GPT-6 Astra est-il l'AGI ? Pourquoi les benchmarks se contredisent

GPT-6 Astra n'est ni « prouvé AGI » par son 99,9, ni disqualifié par son 61. Quatre organismes donnent quatre lectures utiles : ARC Prize mesure l'apprentissage de règles inconnues, Epoch AI le place premier dans un indice global mais à seulement deux réussites sur 68 problèmes mathématiques de recherche, Vals AI le teste sur la migration de code, et Artificial Analysis le classe au niveau de Sol dans sa moyenne générale. OpenAI publie séparément un score de rétro-ingénierie sur un test conçu par Vals. Aucun n'est la source de vérité universelle.

Les quatre regards à lire avant de conclure

• Le 99,9 vient d'ARC-AGI-3 avec le banc d'essai Provider Adapter à effort élevé, qui conserve l'état de raisonnement d'Astra entre deux actions.
• Avec le banc d'essai Standard à effort maximal, identique pour tous les fournisseurs, Astra obtient 62,7. À effort maximal des deux côtés, Provider Adapter atteint 98,6 pour un coût inférieur.
• Epoch AI classe Astra premier sur 267 modèles avec un score ECI de 169 et un intervalle de confiance à 90 % allant de 165 à 174, mais son épreuve FrontierMath Erdős ne lui accorde que 3 %, soit deux problèmes résolus sur 68. Les autres modèles de tête testés restent à 0 %.
• Vals AI annonce 68 % sur Code Migration, dix points devant le deuxième modèle. OpenAI rapporte séparément 99,2 % en quatre tentatives sur SRE-Bench, un test conçu par Vals mais pas encore répliqué publiquement par celui-ci.
• Chez Artificial Analysis, Astra et GPT-5.6 Sol obtiennent tous deux 61 sur l'Intelligence Index, une note générale réunissant neuf familles de tests. Astra remonte à 67 sur l'indice de programmation, mais son coût par tâche générale reste estimé 75 % plus élevé que celui de Sol.
• ARC refuse d'appeler ce résultat une preuve d'AGI. Epoch montre que la performance globale peut coexister avec 97 % d'échecs sur des mathématiques de recherche. Greg Brockman défend donc une opinion personnelle, pas un consensus entre évaluateurs.

Un panel de mesures, pas un classement universel

Le piège de la capture partagée sur X tient dans le mot « classement ». Elle montre le classement d'un seul évaluateur, puis le transforme en verdict général. Or chaque organisme choisit une population de tâches, un logiciel autour du modèle, une règle de notation et un budget différents.

ARC-AGI-3 place un système dans des environnements abstraits au tour par tour. Il ne reçoit pas les règles ni le but détaillé. Il doit explorer, comprendre les effets de ses actions, former une représentation du monde, choisir un objectif et planifier. ARC Prize décrit officiellement ces quatre capacités : exploration, modélisation, définition du but, puis planification et exécution.

Ces résultats ne s'annulent pas. Dire qu'Astra « vaut 61 » en toute circonstance serait aussi trompeur que dire qu'il « vaut 99,9 » partout. Le premier chiffre est une agrégation choisie par Artificial Analysis. Le second est une réussite ciblée chez ARC avec un équipement précis.

ARC-AGI-3 : ce que mesure vraiment le 99,9

ARC Prize a créé ARC-AGI-3 pour observer l'apprentissage en cours de tâche. L'agent découvre des sortes de jeux abstraits, agit, voit les conséquences et construit peu à peu ses propres règles. Le test ne cherche pas seulement une bonne réponse finale. Il compte aussi le nombre d'actions nécessaires par rapport à des humains ayant terminé le même niveau.

Dans le rapport ARC Prize consacré à Astra, environ 500 personnes ont servi à établir la référence humaine. Pour chaque niveau, ARC retient le nombre médian d'actions parmi les personnes qui ont réussi. Avec Provider Adapter à effort maximal, Astra utilise moins d'actions que cette référence sur 96 % des niveaux résolus et 51,7 % d'actions en moins par niveau en moyenne. Cela soutient une affirmation bornée : sur ce test précis, Astra ne gagne pas seulement en essayant tout au hasard.

Le point décisif est ailleurs : ARC a fait tourner deux logiciels de pilotage différents autour du même modèle.

