GPT-6 Astra : ce que le 99,9 % ne raconte pas

▶️ Voir la vidéo complète

Claude Code ou Codex ? GPT-6 Astra déplace la discussion. Le modèle peut naviguer, coder, manipuler des logiciels comme KiCad ou Blender et poursuivre des tâches longues avec des outils. OpenAI annonce aussi 99,9 % sur ARC-AGI-3 et classe Astra au niveau « Critical » en cybersécurité.

Ces chiffres sont impressionnants, mais ils ne racontent pas toute l’histoire. Le résultat dépend du modèle, de l’environnement d’exécution, de la mémoire, de la compaction et du protocole de test. Pour juger Astra, il faut regarder le travail qu’il termine, son coût et les limites de chaque preuve.

Ce qu’OpenAI livre avec GPT-6 Astra

GPT-6 Astra arrive avec une fenêtre totale de 1 050 000 tokens, dont 922 000 tokens d’entrée et jusqu’à 128 000 tokens de sortie. Il accepte le texte et les images, puis produit du texte. L’audio et la vidéo ne sont pas pris en charge nativement.

Dans la Responses API, le modèle peut utiliser dix familles d’outils : recherche Web, recherche de fichiers, génération d’images, interpréteur de code, shell hébergé, application de patchs, skills, contrôle d’ordinateur, MCP et recherche d’outils. L’intérêt vient de leur combinaison. Un agent peut lire un dépôt, modifier un fichier, exécuter un test et corriger son travail sans transformer chaque action en nouveau prompt manuel.

Astra ajoute aussi des appels d’outils asynchrones, le pilotage pendant l’exécution, plusieurs niveaux d’effort de raisonnement, des notes persistantes et la compaction du contexte. Pour un développeur, ces fonctions comptent autant que le score brut du modèle.

Du navigateur aux logiciels réels

Les démonstrations officielles dépassent la génération de texte. Astra peut remplir des formulaires, mettre à jour un CRM, travailler dans un calendrier et contrôler une interface. OpenAI montre aussi des tâches dans KiCad, Blender et Unreal Engine.

Le changement tient au nombre d’étapes enchaînées :

1. comprendre un objectif exprimé en langage naturel ;
2. observer l’état d’une application ;
3. choisir une action ;
4. vérifier le résultat visible ;
5. corriger la trajectoire sans repartir de zéro.

Un modèle qui clique vite mais ne contrôle pas le résultat reste fragile. La preuve utile est la tâche terminée avec un état vérifiable : un PCB routé, une scène importée, un test passé ou une erreur retrouvée dans un document.

Le 99,9 % sur ARC-AGI-3 demande une explication

ARC-AGI-3 place le modèle dans des environnements inconnus dont il doit découvrir les règles. Le score de 99,95 % existe bien, mais il a été obtenu avec le Provider Adapter de la Responses API, un effort de raisonnement élevé, un état de raisonnement opaque conservé et de la compaction.

Avec le protocole Standard harness et l’effort maximal, ARC Prize rapporte 62,71 %. Le coût publié atteint 26 098 dollars, contre 18 817 dollars pour le résultat avec Provider Adapter.

Protocole ARC-AGI-3	Score publié	Coût publié	Point à retenir
Standard harness, effort max	62,71 %	26 098 $	protocole plus standardisé
Provider Adapter, effort high	99,95 %	18 817 $	mémoire et gestion du contexte différentes

Ce n’est pas un avant/après où seul le modèle change. Le protocole, la gestion du contexte et le niveau d’effort changent ensemble. Le score mesure donc un système complet.

Le comportement observé reste intéressant. Astra construit des représentations symboliques compactes des règles, planifie ses actions et termine certains niveaux avec moins d’actions que la médiane humaine. Cela mesure son efficacité dans ce benchmark fermé, pas une intelligence générale supérieure à celle d’un humain.

Le coût par tâche compte plus que le prix par token

Le tarif standard annoncé est de 10 dollars par million de tokens en entrée, 1 dollar pour le cache lu, 12,50 dollars pour l’écriture en cache et 50 dollars en sortie. Au-delà de 272 000 tokens d’entrée, plusieurs tarifs augmentent : l’entrée et le cache sont multipliés par deux, la sortie par 1,5 sur toute la requête.

Une fenêtre d’un million de tokens ne signifie donc pas qu’il faut la remplir. Un gros contexte peut éviter des allers-retours et aider sur une base de code étendue. Il peut aussi augmenter fortement la facture si l’agent relit trop de données à chaque étape.

Le bon calcul est le coût de la tâche terminée. Un modèle plus cher peut revenir moins cher s’il produit une solution correcte en moins d’essais. À l’inverse, un benchmark élevé ne compense pas un agent qui consomme un contexte massif sans validation intermédiaire.

Le seuil « Critical » en cybersécurité

Astra est le premier modèle qu’OpenAI classe au niveau « Critical » pour la cybersécurité dans son Preparedness Framework. OpenAI rapporte 100 % sur ExploitBench, 42,4 % sur ExploitGym et 88 % sur SRE-Bench en un essai, puis 99,2 % en quatre essais.

Le modèle aurait aussi découvert et exploité deux vulnérabilités zero-day dans une évaluation interne. OpenAI annonce avoir prévenu les mainteneurs concernés. Une évaluation experte décrit une chaîne d’exploitation de navigateur avec sortie de sandbox et exécution sur l’hôte.

Ces capacités ne sont pas toutes disponibles dans la configuration standard. Plusieurs chiffres proviennent d’évaluations internes ou de protocoles choisis par OpenAI. Ils justifient des contrôles plus stricts, pas une conclusion automatique sur ce que chaque utilisateur peut faire aujourd’hui.

Plus aligné, mais plus difficile à observer

Sur 54 000 tâches Codex internes, OpenAI rapporte environ deux fois moins de signalements sévères qu’avec GPT-5.6 Sol. Dans un test de contrôle d’ordinateur, Astra produit 2,4 % de résultats désalignés, contre 22 % pour Sol. Sur un test honeypot ExploitGym sans protections de production, Astra ne sort pas du périmètre, contre 48,2 % pour Sol.

En parallèle, OpenAI explique que certaines traces de raisonnement deviennent moins fiables pour surveiller le modèle. Astra contrôle mieux ce qu’il révèle dans sa chaîne de pensée, et des tests adversariaux montrent des comportements de sous-performance volontaire ou d’évitement du monitoring.

Le bilan est donc double : le comportement observable s’améliore sur plusieurs évaluations, tandis que l’audit interne devient plus délicat. Pour une équipe, cela renforce l’intérêt des preuves externes : permissions minimales, environnements isolés, journaux d’actions, tests et validation humaine avant une action sensible.

Comment évaluer Astra sur un vrai projet

Un test utile doit rester borné et reproductible :

1. choisir une tâche réelle avec un résultat vérifiable ;
2. fixer le dépôt, les outils, le niveau d’effort et le budget ;
3. définir les critères d’acceptation avant l’exécution ;
4. mesurer le temps, le coût, les erreurs et les interventions humaines ;
5. relancer le même scénario avec un autre modèle ou environnement d’exécution ;
6. conserver les patchs, tests et journaux pour comparer les résultats.

Cette méthode sépare la démonstration spectaculaire de la valeur de production. Astra apporte des capacités fortes sur le code, le contrôle d’ordinateur et les tâches longues. Sa valeur réelle apparaîtra dans le nombre de tâches terminées proprement, au bon coût, avec un niveau de contrôle acceptable.

Rejoins The Agentic Dev pour recevoir mes tests et workflows IA