Avec Astra, la boîte noire d’OpenAI devient encore plus noire

GPT-6 Astra est le premier modèle phare d’OpenAI de la génération GPT-6, et le premier modèle que l’entreprise a classé au niveau « critique » pour la cybersécurité dans le cadre de son Preparedness Framework, le dispositif interne d’OpenAI conçu pour repérer les capacités des modèles de frontière susceptibles de créer des risques de dégâts graves.

OpenAI a retardé son déploiement à grande échelle afin de renforcer les mécanismes d’isolation, de surveillance et d’alignement.

• Greg Brockman, président et cofondateur d’OpenAI, estime que GPT-5.6 Astra représentait un « saut générationnel » susceptible de marquer l’entrée dans l’ère de l’AGI ¹ : « l’intelligence artificielle générale », soit une IA capable de penser et d’agir comme un humain.
• En juillet, Sam Altman avait déjà affirmé que nous entrions « dans l’ère de la singularité » ². Mark Chen, directeur de la recherche d’OpenAI, estime quant à lui que le laboratoire a déjà parcouru environ 80 % du chemin vers l’AGI ³.
• La définition de l’AGI varie selon les laboratoires de frontière. Pour OpenAI, le terme désigne des systèmes hautement autonomes qui surpassent les humains dans la plupart des tâches.

GPT-5.6 Astra représente le plus grand pré-entraînement d’OpenAI, réalisé sur plus de 100 000 processeurs graphiques (GPU) de génération B200 sur son site Stargate, au Texas, selon Aidan Clark VP Research, soit de l’ordre de 200 à 250 MW de de puissance IT. Cela équivaut à un entraînement de l’ordre d’un milliard de dollars ⁴. À titre de comparaison, à l’exception d’Alibaba et de ByteDance, les principaux laboratoires chinois disposeraient d’environ 100–200 MW de puissance de calcul au total chacun, qui doit être répartie entre l’inférence, la recherche et l’entraînement des modèles.

• Le prix de GPT-5.6 Astra est similaire à Fable 5 : 10 dollars par million de tokens en entrée et 50 dollars par million en sortie, soit 2,5 fois les tarifs nominaux de GPT-5.6 Sol. 
• Sur les tâches fortement agentiques, GPT-5.6 Astra pourrait être sensiblement plus coûteux que Fable 5.1 principalement en raison du prix des tokens relus depuis le cache (1 dollar par million de tokens pour GPT-5.6 Astra, contre 0,25 dollar pour Fable 5.1) ⁵.

Architecture

Un article de The Information non confirmé par OpenAI publié avant la sortie de GPT-6 Astra indiquait que l’architecture du modèle aurait recours à la « profondeur récurrente » (« recurrent depth »), une forme de « transformeur à boucles » (« looped transformer ») dans laquelle certains blocs du modèle sont réutilisés plusieurs fois afin d’accroître sa profondeur effective, sans pour autant augmenter proportionnellement le nombre de paramètres ⁶.

L’idée de réutiliser les mêmes couches d’un Transformer à plusieurs profondeurs est apparue dès 2018 ⁷.

• L’intérêt d’une architecture à recurrent depth est de dépenser davantage de calcul sans augmenter dans les mêmes proportions le nombre de paramètres.
• À l’entraînement, cela augmente les FLOPs effectués par paramètre – soit les opérations en virgule flottante par seconde, une unité qui sert à mesurer la puissance de calcul d’un processeur –, et réduit donc les besoins en communication entre accélérateurs.
• Cette technique est particulièrement avantageuse à très grande échelle, où la mémoire et les interconnexions deviennent souvent plus contraignantes que les FLOPs eux-mêmes.
• Une étude de lois d’échelle de Tsinghua et ByteDance Seed (Wang et al., 2026) ⁸ suggère ainsi que les looped transformers sont plus efficaces en calcul au pré-entraînement, avec les gains les plus marqués sur le code.