Le mode Standard fournit une interface minimale commune aux fournisseurs. Le modèle choisit ce qu'il conserve dans ses notes visibles. ARC Prize publie un résultat de 62,7 % pour un coût total de 26 098 dollars sur la partie semi-privée à effort maximal. Ce résultat répond à la question : comment les modèles se comparent-ils si chacun reçoit le même équipement de base ?

Provider Adapter conserve au contraire l'état de raisonnement opaque d'Astra entre les appels et compacte les longs échanges. Le modèle peut donc réutiliser son travail antérieur sans tout reconstruire dans une note visible. Son maximum publié est 99,9 % à effort élevé. Pour comparer les coûts à effort maximal des deux côtés, Provider Adapter atteint 98,6 % pour 17 332 dollars, contre 62,7 % et 26 098 dollars en Standard. ARC mesure aussi 49 % de tokens, les unités de texte traitées et facturées, en moins et un temps enregistré divisé par 3,66 sur les 167 couples jeu et niveau de raisonnement résolus par les deux configurations.

Le résultat semble paradoxal : le système enrichi réussit davantage tout en coûtant moins sur l'épreuve. Il ne s'agit pas d'un tarif inférieur. La mémoire évite surtout de repayer le même raisonnement à chaque étape. C'est une leçon d'architecture : un meilleur modèle mental conservé au bon endroit peut compter davantage qu'une longue réponse produite à chaque tour.

ARC maintient pourtant une limite nette :

« We are not claiming that it is AGI. », ARC Prize, 3 septembre 2026

Les environnements restent fermés, déterministes et dotés d'objectifs bornés. Ils ne reproduisent ni les ambiguïtés d'une entreprise, ni les conflits d'autorité, ni les informations contradictoires du monde réel. Le 99,9 prouve qu'une barre particulière vient d'être franchie. Il ne prouve pas que toutes les barres de l'intelligence humaine le sont.

Epoch AI : premier au global, deux réussites sur 68 problèmes d'Erdős

Epoch AI publie un verdict presque inverse de celui suggéré par la capture. Son ECI, un indice statistique qui rapproche plusieurs évaluations, attribue 169 à Astra avec un intervalle de confiance à 90 % allant de 165 à 174. Le modèle occupe ainsi le premier rang parmi 267 modèles répertoriés au 4 septembre. Sur cette mesure globale, Astra n'est donc pas « derrière Muse » : il est en tête.

Ce rang n'est pas une observation brute. La documentation ECI indique que l'indice ajuste un modèle statistique sur 60 benchmarks, c'est-à-dire 60 tests de référence, retient le meilleur résultat connu entre plusieurs réglages et mêle évaluations internes, classements externes et scores déclarés par les développeurs. Il couvre davantage de signaux que l'indice d'Artificial Analysis, au prix d'une transformation statistique plus forte. Epoch précise aussi que l'échelle est conventionnelle, avec GPT-5 fixé à 150.

Mais Epoch publie aussi un contrebenchmark, c'est-à-dire un test qui soumet le premier verdict à une autre épreuve, beaucoup plus dur. FrontierMath Erdős rassemble 68 problèmes mathématiques inédits proches de la recherche. Chaque modèle reçoit une seule tentative, jusqu'à 72 heures et 300 dollars par problème. Astra en résout deux, soit 3 %. Sol, GPT-5.5, Fable 5.1 et Fable 5 restent à 0 % dans ce protocole.

Les deux réussites d'Astra ne sont pas de petits exercices. Epoch indique qu'elles ont demandé respectivement environ 218 dollars sur 15 heures et 247 dollars sur 16 heures. Le score reste pourtant minuscule : 66 problèmes sur 68 résistent encore. Des essais supplémentaires ont permis d'obtenir davantage de solutions, mais Epoch les sépare du benchmark officiel, car la dépense a alors dépassé 220 000 dollars contre environ 20 000 dollars pour une campagne standard.

Epoch apporte donc les deux corrections qui manquent à un podium unique. Un indice agrégé peut placer Astra premier au monde, tandis qu'un test extrême conçu pour révéler la limite actuelle montre simultanément l'immense espace qui reste à conquérir. Ni le 169 ni les deux réussites sur 68 ne suffit seul à définir une intelligence générale.

