Un score qui redéfinit le débat
GPT-6 Astra d’OpenAI est désormais au centre de l’attention parce que le modèle a atteint 62,7 % sur ARC-AGI-3, un benchmark conçu pour évaluer le raisonnement interactif dans des environnements inconnus plutôt que la simple restitution de connaissances . Dans la couverture publiée le 4 octobre, ce score n’est pas traité comme une progression marginale. Il est présenté comme un changement de palier sur un test destiné à distinguer l’adaptation réelle de la reconnaissance de motifs mémorisés .
L’enjeu est important, car ARC-AGI-3 n’est pas un examen classique. Le modèle n’y reçoit pas seulement une question à résoudre. Il est placé dans des environnements proches de petits jeux, où il doit déduire les règles, agir, observer les conséquences, puis construire une stratégie . C’est précisément ce qui rend le test pertinent pour mesurer une forme plus exigeante de raisonnement: non pas savoir si un système connaît déjà la réponse, mais s’il peut découvrir comment avancer dans une situation nouvelle.
Les classements récents confirment l’importance de ce résultat. Le snapshot de ModelCap du 2 octobre place GPT-6 Astra en tête de son classement ARC-AGI-3 avec 62,7 % en configuration Max, devant GPT-6.1 Sol à 52,7 %, Claude Opus 5 à 30,2 %, Gemini 3.8 Flash à 10,4 % et GPT-5.6 Sol à 7,8 % . De son côté, BenchLM indique également qu’Astra domine ARC-AGI-3 avec 62,7 % et décrit ce benchmark comme un successeur interactif d’ARC-AGI-2, destiné à tester la capacité d’un agent à apprendre des mécaniques inconnues par l’action et le retour d’information .
Pourquoi le chiffre de 62,7 % compte le plus
La confusion autour d’Astra vient du fait que deux chiffres circulent pour le même benchmark. Le plus spectaculaire est 99,9 %, mais les sources récentes précisent qu’il correspond à un protocole avec adaptateur fournisseur, et non au harnais standard utilisé pour les comparaisons de classement . Le score de 62,7 % est donc le chiffre le plus utile pour comparer Astra aux autres modèles, car il correspond au cadre standard, neutre et partagé .
Ce détail technique est en réalité central. Selon le rapport publié par Startup Fortune, le harnais standard d’ARC Prize permet au modèle de conserver les notes qu’il choisit lui-même de garder, tandis que le harnais avec adaptateur fournisseur exploite des fonctions propres à OpenAI, notamment la conservation d’un état de raisonnement opaque entre les requêtes . Autrement dit, le protocole standard pose une question simple: que vaut le modèle lorsqu’il est testé dans une interface commune? Le protocole avec adaptateur pose une autre question: que vaut le système complet lorsque l’infrastructure spécifique du fournisseur fait partie de l’expérience?
Ces deux questions sont légitimes, mais elles ne doivent pas être confondues. Pour mesurer la performance maximale d’un système intégré, le score avec adaptateur est intéressant. Pour comparer des modèles entre eux, le score de 62,7 % est plus robuste. C’est pourquoi la performance d’Astra doit être comprise à la fois comme une percée technique et comme un rappel de l’importance de la transparence dans les benchmarks .
L’ampleur du saut
Même en écartant le chiffre de 99,9 %, la progression reste considérable. Le tableau de ModelCap du 2 octobre place les 62,7 % d’Astra très au-dessus des 30,2 % de Claude Opus 5 et des 7,8 % de GPT-5.6 Sol parmi les modèles suivis disposant de résultats publiés sur ARC-AGI-3 . BenchLM rapporte lui aussi Astra à 62,7 % et Claude Opus 5 à 30,2 %, soit un écart de plus de trente points au sommet du classement .
Cet écart est important parce qu’il montre qu’ARC-AGI-3 continue de différencier les systèmes de pointe. Beaucoup de benchmarks plus anciens sont aujourd’hui saturés: les meilleurs modèles obtiennent des scores proches du maximum, et les écarts deviennent difficiles à interpréter. BenchLM qualifie au contraire ARC-AGI-3 de benchmark encore actuel et actif, avec une dispersion suffisante entre les meilleurs systèmes pour séparer les niveaux de capacité . Le résultat d’Astra n’est donc pas seulement un nouveau record sur un test déjà épuisé. C’est un score élevé sur un benchmark où le peloton reste très étiré.
La performance éclaire aussi la position d’OpenAI dans la course aux modèles de pointe. Le snapshot de PublicAI du 2 octobre classe GPT-6 Astra très haut sur de nombreuses dimensions, le modèle étant au-dessus de la moyenne dans 25 des 26 domaines suivis, avec des forces particulières en raisonnement, analyse de données et capacités générales . Ce contexte est utile: ARC-AGI-3 n’est qu’un test, mais le score d’Astra s’inscrit dans un profil plus large de modèle de très haut niveau.
Ce qu’ARC-AGI-3 mesure vraiment
ARC-AGI-3 doit être compris comme un test de raisonnement adaptatif et interactif. Les résumés récents le présentent comme un ensemble d’environnements inconnus dans lesquels un agent doit découvrir les règles et atteindre des objectifs sans s’appuyer sur des instructions détaillées préécrites . Il s’éloigne donc des questionnaires statiques ou des benchmarks de programmation classiques, où l’entrée est fixe et où le modèle doit produire une réponse finale.
