Présentation
OpenAI a annoncé le déploiement de GPT‑6 Astra, le successeur de la série GPT. Le communiqué indique que le modèle peut « utiliser un ordinateur mieux qu’un humain », ce qui constitue la première affirmation publique d’une IA générative capable d’interagir avec un environnement logiciel de façon autonome. Aucun chiffre officiel n’a été fourni sur la taille du modèle ou la quantité de données d’entraînement, mais OpenAI le positionne comme une avancée par rapport aux 175 M de paramètres de GPT‑3.
Architecture et capacités d’interaction
GPT‑6 Astra repose sur une architecture de type transformeur, enrichie d’un module de planification d’actions qui traduit les requêtes en appels système ou en scripts exécutables. Le modèle intègre un « agent » capable de générer du code, de le compiler et d’interpréter les sorties, ce qui explique la capacité déclarée à surpasser les performances humaines dans l’usage d’un ordinateur. Cette boucle perception‑action repose sur une interface API interne qui expose des fonctions de lecture/écriture de fichiers, d’exécution de commandes shell et d’accès à des bibliothèques de calcul.
Évaluation des performances
OpenAI cite des tests internes où GPT‑6 Astra a résolu des tâches de programmation et d’analyse de données plus rapidement que des utilisateurs humains expérimentés. Les évaluations ont été menées sur des benchmarks standards de codage (ex. LeetCode, Codeforces) et sur des scénarios d’automatisation de flux de travail (ex. génération de rapports, manipulation de bases de données). Les résultats montrent une réduction du temps moyen de résolution de 30 % à 50 % selon la complexité de la tâche, tout en maintenant une précision de sortie supérieure à 90 % sur les réponses attendues.
Limites et perspectives
Malgré ces performances, OpenAI reconnaît plusieurs contraintes. Le modèle dépend d’un environnement d’exécution contrôlé ; toute divergence entre le sandbox et le système réel peut entraîner des erreurs d’exécution. De plus, la capacité à « utiliser un ordinateur » augmente la surface d’attaque potentielle, car le modèle peut générer des commandes dangereuses si les filtres de sécurité ne sont pas stricts. Enfin, l’absence de transparence sur le nombre de paramètres et les données d’entraînement rend difficile l’évaluation de la robustesse à long terme et la comparaison avec d’autres modèles de grande taille.
