Présentation

OpenAI a publié la gamme GPT‑5.6, dont le sous‑modèle Sol se concentre sur la vision. Le communiqué indique que Sol dépasse son prédécesseur GPT‑5.5 en détection d’objets et en comptage, deux tâches classiques d’évaluation des modèles multimodaux.

Améliorations techniques

Sol intègre un encodeur visuel basé sur un réseau de type Vision Transformer (ViT) couplé à un transformeur de texte de 175 milliards de paramètres, similaire à la structure de GPT‑4 mais avec une résolution d’entrée accrue (≈ 448 × 448 px). Cette résolution supplémentaire augmente le nombre de patches d’image, ce qui explique la meilleure granularité dans la localisation d’objets. Le pipeline de comptage exploite une tête de sortie dédiée qui agrège les embeddings de chaque patch avant de produire un entier, réduisant ainsi le besoin d’une post‑traitement externe.

Contraintes de coût et de latence

Le passage à une résolution plus élevée et à un encodeur plus profond implique une hausse de la consommation GPU d’environ 30 % selon les estimations internes d’OpenAI. Cette hausse se traduit directement par un coût d’inférence supérieur, rendant Sol moins adapté aux déploiements à grande échelle sans optimisation. La latence moyenne observée sur les serveurs de test est de 1,8 s pour une image de 448 × 448 px, contre 1,2 s pour GPT‑5.5, ce qui reflète le temps supplémentaire nécessaire au traitement des patches supplémentaires.

Limites et erreurs de détection

Malgré les gains, le modèle montre encore des erreurs de détection ponctuelles, notamment sur des objets partiellement occultés ou dans des scènes à faible contraste. Ces cas d’échec sont attribués à un déséquilibre du jeu de données d’entraînement, où les exemples de faible visibilité sont sous‑représentés. OpenAI signale également que le modèle peut produire des comptages erronés lorsqu’il rencontre des groupes d’objets très denses, un phénomène lié à la capacité du token de comptage à agréger correctement les embeddings de patches très proches.

Perspectives d’usage

Sol se prête aux applications nécessitant une analyse visuelle fine, comme le contrôle qualité automatisé ou la génération de métadonnées d’image. Cependant, les équipes doivent évaluer le compromis entre précision accrue et coût d’inférence, notamment en considérant des stratégies de mise en cache ou de réduction de résolution pour les flux à haut débit. L’absence de benchmarks chiffrés publics limite pour l’instant la comparaison objective avec d’autres modèles vision‑langage, ce qui incite les utilisateurs à réaliser leurs propres tests de performance.