Traces de raisonnement de GPT-6.1 Sol : lisibles parce qu’il s’agit de résumés, et non parce qu’elles ont fuité

Le 21 octobre 2026 à 00:46 UTC, une capture d’écran de GPT-6.1 Sol, dont le texte de raisonnement a commencé à circuler sur X, publiée par @scaling01 avec la légende « traces de raisonnement parfaitement lisibles, rien à craindre ». La blague — et c’est une blague — c’est que les traces sont lisibles en anglais courant, ce qui est exactement la condition qui, selon Andrej Karpathy en septembre 2024, signifierait que l’apprentissage par renforcement avait cessé de fonctionner correctement. Deux choses doivent être dites avant tout. Premièrement, le modèle n’est pas nouveau : GPT-6.1 Sol est sorti le 29 septembre 2026 lors de l’O​penAI DevDay, et rien dans ce post n’est un lancement, un incrément de version ou l’annonce d’une fonctionnalité. Deuxièmement, la capture d’écran est une capture d’écran — le point de vue d’un observateur sur une seule réponse, republiée par des personnes qui ne l’ont pas reproduite. Ce qui est nouveau et datable, c’est le débat que la capture d’écran a déclenché, qui s’est étendu sur la journée du 21 octobre et a attiré une réponse de Karpathy ainsi qu’un groupe de chercheurs débattant du raisonnement latent. Ce débat mérite d’être décortiqué, car la prémisse qui le sous-tend est fausse d’une manière précise et vérifiable. Rien de tout cela n’est hypothétique : les défaillances documentées de l’IA et les incidents d’agents associés à des versions comme celle-ci sont recueillis dans l’OrcaRouter AI Incident Archive où chaque entrée comporte ses propres sources, un niveau de gravité, une note de confiance et un indicateur de contestation.

Qu’est-ce qui a été réellement publié, et qu’est-ce qui est réellement vérifié ?

Si l’on retire le cadrage, les preuves sont minces, ce qui est normal pour ce genre de chose. Un utilisateur a publié une capture d’écran d’une sortie de modèle qui se lit comme de la prose anglaise ordinaire et bien formée, plutôt que comme l’abrégé compressé et sans ponctuation dans lequel le texte de chaîne de pensée se réduit souvent sous forte pression d’entraînement. La publication comptait environ 65 600 vues au moment de son archivage. Karpathy a répondu « Ouais, je dirais que le RL fonctionne maintenant, c’est clair », citant sa propre phrase de septembre 2024 selon laquelle on peut dire que le RL est bien fait quand les modèles cessent de parler anglais dans leur chaîne de pensée. D’autres sont allés plus loin : une réponse suggérait que le domaine « ferait aussi bien de sauter le pas et de passer à un raisonnement latent complet », et une autre soutenait que les traces avaient seulement perdu leurs espaces, et que les restaurer produisait une formulation de modèle ordinaire et laconique sur la surveillance et le fait de ne pas inventer d’exigences.

Ainsi, trois affirmations distinctes sont entremêlées dans ce fil, et leur valeur probante est très différente. Que de l’anglais lisible soit apparu dans une sortie attribuée à GPT-6.1 Sol — non vérifié, une seule capture d’écran, aucun prompt ni identifiant de requête publié. Que la lisibilité implique que le raisonnement interne du modèle soit désormais lisible — non vérifié, et comme le montre la section suivante, probablement une erreur de catégorie. Que la lisibilité implique quelque chose sur la qualité du fonctionnement de l’apprentissage par renforcement (RL) — une interprétation, avancée sur le ton de la plaisanterie, par une personne qui n’a pas fait tourner le modèle dans cette configuration. Considérez ces trois points comme des observations de la communauté. Aucun d’eux ne constitue un résultat.