Le mot « indépendant » doit lui aussi rester documenté. Epoch présente l'ECI comme un produit dont il conserve les droits, tout en indiquant que le papier méthodologique a été financé par Google DeepMind et rédigé avec des chercheurs de son équipe AGI Safety & Alignment. L'organisme avait aussi révélé en 2025 qu'OpenAI avait commandé le FrontierMath original, distinct de la nouvelle épreuve Erdős, et disposait de la plupart de ses questions et solutions. Un bon contrebenchmark n'est donc pas une parole pure de tout lien industriel : c'est un protocole, des financements et des accès rendus visibles.

Artificial Analysis : un contrebenchmark important, pas la vérité

Artificial Analysis est un organisme distinct des fournisseurs de modèles. Son intérêt vient moins de l'adjectif « indépendant » que de la transparence de sa méthode : même batterie, variantes indiquées, coût calculé avec les tarifs des interfaces, consommation et durée publiées. Ce n'est toutefois pas un arbitre universel. Son Intelligence Index choisit neuf familles, leur normalisation et leur pondération. Une autre sélection, comme l'ECI d'Epoch, aboutit à un classement différent.

Sur l'Intelligence Index version 4.1.1, Astra obtient 61 à effort maximal. GPT-5.6 Sol obtient également 61. La variante maximale de Muse Spark 1.3 atteint 62, mais le classement la signale comme non disponible publiquement. Sa variante xhigh disponible obtient 61. Claude Fable 5.1 mène avec 66. Le tweet moqueur montre donc un score réel, mais compare Astra à une configuration de Muse que le public ne peut pas encore utiliser.

La conclusion change lorsqu'on ouvre les neuf composantes. Artificial Analysis rapporte une progression de six points sur Humanity's Last Exam, une épreuve de mathématiques, sciences et lettres, ainsi qu'une amélioration d'environ 80 points sur AA-Briefcase, qui simule des projets documentaires de plusieurs semaines. Dans le sens inverse, Astra perd environ 80 points sur GDPval-AA v2, adapté d'un jeu d'OpenAI sur 44 professions, et recule de deux à trois points sur le support bancaire simulé, le code scientifique et le raisonnement sur de longs documents.

La note de 61 est donc une compensation. Astra avance fortement dans certains travaux longs, stagne ou régresse dans d'autres, puis la moyenne efface ces déplacements. Ce mécanisme explique aussi pourquoi Muse Spark 1.3 peut devancer Astra d'un point sans devenir automatiquement le meilleur choix pour coder, naviguer ou apprendre un environnement inédit.

Le classement de code raconte une autre histoire

Le Coding Agent Index, l'indice de programmation d'Artificial Analysis, ne pose pas des questions abstraites au modèle seul. Il évalue une variante complète : le modèle, le logiciel qui lui donne un terminal, les instructions, les outils et le niveau d'effort.

La méthode publique du Coding Agent Index couvre 326 tâches. DeepSWE comprend 113 modifications de logiciels. Terminal-Bench v2.1 comprend 89 travaux à accomplir dans un terminal. SWE-Atlas-QnA comprend 124 questions portant sur des dépôts de code. Chaque tâche reçoit trois tentatives, puis la note agrège les réussites.

Dans ce cadre, Astra dans Codex atteint 67. GPT-5.6 Sol dans Codex atteint 65. Fable 5 dans Claude Code atteint également 67. Fable 5.1 dans Claude Code mène avec 70. La capture montre donc deux vérités simultanées : Astra reste à 61 dans la moyenne générale, mais gagne deux points sur Sol dans un environnement de programmation réel.

Dans le Coding Agent Index, l'astérisque est attaché au score 65 de GPT-5.6 Sol, pas à celui d'Astra. Artificial Analysis signale davantage de filtrage de sécurité observé ultérieurement sur ce point d'accès. C'est une réserve de reproductibilité sur Sol, pas une pénalité appliquée à Astra.

Pourquoi ce progrès sans hausse de la note générale ? Parce que le logiciel de pilotage et l'efficacité d'action deviennent une part du produit. Astra consomme environ un tiers des tokens de Sol à effort maximal dans Codex selon Artificial Analysis. L'organisme les place à un coût par tâche voisin, alors qu'Astra gagne deux points sur l'indice.

