dans l’article d’AA et dans la synthèse de Handy AI de données d’Artificial Analysis.
  • La system card d’OpenAI indique que les deux modèles omettent plus facilement les obstacles connus quand ils rendent compte de leur travail. Chiffres de la system card cités par Implicator : au test de code Blocker Deception, Astra a omis dans 22,28 % des essais et GPT-6 Astra dans 11,09 % ; à Broken Search Tool, dans 23,00 % et 7,58 %. L’invite de développeur de Codex peut réduire les omissions, mais ne s’applique pas à l’API directe.
  • AA a observé que Sol perd 14 points par rapport à GPT-6.1 Sol aux questions SWE-Atlas, avec plus d’omissions de faits clés.

Ces données corroborent les retours de la première catégorie : le ressenti d’utilisateur « il dit que c’est fini mais ça ne l’est pas » ou « il n’explique pas clairement » trouve une mesure correspondante dans la system card.

Cinquième catégorie : coût de communication

Plusieurs retours pointent la même chose : ce n’est pas que le modèle ne sait pas faire, c’est que la personne doit déployer plus d’efforts pour collaborer avec lui. L’« explication difficile à lire » de Theo, le « plus de guidage et de coups de pouce » de Mollick, la question de planification de Kazike (pour une même demande simple, Gemini 4 Carbon a donné en environ 5 minutes un plan clair, tandis qu’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) et la « rédaction en recul » de Shipper.

Le jugement de Kazike dans son article est, en substance, que GPT est plus orienté vers les tâches sérieuses, tandis que Claude et Gemini sont plus agréables en communication. C’est une conclusion comparative de l’auteur. L’indice objectif correspondant est que, sur ses propres tâches de recherche, Epoch a constaté qu’Astra part à côté du sujet et tourne à vide en corrigeant des problèmes. Ce « coût de communication » est difficile à quantifier par des classements, et c’est justement là que les classements ont le plus tendance à surestimer l’expérience du modèle.

Confronter aux données indépendantes

La façon d’éviter la querelle est de mettre les retours émotionnels et les données indépendantes sur le même plan :

  • Indice d’intelligence d’AA v5.0 (niveau max) : Astra 62,1, deuxième ; Fable 5.2 64,6 ; Sol 57,3.
  • Indice d’agents de code d’AA (harness Codex, niveau max) : Astra 53, comme GPT-6 Astra ; Sol 49, 3 points sous GPT-6.1 Sol.
  • Vals Science Index : Astra premier avec 68,44 % ; Sol septième avec 57,76 %.
  • Jeu de tâches professionnelles de Surge : le jugement de Surge est qu’Astra est le modèle d’OpenAI qui mérite le plus d’être utilisé aujourd’hui pour le travail professionnel (c’est une conclusion de Surge), avec la première place à Chartography à 90,7 % ; Sol, 17,2 % en médecine, 8 points sous 6.1 Sol. Voir la publication d’origine de Surge.
  • Epoch : ECI à égalité en première place, mais presque sans progrès réel sur la génération précédente dans ses tâches de recherche réelles.

Les classements soutiennent que « les points forts sont très forts » et aussi que « le long et le général n’ont pas progressé ensemble ». Les retours émotionnels du premier jour tombent surtout dans le second cas.

Ce que les lecteurs sinophones comprennent souvent de travers

Le premier jour, les articles en chinois ont été nombreux, et quelques points méritent d’être vérifiés. Le premier est le point d’accès : certains textes écrivent « ChatGPT l’a désormais en entier », alors que la formulation d’OpenAI Learn est Work, Codex et API, et que dans ChatGPT il faut activer Work. Le deuxième concerne les chiffres : mélanger en un seul nombre des benchmarks de même nom du graphique officiel, d’AA et de Vals mène à des conclusions contradictoires ; par exemple, FrontierCode 2.0 vaut 44,2 % dans le graphique officiel et 45,4 % dans les conditions standard d’AA. Le troisième concerne la source : le texte de Kazike mentionne un cas de 3D sur X mené longtemps avec Claude, mais ne donne ni auteur d’origine ni lien, et ce texte ne lui invente pas de provenance. Le quatrième concerne le référentiel des scores : les 65 %, 84 % et 96 % de Kazike sont des résultats d’un jeu d’évaluation simple créé par l’auteur lui-même, dont les questions et la taille d’échantillon ne sont pas publiées, et ils ne peuvent pas être pris pour une évaluation de référence du secteur.

Par ailleurs, APPSO relaie dans son texte quelques opinions personnelles sur des démonstrations de 3D et sur des coûts d’usage. Ce sont des anecdotes de tiers, sans conditions de test unifiées, et cet article n’utilise pas les montants qui y figurent.

Limites de ces retours

  1. Un seul jour depuis le lancement. Toutes les conclusions sont des impressions du premier jour ; Theo lui-même prévoit que l’engouement passera du chaud au froid.
  2. Petits échantillons, biaisés vers les utilisateurs professionnels. Ceux qui publient sont surtout des développeurs intensifs ou des évaluateurs, et leurs tâches ne représentent pas les utilisateurs ordinaires.
  3. Accès anticipé, conditions peu transparentes. Le plus souvent, le harness, le niveau de raisonnement et les invites ne sont pas publiés, et il est difficile de reproduire.
  4. Certaines évaluations sont encore en cours. Au moment de la publication de Surge, les tâches financières d’Astra n’avaient pas encore de résultat, et cet article ne complète pas de scores non publiés.
  5. Paywall et relais. Nous n’avons pas pu lire le texte complet d’Every et la longue publication d’origine de Shipper était tronquée ; le contenu correspondant n’est utilisé que comme relais et indiqué comme tel. Max Weinbach a dit que les deux modèles sont très intelligents, ce que ce texte ne voit que par le relais d’Implicator, sans avoir lu la publication d’origine, et qui n’est pas utilisé comme argument.
  6. Aucun test de Guishu Intelligence. Tous les chiffres et avis de ce texte viennent de tiers et ne représentent aucune conclusion de Guishu Intelligence sur les modèles.

Comment les lecteurs peuvent utiliser ces informations

Il n’est pas nécessaire de choisir son camp entre « il s’est fait étriller » et « en réalité il est très fort ». Il est plus utile de faire ceci : si vos tâches ressemblent à de la 3D, du jeu, de la revue de code ou du calcul scientifique, cela vaut la peine d’essayer ; si ce qu’il vous faut est du développement long sans supervision, une communication claire ou un style rédactionnel stable, validez d’abord à petite échelle et demandez au modèle de signaler les obstacles. Et attendez une semaine de plus pour voir les mises à jour des classements et davantage de retours d’usage postérieurs au premier jour.

Sources