OpenAI a publié un guide sur la famille GPT-6 le 2 octobre 2026. Il rassemble le choix du modèle, les consignes, les tâches de longue durée et les vérifications avant déploiement. Une équipe logicielle doit toujours trouver la combinaison qui satisfait ses propres critères de réussite tout en respectant ses limites de coût et de temps de réponse.
Les options actuelles de cette famille, selon le guide, sont GPT-6 Astra, GPT-6.1 Sol et GPT-6 Luna. Nous avons vérifié la documentation et les tarifs API d’OpenAI le 3 octobre. La méthode de sélection et la fiche ci-dessous sont des propositions ; nous n’avons pas exécuté les modèles ni mesuré une charge de travail en production.
Le grand changement
- Ce qui change : OpenAI présente désormais la famille GPT-6 comme un ensemble de choix adaptés aux charges de travail, avec un niveau de raisonnement réglable et des outils pour les tâches à plusieurs étapes. Les équipes peuvent configurer chaque étape d’un flux de travail au lieu de demander à un seul réglage de modèle de tout prendre en charge.
- Pourquoi c’est important : Un développeur peut mesurer si une étape ciblée d’extraction nécessite Luna, si une tâche de programmation ou de recherche justifie Sol, et dans quels cas les capacités supplémentaires d’Astra valent son prix. La réponse dépend des tâches menées à bien, de la latence et du coût total du flux de travail, y compris l’utilisation des outils et les tentatives infructueuses.
- À surveiller : Les tâches de longue durée nécessitent des relais et des vérifications explicites. Le pilotage permet de mettre à jour les consignes pendant une exécution, tandis que les résultats d’outils asynchrones et le travail délégué doivent toujours être rapprochés avant d’accepter la réponse finale.
Choisir selon la tâche, puis mesurer le flux de travail dans son ensemble
Commencez par un échantillon représentatif de tâches réelles et définissez pour chacune un critère d’acceptation. OpenAI recommande l’API Responses pour le comportement actuel des modèles, l’appel d’outils et les tâches avec état. Il faut disposer d’un projet API, d’identifiants, d’un accès à la facturation et d’un modèle accessible à ce projet. Les pages des modèles n’indiquent pas de prise en charge d’un niveau gratuit ; les limites de débit dépendent du palier d’utilisation. Vérifiez les accès et limites réels du compte avant de dimensionner le déploiement.
Travail confié au modèle | Premier candidat | Niveau de raisonnement initial | Quand promouvoir ou changer |
|---|---|---|---|
Extraction, classification ou résumé structuré récurrent avec une réponse clairement définie | | Faible pour les tâches courantes ; comparer au niveau Moyen par défaut | Le taux d’erreur ou le temps de vérification dépasse le seuil de l’équipe |
Programmation, recherche, utilisation d’outils ou étape nécessitant un jugement professionnel | | Niveau Moyen par défaut ; tester Élevé pour les cas difficiles | Des tâches représentatives échouent malgré des données et des consignes adaptées |
Étape de raisonnement ou de vérification la plus difficile, où la qualité est déterminante | | Comparer les niveaux Moyen et Élevé sur les mêmes cas | Ne le conserver que si le gain mesuré justifie le surcoût et le temps supplémentaire |
Le tableau transforme les recommandations d’OpenAI sur les modèles et les pages des modèles en points de départ pour l’évaluation. Vérifiez les identifiants des modèles API et les niveaux de raisonnement pris en charge : Astra et GPT-6.1 Sol acceptent les niveaux de Faible à Max ; Luna accepte également Aucun. GPT-6.1 Sol ne prend pas en charge Aucun ni Minimal. OpenAI conseille d’essayer Extra High ou Max, lorsque ces niveaux sont disponibles, si Élevé ne suffit pas. Comparez les niveaux de raisonnement sur le même ensemble de tâches, car la qualité, la durée et l’utilisation de jetons peuvent varier simultanément.