Dans un benchmark interactif, le modèle doit choisir quoi essayer, apprendre de ses erreurs et modifier sa stratégie. C’est plus proche de la façon dont un humain aborde un jeu nouveau, une expérience de laboratoire ou un problème opérationnel: exploration, hypothèses, essais, corrections. Un score élevé signale donc des progrès dans des capacités qui dépassent la génération de texte, notamment la planification, l’exploration, l’induction de règles et la gestion de mémoire.
Cela ne signifie pas pour autant que 62,7 % équivaut à une intelligence générale humaine. Le suivi i6eal, vérifié le 4 octobre, place les humains à 100 % sur ARC-AGI-3 et GPT-6 Astra comme meilleur modèle à 62,71 % dans le harnais standard . C’est toute la tension de ce résultat: Astra a fortement réduit l’écart avec la frontière humaine, mais il ne l’a pas supprimé.
Le 99,9 % et le problème de comparaison
Le score avec adaptateur est devenu controversé parce qu’il est à la fois réel et difficile à comparer. Les sources récentes indiquent qu’Astra a atteint 99,9 % dans le harnais avec adaptateur fournisseur, contre 62,7 % dans le harnais standard . Un lecteur pressé pourrait conclure qu’Astra a « résolu » ARC-AGI-3. L’interprétation plus prudente est différente: Astra, combiné à un support d’exécution propre à OpenAI, a presque saturé un mode d’évaluation particulier.
Cela ne rend pas le 99,9 % inutile. Il peut indiquer la direction que prennent les systèmes de frontière: des modèles dont la performance dépend non seulement des poids et des prompts, mais aussi d’un état persistant, d’une compaction de mémoire et d’une continuité au niveau de l’infrastructure. Si les futurs produits d’IA ressemblent davantage à des agents persistants qu’à des échanges isolés de chat, les résultats avec adaptateur prendront de l’importance.
Mais pour les benchmarks publics, le risque est évident. Un modèle évalué via un canal personnalisé peut paraître beaucoup plus puissant que le même modèle évalué via un canal commun. Si les deux protocoles ne sont pas clairement séparés, les scores deviennent des outils marketing plutôt que des mesures. Dans le cas Astra, le point positif est justement que les deux chiffres sont visibles: 62,7 % pour la comparaison standard, 99,9 % pour la configuration spécifique à OpenAI .
Ce que cela change pour les entreprises et la recherche
Pour les entreprises, le résultat d’Astra indique que le raisonnement agentique difficile progresse vite. Un modèle capable de déduire les règles d’environnements inconnus pourrait être plus utile dans des workflows complexes où les instructions sont incomplètes, où l’état évolue et où le système doit corriger ses erreurs. Cela concerne les agents logiciels, les assistants scientifiques, la planification robotique, l’analyse de cybersécurité ou encore l’automatisation d’entreprise.
Mais ce résultat rappelle aussi aux acheteurs qu’ils doivent interroger les benchmarks plus finement. La bonne question n’est pas seulement: « Quel score le modèle a-t-il obtenu? » Il faut aussi demander: « Dans quel harnais, avec quelle mémoire, à quel coût et via quelle interface? » Le snapshot de ModelCap associe le score ARC-AGI-3 d’Astra à la configuration Max et à des informations de prix et de contexte, ce qui reflète la nécessité croissante d’évaluer les performances avec leurs contraintes d’exploitation . BenchLM distingue également le statut du benchmark, sa provenance et sa fraîcheur, ce qui aide à juger si un score est actuel, indépendant et encore discriminant .
Pour les chercheurs, le score de 62,7 % est un défi. ARC-AGI-3 conserve une marge non résolue, mais le bond d’Astra montre que les benchmarks de raisonnement interactif peuvent être rattrapés plus rapidement que prévu. Le suivi i6eal souligne que les tests les plus intéressants sont désormais ceux où les modèles échouent encore, et classe ARC-AGI-3 parmi les écarts persistants plutôt que parmi les benchmarks saturés . Si les laboratoires de pointe continuent de réduire cet écart, il faudra concevoir des évaluations plus difficiles et plus ouvertes.
Une étape, pas une ligne d’arrivée
La lecture la plus solide des éléments disponibles est la suivante: les 62,7 % de GPT-6 Astra sur ARC-AGI-3 constituent une avancée majeure du raisonnement en IA, et ce chiffre est celui qui soutient le mieux la comparaison entre modèles. Le 99,9 % avec adaptateur est également important, mais il répond à une question différente, celle de la performance du système intégré d’OpenAI plutôt que du modèle dans un cadre neutre .
Cette distinction ne diminue pas la performance d’Astra. Au contraire, elle la rend plus crédible. Un score standard de 62,7 % suffit déjà à placer Astra très au-dessus du champ suivi sur l’un des tests de raisonnement les plus difficiles du moment . Le fait que le modèle puisse monter beaucoup plus haut avec un adaptateur spécialisé montre aussi à quel point les performances futures dépendront de l’infrastructure, de la mémoire et du design de l’évaluation.
L’histoire n’est donc pas qu’un chiffre prouve l’arrivée de l’intelligence générale. L’histoire est que la frontière s’est déplacée. Astra a transformé ARC-AGI-3, autrefois extrêmement difficile pour les meilleurs systèmes, en un benchmark où le meilleur modèle s’approche visiblement des performances humaines sans encore les égaler. C’est une étape importante — à condition de la mesurer avec précision.