Vals AI et OpenAI documentent deux capacités logicielles plus étroites

Vals AI apporte un autre regard, centré sur des tâches de code précises. Le 4 septembre, l'organisme a annoncé sur son compte officiel qu'Astra atteignait 68 % sur son benchmark Code Migration, dix points devant le deuxième modèle, avec une exécution deux à quatre fois plus rapide que les modèles comparables. Ce résultat reste une annonce de Vals, archivée par capture dans notre dossier de revue : au moment de notre relevé, sa page publique des benchmarks n'affichait pas encore le détail des cas, des coûts et des répétitions pour cette nouvelle ligne.

SRE-Bench teste la rétro-ingénierie de programmes binaires sans leur code source. Il a été développé par Vals, mais les chiffres Astra publiés au lancement viennent d'OpenAI, pas d'une réplication indépendante de Vals. OpenAI rapporte 88 % de réussite en une tentative et 99,2 % en quatre tentatives, contre 55,9 % puis 68,7 % pour Sol.

Ces deux résultats complètent Artificial Analysis sans l'annuler. Ils montrent qu'Astra peut dominer des tâches logicielles étroites tout en restant au niveau de Sol dans une moyenne générale. Code Migration renseigne le portage entre langages. SRE-Bench renseigne la compréhension d'un binaire. Aucun des deux ne mesure directement la qualité d'un dossier commercial, juridique ou financier.

Ce résultat n'autorise pas davantage un verdict universel. Les 326 tâches représentent du développement logiciel, pas la rédaction d'un contrat, la prévision de trésorerie ou l'analyse d'appels clients. Il montre néanmoins pourquoi un dirigeant ne doit pas acheter « le modèle classé premier » sans vérifier l'environnement qui l'accompagne.

Pour prolonger cette méthode par usage, notre grille de choix d'un modèle IA selon le workflow part du travail réel plutôt que du podium. Et pour comprendre comment la facture change quand un modèle consomme moins de texte, notre analyse du coût réel de GPT-5.6 pour une PME détaille les unités à suivre.

Moins de tokens, mais une tâche plus chère

OpenAI facture Astra 10 dollars par million de tokens entrants et 50 dollars par million de tokens sortants. Sa page modèle officielle indique aussi 1 dollar pour l'entrée déjà mise en mémoire et 12,50 dollars pour l'écriture de cette mémoire. GPT-5.6 Sol est actuellement affiché à 4 dollars en entrée et 20 dollars en sortie. À volume identique, Astra coûte donc 2,5 fois plus cher.

La consommation n'est cependant pas identique. Dans l'Intelligence Index, Astra utilise environ 10 % de tokens de sortie en moins que Sol à effort maximal. La baisse ne compense pas le tarif. Artificial Analysis calcule un coût par tâche supérieur de 75 % dans cette configuration.

Dans le Coding Agent Index, la situation s'inverse. Artificial Analysis mesure environ trois fois moins de tokens pour Astra que pour Sol à effort maximal. Cette économie compense presque entièrement le prix unitaire et place les deux autour de 5 dollars par tâche, avec deux points de plus pour Astra. Le même modèle peut donc être moins rentable sur une moyenne de raisonnement et plus rentable sur un travail de programmation.

Le bon indicateur n'est donc pas le prix du million de tokens. C'est le coût du dossier accepté : toutes les lectures, les sorties, les nouvelles tentatives, les outils, puis le temps humain nécessaire pour vérifier et corriger. Un modèle cher qui termine du premier coup peut coûter moins qu'un modèle bon marché relancé quatre fois. L'inverse est tout aussi possible.

L'AGI : opinion forte, preuve encore étroite

Le terme AGI désigne ici une intelligence artificielle générale, capable d'apprendre et d'agir dans une gamme très large de situations plutôt que dans une spécialité. Le débat change selon la définition choisie.

Pour ARC Prize, une AGI devrait acquérir toute compétence qu'un humain peut acquérir, avec une efficacité comparable. Astra franchit une partie importante de cette définition sur ARC-AGI-3 : il apprend des règles nouvelles avec peu d'actions. Mais ARC rappelle que son univers est fermé et que la réussite ne constitue pas une preuve d'AGI.