À l’inférence, le même principe permettrait à GPT-5.6 Astra d’effectuer davantage de calcul par token sans doubler l’empreinte mémoire de ses poids. Normalement, un modèle deux fois plus gros demande environ deux fois plus de HBM pour héberger ses poids, donc davantage de GPU par copie du modèle.

• Les résultats de l’article de Geiping et al. ⁹ sur la recurrent depth suggèrent que ce type de modèle progresse particulièrement sur les tâches difficiles de raisonnement, tandis qu’un simple doublement du nombre de paramètres achète davantage de capacité à stocker des connaissances.
• La recurrent depth peut également permettre d’augmenter le nombre de requêtes traitées simultanément pour un modèle servi à très grande échelle, et donc améliorer le débit à l’inférence en améliorant le taux d’utilisation des GPUs.

La monitorabilité recule avec GPT-6 Astra

Jakub Pachocki, directeur scientifique d’OpenAI, a décrit la profondeur computationnelle du modèle comme étant 2 fois supérieure à celle de GPT-4, ce qui tend à dire que GPT-5.6 Astra ne contient pas un grand nombre de récurrence. Ceci est particulièrement important pour la monitorabilité du modèle.

• Pachocki a apporté cette précision dans un contexte de préoccupations sur les effets de cette architecture portant sur la monitorabilité de la chaîne de pensée.
• Certains chercheurs ont ainsi souligné que plus un modèle effectue de calcul interne entre deux tokens générés, plus une partie de son raisonnement risque d’échapper à l’observation du CoT – les tokens intermédiaires de raisonnement du modèle.
• Ces chaînes de pensées verbalisées constituent un des principaux moyens pour détecter des stratégies d’évasion ou des objectifs indésirables avant qu’ils ne se traduisent en actions.

I want to prevent a race into unmonitorability kicked off by confused reporting. The depth of the computation graph for our present frontier models, including Astra, is within a factor of two of GPT-4.

OpenAI has worked to preserve and utilize chain-of-thought monitoring since…

— Jakub Pachocki (@merettm) September 2, 2026

Que l’architecture en soit la cause ou non, la régression de monitorabilité documenté dans le system card de GPT-6 Astra accompagne la progression des capacités du modèle. GPT-5.6 Astra est plus capable que ses prédécesseurs de résoudre des problèmes difficiles sans avoir besoin d’externaliser son raisonnement sous forme de chaîne de pensée.

• GPT-5.6 Astra produit des chaînes de pensée plus courtes et moins informatives en moyenne que GPT-5.6 Sol.
• L’AISI (AI Safety Institute) a mesuré l’horizon temporel de résolution sans CoT de GPT-5.6 Astra sur des problème de mathématiques : il correspond à la durée de travail qu’un humain (ici un participant à des compétitions de mathématique de très haut niveau) mettrait à résoudre les problèmes que le modèle réussit dans 50 % des cas, lorsqu’on lui interdit de produire un raisonnement intermédiaire observable.

GPT-5.6 Astra atteint ainsi 30,9 minutes de temps humain, contre 3,6 minutes pour GPT-5.6 Sol ¹⁰.

• Autrement dit, GPT-5.6 Astra peut donner directement la bonne réponse à des problèmes qui demanderaient environ une demi-heure de travail à un expert humain, sans verbaliser les étapes de raisonnement qui l’y conduisent.
• GPT-5.6 Astra est également plus capable de contrôler le contenu de sa chaîne de pensée. Un modèle qui peut choisir ce qu’il verbalise peut produire un CoT qui ne reflète pas la stratégie qu’il poursuit.

Astra is much better than previous models at accomplishing difficult tasks without needing to use CoT. @AISecurityInst estimates that without CoT it can accomplish tasks that would take a human 30 minutes. This is a significant jump compared to previous models, which is… pic.twitter.com/3k9AzdYS50

— Tomek Korbak (@tomekkorbak) September 3, 2026

• Ce phénomène a déjà été observé lors d’un audit détaillé dans le system card de Mythos 5 ¹¹ : après le blocage d’un accès à une URL pourtant interdit par son system prompt, le modèle a fragmenté l’URL pour contourner le filtre, tout en présentant dans sa chaîne de pensée visible l’action comme un simple test de connectivité.
• Des méthodes d’interprétabilité appliquées aux activations ont fait apparaître explicitement une stratégie de contournement du filtre.

