Impressions générales
Depuis son lancement, GPT‑6 Astra se démarque comme le modèle le plus performant testé par l’auteur. Il est décrit comme « exceptionnellement bon », surpassant son prédécesseur GPT‑5.6 dans la plupart des domaines (rédaction, mathématiques, programmation) et affichant une nette supériorité sur les tâches de rendu 3D et d’animation. Cette amélioration globale repose sur une architecture plus profonde et, selon les premières observations, sur une meilleure exploitation des harness d’évaluation dédiés.
Performances sur les benchmarks
Les résultats chiffrés confirment l’avance d’Astra. Sur le benchmark ARC‑AGI‑3, il atteint 99,9 % de réussite, contre seulement 7,8 % pour le modèle GPT‑5.6 Sol. Les indices Artificial Analysis Coding Agent Index v1.4 et Artificial Analysis Intelligence Index placent également Astra en tête, bien que l’écart avec les modèles concurrents reste modéré. Les évaluations utilisent des harness ouverts (Stirrup, Terminus 2, τ‑Bench) afin d’assurer une comparaison « apple‑to‑apple ». Cette méthodologie réduit le biais lié à l’optimisation d’un seul harness, mais le texte souligne que les scores pourraient varier si Astra était testé sur d’autres harnesss, car le modèle est souvent affiné pour un harness principal.
Capacités d’utilisation d’interface graphique
Au-delà du texte, Astra montre une maîtrise notable de l’interaction avec des interfaces graphiques. L’auteur cite une démonstration où le modèle, via le client Codex/ChatGPT, redessine une image dans MS Paint en contrôlant le curseur de la souris. Cette capacité s’appuie sur le « computer‑use harness », qui permet au LLM d’exécuter des actions logicielles locales. Le texte mentionne également l’achat par OpenAI de dizaines de milliers de Mac Mini et Mac Studio pour le renforcement de l’apprentissage, suggérant que ces machines sont utilisées pour entraîner spécifiquement la compétence d’utilisation d’interfaces graphiques.
Transformers en boucle et raisonnement masqué
Le concept de « looped transformers » (ou transformeurs récurrents) est présenté comme une évolution architecturale visant à permettre au modèle de ré‑itérer sur ses propres sorties, potentiellement pour « cacher » la chaîne de raisonnement. Bien que l’article ne fournisse pas de schéma détaillé, l’idée repose sur la réinjection du vecteur de sortie dans les couches d’attention, créant ainsi une profondeur effective supérieure sans augmenter le nombre de paramètres. Cette boucle pourrait expliquer la capacité d’Astra à produire des réponses plus cohérentes sur des tâches complexes, mais elle soulève aussi des questions de transparence : si le raisonnement est itératif et interne, la trace explicite du « chain of thought » devient difficile à extraire, limitant l’auditabilité du modèle.