Greg Brockman, président et cofondateur d'OpenAI, va plus loin. Lors du briefing rapporté par Axios, il dit penser personnellement qu'OpenAI a atteint l'AGI, puis conclut : « Welcome to the AGI era. » Axios précise qu'il laisse les utilisateurs décider si Astra satisfait leur définition.

Cette déclaration compte parce qu'elle vient du président d'OpenAI. Elle ne devient pas pour autant une mesure indépendante. Elle exprime une conviction personnelle lors d'un lancement commercial. ARC documente une capacité nouvelle. Epoch place Astra en tête d'un indice global tout en montrant 66 échecs sur 68 problèmes d'Erdős. Vals documente des capacités logicielles ciblées. Artificial Analysis mesure un profil inégal. Aucun de ces organismes ne démontre qu'Astra surpasse un humain compétent dans la majorité des travaux économiquement utiles.

La formulation la plus précise au 4 septembre 2026 est donc la suivante : Astra est un jalon crédible vers des systèmes plus généraux, particulièrement lorsqu'il conserve son raisonnement et utilise des outils. L'étiquette AGI reste une interprétation, pas un résultat de laboratoire reconnu entre organismes.

Le lancement limité et la pause de sécurité changent aussi l'évaluation

Le produit testé hier n'est pas encore le produit disponible partout. OpenAI annonce un déploiement initial auprès d'un nombre limité d'organisations, puis une arrivée dans les jours suivants pour les abonnés Plus, Pro, Business et Enterprise ainsi que pour l'interface de programmation. Cette progression réduit le nombre d'observations publiques indépendantes au moment du lancement.

Le développement a aussi été ralenti pour des raisons de sécurité. Le billet OpenAI du 18 août décrit une pause de deux semaines de certains entraînements avec renforcement par récompense, puis le maintien à l'arrêt de charges de travail incapables de respecter les nouvelles exigences d'isolement, de contrôle réseau et de surveillance. OpenAI estime que cette surveillance ajoute environ 20 % de calcul aux opérations observées.

Il faut séparer trois faits. OpenAI documente une pause dans le développement, mais n'a pas confirmé que la date de sortie publique avait été retardée. Cette pause ne prouve pas qu'une version meilleure a été cachée ou amputée. Enfin, les protections peuvent changer l'expérience réelle : une tâche longue peut être ralentie, arrêtée ou soumise à confirmation si le système détecte une action potentiellement non autorisée.

La promesse d'Astra porte donc sur un système complet : modèle, mémoire, outils, règles d'autorisation et surveillance. Un benchmark exécuté sans ces protections ne prédit pas exactement l'expérience du service. Un autre exécuté avec elles peut mesurer des refus autant que des capacités.

Apport Origin : la matrice de décision propre aux huit résultats Astra

Apport Origin : notre méthode générale pour comparer les modèles de l'été 2026 explique déjà pourquoi un prix par token ou un podium ne suffit pas. Ici, nous la rendons spécifique à huit résultats Astra afin d'éviter de transformer leur contradiction en classement unique.

Cette matrice montre le choix réel : ARC Provider Adapter répond à « peut-il apprendre un environnement inconnu avec sa mémoire native ? ». Epoch oppose niveau global estimé et limite mathématique. Vals mesure deux tâches de code ciblées. Artificial Analysis mesure un équilibre moyen et une variante complète sur du développement logiciel.

La colonne finale appartient à votre entreprise. Aucun laboratoire ne connaît votre taux d'erreur acceptable, le prix d'une validation humaine, la valeur d'un dossier réussi ou les données qu'un refus peut bloquer.

Le reçu de benchmark à exiger avant un achat

Un podium ne suffit pas à rendre une dépense auditable. Demandez un reçu technique qui permette de rejouer l'évaluation : identifiant du modèle, empreinte du logiciel de pilotage, version des outils, consigne intégrale, quotas, délai maximal, politique de relance et état du cache. Ajoutez la date, la région d'exécution, la devise, les frais de bac à sable et les éventuelles remises.

Le reçu doit aussi décrire la dispersion, pas uniquement la moyenne : nombre de répétitions, intervalle de confiance, latences médiane et haute, typologie des refus, proportion de reprises humaines et échantillon des échecs graves. Pour un acheteur, ces champs transforment une démonstration spectaculaire en pièce de comparaison vérifiable. Sans eux, une avance peut venir d'un contexte plus généreux, d'un outil supplémentaire ou d'une règle d'arrêt différente.