Pour le traitement standard et les requêtes contenant jusqu’à 272 000 jetons d’entrée, les tarifs actuels du texte par million de jetons sont les suivants :
Modèle | Entrée | Entrée mise en cache | Écriture du cache | Sortie |
|---|---|---|---|---|
GPT-6 Luna | 0,10 $ | 0,01 $ | 0,125 $ | 0,50 $ |
GPT-6.1 Sol | 2,00 $ | 0,10 $ | 2,50 $ | 10,00 $ |
GPT-6 Astra | 10,00 $ | 1,00 $ | 12,50 $ | 50,00 $ |
Sources : les pages des modèles Luna, GPT-6.1 Sol et Astra. Une requête dépassant 272 000 jetons d’entrée est facturée aux tarifs supérieurs pour l’ensemble de la requête. D’autres modes de traitement, le traitement régional lorsqu’il est disponible et certains outils modifient la facture. Les trois pages indiquent une fenêtre de contexte de 1 050 000 jetons et une sortie maximale de 128 000 jetons ; une grande fenêtre est une limite de capacité, pas une raison d’envoyer tous les documents disponibles.
Estimez le coût du parcours complet de la tâche : entrée, entrée mise en cache, écritures de cache, sortie, frais d’outils, nouvelles tentatives et éventuelle majoration liée au long contexte. Divisez ce total par le nombre de tâches acceptées selon la même règle de vérification. Comparez ensuite la latence à l’étape visible par l’utilisateur et sur l’ensemble du flux de travail. Les prix unitaires ne suffisent pas à déterminer le chemin le moins coûteux par résultat accepté.
Définir la tâche et le résultat avant d’ajouter des outils
Pour chaque étape, précisez clairement les données d’entrée, le lecteur visé ou le destinataire en aval, les sources et outils autorisés, les contraintes et le critère d’achèvement. Le guide d’OpenAI recommande également d’indiquer quelles décisions le modèle peut prendre et lesquelles exigent l’approbation d’une personne. Veillez à ce que les consignes du projet, les compétences et les prompts définissent les mêmes limites.
Pour les résultats lisibles par une machine, définissez à l’avance les champs et valeurs autorisés, puis utilisez le guide Structured Outputs lorsqu’un schéma convient à la tâche. Considérez la conformité de la structure comme une vérification parmi d’autres : un champ peut respecter le schéma tout en étant factuellement erroné. Si le résultat est destiné à une personne, exigez la réponse, les éléments de preuve utilisés, les vérifications effectuées et les points non résolus. Vérifiez le résultat par rapport aux données d’origine et au critère d’acceptation de l’équipe.
Pour évaluer la mise en cache des prompts, placez les consignes stables et les documents de référence partagés avant les détails variables de la tâche. La réutilisation peut réduire le coût récurrent des entrées, mais l’estimation doit inclure les écritures de cache et le contexte ultérieur. Le guide antérieur de BIG CHANGE sur la mise en cache des prompts détaille le diagnostic du cache.
Garder les tâches de longue durée inspectables
Le guide du 2 octobre décrit le pilotage en cours d’exécution, les appels d’outils asynchrones et les sous-agents parallèles pour les tâches indépendantes. Une correction envoyée par l’API Responses WebSocket est mise en file d’attente ; elle n’annule pas les actions déjà terminées et n’arrête pas un outil déjà en cours d’exécution. Un outil asynchrone permet de poursuivre des tâches sans lien, mais les tâches dépendantes doivent attendre son résultat. La prise en charge des agents multiples pour GPT-6.1 Sol dans l’API Responses est actuellement en bêta.
Pour une exécution en plusieurs étapes, conservez l’identifiant de tâche, le modèle et le niveau de raisonnement choisis, l’étape en cours, les identifiants des appels d’outils et de leurs résultats, les approbations et les éléments justifiant la réponse finale. Décidez à l’avance de la marche à suivre en cas de délai dépassé, d’échec d’un appel d’outil, de modification des consignes ou de résultat en double. Lorsque le contexte s’allonge, la compaction peut réduire les informations conservées ; vérifiez ce que l’exécution poursuivie a effectivement gardé. Le mode en arrière-plan est une autre option documentée pour les tâches qui dépassent la durée d’une requête unique. Choisissez ces contrôles en fonction de la durée de la tâche et des besoins de reprise.