Benchmarks et évaluation à la frontière

Science et raisonnement 

GPT-6 Astra atteint un ECI (Epoch Capabilities Index) de 169 : un saut substantiel, mais qu’Epoch AI situe à l’intérieur de l’intervalle d’incertitude de la tendance observée depuis l’ère des modèles de raisonnement. L’ECI agrège des benchmarks de mathématiques, code, sciences et tâches agentiques sur une même échelle de difficulté, ce qui permet de comparer des modèles même lorsqu’ils n’ont pas passé exactement les mêmes évaluations.

• Sur FrontierMath Tier 4, GPT-5.6 Astra obtient 97,6 % contre 83 % pour GPT-5.6 Sol et 87,8 % pour Fable 5.1.
• Ce Tier 4 contient 43 problèmes originaux de niveau recherche, élaborés et vérifiés par des mathématiciens professionnels ; certains sont conçus comme de petits projets de recherche susceptibles de demander plusieurs heures, voire davantage, à un spécialiste du domaine.
• Sur des problèmes de recherche ouverts, GPT-5.6 Astra résout 2 des 68 problèmes de FrontierMath Erdos, alors qu’aucun modèle n’avait réussi à en résoudre un auparavant ¹².

GPT-5.6 Astra a amélioré un résultat en théorie des nombres en montrant qu’il existe une infinité de paires de nombres premiers consécutifs séparées par au plus 186. La preuve a été formalisée dans Lean, donc vérifiée automatiquement, étape par étape, par un assistant de preuve ¹³.

• GPT-5.6 Astra sature ARC-AGI-3, troisième génération d’un benchmark de raisonnement lancé en mars 2026, conçu pour tester l’adaptation à des tâches nouvelles et rester difficile malgré le passage à l’échelle des modèles.
• Sur FrontierCode 1.1, le benchmark privé de Cognition composé de tâches de développement logiciel réelles, GPT-5.6 Astra est mesuré au niveau de Fable 5 mais avec coût moyen par tâche inférieur de 64 %.

Cyber 

Sur les tests « honeypot » (« pot de miel »), inspirés de l’incident Hugging Face, OpenAI reprend les tâches les plus difficiles – parfois impossibles – d’ExploitGym et observe si le modèle tente de compromettre l’infrastructure de sécurité environnante plutôt que de résoudre la tâche.

• Sans safeguards de production, GPT-5.6 Sol tente ce raccourci dans 56 % des cas, et GPT-6 Astra 0 %, ce qui illustre un meilleur alignement de GPT-6 Astra par rapport à ses prédécesseurs.
• Dans un test interne évaluant les capacités d’exploitation de vulnérabilités cyber développées pour contrôler le risque de contamination sur le benchmark public ExploitBench saturé par GPT-5.6 Astra, le modèle atteint 39,0 % contre 11,5 % pour GPT-5.6 Sol et découvre au cours des évaluations deux vulnérabilités auparavant inconnues.

Travail agentique et automatisation du travail professionnel

Avec GPT-5.6 Astra, OpenAI cherche à se rapprocher d’un « travailleur numérique » capable de passer d’un navigateur à du code puis à un logiciel professionnel au cours d’une même tâche.

• Cette progression apparaît notamment sur AutomationBench, qui évalue l’exécution de workflows professionnels multi-étapes : GPT-5.6 Astra réussit 41,4 % des tâches, contre 18,1 % pour GPT-5.6 Sol.
• Sur OSWorld 2.0, qui demande au modèle de manipuler directement un environnement informatique et ses applications, GPT-5.6 Astra atteint 72,6 % contre 65,7 % pour Sol, tout en réalisant les tâches en environ 40 minutes en moyenne, contre 75 minutes pour son prédécesseur.