Conservez enfin les artefacts bruts : manifeste JSON, checksum des conteneurs, journal horodaté, captures des sorties, transcriptions des commandes, graine aléatoire, température, limite de concurrence et configuration réseau. Documentez le processeur, l'accélérateur, la mémoire vive, la bibliothèque cliente, le proxy, le résolveur DNS, la bande passante et les incidents de throttling. La fiche financière séparera le calcul effectué par le modèle du stockage, de l'indexation, de la navigation, de l'exécution isolée, des licences, de l'observabilité, de l'archivage et de la rémunération des annotateurs.

Le relevé d'erreurs complète ce paquet de provenance : faux positifs, faux négatifs, variance, abandons, dépassements de délai, doublons, réponses inexploitables et escalades vers un opérateur. Ces pièces permettent aux achats et au contrôle de gestion de distinguer une amélioration reproductible d'un coup de chance.

Associez-y le propriétaire, le périmètre, la criticité, la disponibilité, la réversibilité, le chiffrement, la localisation, la rétention, les pénalités, les recours et la procédure de sortie. Ce cartouche contractuel révèle les coûts invisibles. Il prépare aussi une renégociation ou un remplacement sans enfermer l'organisation dans un fournisseur.

Une nomenclature logicielle signée complète le dossier : dépendances, extensions, pilotes, images de conteneurs, permissions, adresses réseau autorisées et horloge de référence. Elle facilite l'enquête après incident, la résolution d'un litige de facturation et le contrôle par un auditeur externe.

Cas appliqué : choisir un modèle pour un dossier fournisseur

Prenons une PME qui veut faire lire un dossier fournisseur : contrat, attestations, grille tarifaire et échanges. Le résultat attendu n'est pas un résumé élégant. C'est une fiche complète, reliée aux pages sources, sans condition oubliée, puis validée par la personne responsable.

Le mauvais protocole consiste à choisir Astra parce qu'il affiche 99,9 chez ARC, ou Muse parce qu'il affiche 62 chez Artificial Analysis. Aucun de ces nombres ne mesure directement ce dossier.

Le protocole utile tient en quatre étapes :

1. Préparer dix dossiers déjà traités, avec le verdict humain et les points critiques masqués du modèle.
2. Donner le même jeu de fichiers, les mêmes outils et la même consigne à Astra, Sol et au modèle concurrent réellement disponible.
3. Mesurer la complétude, les preuves citées, les erreurs graves, les refus, le volume de tokens, le coût total et le temps de validation.
4. Retenir la variante dont le coût par dossier accepté respecte le seuil de risque, puis rejouer le test à chaque changement de modèle ou de logiciel de pilotage.

Ce cas peut produire trois résultats différents. Astra peut gagner parce qu'il conserve mieux le fil entre de nombreux documents. Sol peut gagner si les dossiers sont simples et si l'écart de tarif domine. Un troisième modèle peut gagner grâce à moins de refus ou à de meilleures citations. Le verdict vient du travail accepté, pas du score général.

Le choix doit aussi inclure une condition d'arrêt. Si le modèle ne trouve pas une page probante, rencontre deux documents contradictoires ou veut agir hors du dossier, il remet la main au responsable. L'autonomie utile ne consiste pas à continuer coûte que coûte. Elle consiste à savoir quand la preuve manque.

Ce que l'on peut conclure aujourd'hui

Astra est très fort lorsqu'il doit apprendre un environnement inédit et conserver un raisonnement long. ARC-AGI-3 en apporte une preuve ciblée, renforcée par une efficacité d'action proche ou supérieure à la référence humaine sur les niveaux résolus.

Astra n'est pas uniformément supérieur. Epoch le classe premier sur son indice global, mais ne lui accorde que deux problèmes résolus sur 68 dans Erdős. Artificial Analysis mesure une note générale identique à Sol et une avance plus nette de Fable 5.1. La variante maximale non publique de Muse Spark 1.3 le devance d'un point, tandis que sa variante xhigh disponible est à égalité. Le détail contient des progrès, des stagnations et des reculs.