Le guide d’OpenAI recommande d’utiliser directement une API ou un outil connecté lorsqu’il peut effectuer l’étape, et de recourir à l’interaction avec l’écran lorsque cela est nécessaire. Le guide de BIG CHANGE sur les tâches avec navigateur dans Agents API décrit l’interface de contrôle de l’ordinateur et son dispositif de supervision.
Une fiche d’évaluation reproductible par l’équipe
Utilisez les mêmes cas et la même règle de vérification pour chaque candidat. Cette fiche propose une méthode d’évaluation ; BIG CHANGE n’y a saisi ni testé aucun résultat.
Données à consigner pour chaque cas et chaque candidat | Informations à conserver |
|---|---|
Tâche et résultat attendu | Identifiant de l’entrée réelle, exigences de sortie, outils autorisés, règle d’acceptation |
Configuration | Identifiant du modèle API, niveau de raisonnement, mode de traitement, version du prompt, schéma ou contrat de sortie |
Résultat | Accepté, rejeté ou à vérifier ; motif de l’échec ; personne chargée de la vérification |
Temps | Durée de bout en bout et durée à l’étape visible par l’utilisateur |
Utilisation et coût | Jetons d’entrée, d’entrée mise en cache, d’écriture de cache et de sortie ; frais d’outils ; nouvelles tentatives ; majoration liée au long contexte ou au traitement régional |
Décision | Tâches acceptées divisées par tâches tentées ; coût total divisé par tâches acceptées ; types d’échec non résolus |
Incluez des cas simples et difficiles, des entrées mal formées et des interruptions d’outils rencontrées dans le flux de travail réel. Gardez les cas fixes pour comparer les modèles, puis répétez l’évaluation après toute modification des prompts ou des autorisations d’outils. Classez les échecs : éléments manquants, champ erroné, erreur d’outil, consigne non respectée ou réponse nécessitant une correction humaine. Ne transférez une étape à un autre modèle que si la même règle d’acceptation met en évidence un gain utile. Un modèle moins cher qui exige davantage de reprises peut coûter plus cher par tâche acceptée ; un modèle plus lent peut convenir à une étape en arrière-plan, mais pas à une étape interactive.
Avant la mise en production, vérifiez les limites réelles de débit et de dépenses du projet, les contrôles des données, les délais d’attente, le comportement des nouvelles tentatives, la surveillance et les limites d’approbation humaine au regard de la liste de vérification du déploiement d’OpenAI. Maintenez un processus de vérification par échantillonnage après le lancement et reprenez la fiche dès qu’un alias de modèle, un prompt, un outil ou une charge de travail change. Utilisez les données des tâches obtenues pour décider du routage.
Sources et lectures complémentaires
- Le guide d’OpenAI du 2 octobre sur la famille GPT-6 présente les recommandations du fournisseur concernant les modèles, le niveau de raisonnement, les consignes et les flux de travail de longue durée. Il ne rapporte pas de résultats de tests de BIG CHANGE et ne désigne pas le meilleur modèle pour la charge de travail d’une équipe donnée.
- GPT-6 Luna, GPT-6.1 Sol et GPT-6 Astra documentent les identifiants API, les niveaux de raisonnement pris en charge, le contexte, les tarifs et les limites par palier utilisés ici. Il convient toujours de vérifier l’accès au compte et la facturation en vigueur.
- La liste de vérification du déploiement API d’OpenAI étaye les recommandations d’évaluer des tâches représentatives, de configurer l’API Responses et de prévoir les contrôles de production. La fiche ci-dessus est la méthode proposée par BIG CHANGE, pas un benchmark du fournisseur.
- Structured Outputs, compaction et le mode en arrière-plan décrivent les interfaces précises mentionnées dans ce flux de travail.