Astra devient plus convaincant dans Codex. Il atteint le niveau de Fable 5 sur l'indice de programmation, dépasse Sol et compense son prix par une consommation fortement réduite. C'est un résultat de système, pas seulement de modèle.

Enfin, le mot AGI reste prématuré comme verdict factuel. La phrase de Greg Brockman alimente légitimement le débat. La phrase d'ARC Prize fixe la limite scientifique : une épreuve saturée, même importante, ne représente pas la diversité ouverte du monde réel.

Pour une PME, la décision immédiate est simple : ne remplacez pas votre test métier par un podium. Utilisez les benchmarks pour choisir les candidats, puis mesurez chaque candidat dans le même environnement, sur vos dossiers et au coût du résultat accepté.

FAQ

Quel organisme faut-il croire pour évaluer Astra ?

Aucun comme source unique de vérité. ARC mesure l'apprentissage dans des mondes inconnus. Epoch combine plusieurs évaluations puis teste séparément des mathématiques de recherche. Vals cible des travaux de code. Artificial Analysis construit une moyenne générale et un indice de programmation. Il faut lire leur protocole, puis retenir celui qui ressemble au travail à acheter.

Pourquoi Astra obtient-il 99,9 chez ARC Prize et seulement 61 chez Artificial Analysis ?

Parce que les échelles et les tâches diffèrent. ARC-AGI-3 mesure l'apprentissage dans des environnements inconnus ; le 99,9 utilise en plus la mémoire Provider Adapter. Artificial Analysis agrège neuf familles d'épreuves dans une note générale. Le même système peut exceller dans la première question sans mener la moyenne de la seconde.

Muse Spark 1.3 est-il meilleur qu'Astra ?

Sa variante maximale obtient 62 contre 61 pour Astra sur l'Intelligence Index, mais elle est marquée comme non disponible publiquement. La variante xhigh disponible de Muse obtient 61. Cela ne permet donc pas de conclure que l'offre accessible de Muse domine Astra dans tous les usages. Sur le Coding Agent Index, Astra atteint 67. Le bon choix dépend de la tâche, du logiciel de pilotage, du prix et des contrôles nécessaires.

Astra coûte-t-il moins cher parce qu'il utilise moins de tokens ?

Pas toujours. Artificial Analysis mesure environ 10 % de tokens de sortie en moins mais 75 % de coût par tâche en plus sur l'indice général, à effort maximal. En programmation, la consommation baisse davantage et le coût devient voisin de celui de Sol.

Le score ARC-AGI-3 prouve-t-il qu'Astra est une AGI ?

Non. ARC Prize précise que son test reste fermé et déterministe, et qu'il ne représente pas la complexité ouverte du monde réel. Astra franchit une étape importante d'apprentissage à la volée ; l'intelligence générale au sens large n'est pas démontrée.

Faut-il déployer Astra dès qu'il devient disponible ?

Non sans test métier. Le lancement reste progressif et les protections peuvent modifier les refus ou arrêter une tâche longue. Commencez par un jeu de dossiers déjà validés, comparez les variantes avec les mêmes outils, puis suivez le coût par dossier accepté.

Sources

• GPT-6 Astra: A new generation of intelligence, OpenAI (3 septembre 2026)
• GPT-6 Astra, modèle et tarifs, documentation OpenAI (consultée le 4 septembre 2026)
• OpenAI's GPT-6 Astra on ARC-AGI-3, ARC Prize (3 septembre 2026)
• GPT-6 Astra, score ECI et rang, Epoch AI (consultée le 4 septembre 2026)
• ECI, données incluses et méthode, Epoch AI (consultée le 4 septembre 2026)
• Announcing FrontierMath Erdős, Epoch AI (1er septembre 2026)
• Clarifying the creation and use of FrontierMath, Epoch AI (23 janvier 2025)
• Benchmarking GPT-6 Astra, Artificial Analysis (3 septembre 2026)
• Coding Agent Index Methodology, Artificial Analysis (consultée le 4 septembre 2026)
• Benchmarks, Vals AI (consultée le 4 septembre 2026 ; détail Code Migration annoncé sur le compte officiel Vals AI)
• Pacing model development in an era of cyber-critical capabilities, OpenAI (18 août 2026)
• « Welcome to the AGI era », Axios (3 septembre 2026)