Ce que l'API renvoie réellement, la partie que personne n'a citée

Voici le détail que le fil a omis. GPT-6.1 Sol ne restitue pas sa chaîne de pensée, et la documentation propre à OpenAI le dit en toutes lettres : l’API n’expose pas les jetons de raisonnement bruts que le modèle émet, et les éléments de raisonnement qu’elle renvoie néanmoins restent opaques. Ce qui revient à un appelant, ce sont trois choses distinctes, et une seule d’entre elles est de la prose :

• Chaîne de pensée brute — jamais renvoyée, quel que soit le niveau d’effort, sous n’importe quelle combinaison de paramètres.

• Un résumé du raisonnement — facultatif, demandé via le paramètre summary, et rédigé par le modèle sous forme de récit plutôt que d'être extrait des jetons avec lesquels il a réellement raisonné.

• Un nombre de tokens — output_tokens_details.reasoning_tokens, un nombre, et le seul endroit où le raisonnement apparaît par défaut.

L’élément du milieu est presque certainement ce que représente la capture d’écran. Un canal de résumé est lisible par conception ; c’est tout son intérêt. Il est généré pour qu’un humain le lise, dans le registre où un humain lit, et sa fluidité renseigne sur le style du résumeur, pas sur la forme du calcul sous-jacent. L’indice n’est pas subtil non plus : si le texte de la capture d’écran comportait des espaces intacts et des phrases résolues, ce n’était jamais la trace brute. La réponse qui soutient que les espaces avaient simplement été supprimés et pouvaient être restaurés fait le même point dans l’autre sens, et c’est la contribution la plus techniquement fondée du fil.

Pourquoi la phrase de Karpathy ne s'applique pas ici de la manière dont elle a été appliquée

L’affirmation de 2024 portait sur un diagnostic précis : un texte brut de chaîne de pensée qui dégénère en une langue autre que l’anglais ou en une notation abrégée impossible à analyser est la preuve que la politique a été optimisée au point que sa couche verbale fait autre chose que communiquer. Ce diagnostic ne fonctionne que sur la trace brute. Appliquez-le à un résumé et vous testez le summariseur, qui est une passe de modèle distincte avec son propre objectif — être lisible. Vous obtenez un résumé lisible, que la politique sous-jacente soit soignée ou non.

Ce n'est pas une distinction inventée pour l'occasion. C'est précisément la raison pour laquelle O​penAI publie un addendum sur la monitorabilité : si le raisonnement brut était ce que les utilisateurs pouvaient lire, l'argument de sécurité reposerait sur le fait que les utilisateurs le lisent. Au contraire, l'argument repose sur des moniteurs qui sont plus proches des tokens que ne l'est n'importe quel appelant de l'API, et sur un canal de résumé qui est délibérément un rendu. La conséquence pour les lecteurs est sans détour. Vous ne pouvez pas auditer le raisonnement de GPT-6.1 Sol depuis l'API. Vous pouvez auditer ses réponses, ses décomptes de tokens et les résumés qu'il déclare. Quiconque prétend avoir lu dans son esprit au moyen d'une capture d'écran a lu un document que le modèle a écrit sur lui-même.

Le chiffre qui, lui, a bel et bien un rapport avec la question « y a-t-il quelque chose qui ne va pas là-dedans »

Si vous voulez des preuves de ce qui se passe à l’intérieur du modèle plutôt que de ce qu’il dit de lui-même, l’addendum de septembre sur la sécurité du déploiement est la seule source publique substantielle, et elle est réalisée par le fournisseur — O​penAI a mesuré son propre modèle, publié la méthode, et aucun tiers ne l’a reproduite. Deux chiffres de sa section sur la chaîne de raisonnement méritent d’être gardés en tête.

• Contrôlabilité du CoT — 44,8 % pour GPT-6.1 Sol, contre 60,9 % pour GPT-6 Astra, 23,2 % pour GPT-6 Sol et 16,1 % pour GPT-5.6 Sol. Un chiffre plus élevé signifie qu’une invite externe peut plus facilement orienter le texte de raisonnement.

• Évasion du moniteur CoT à effort maximal — quasi nulle, le moniteur à contexte complet récupérant 100 % des comportements injectés dans le harnais propre au fournisseur.

• Encodage stéganographique dans le raisonnement — tenté et non démontré, selon le même document.

Si on lit ces éléments ensemble, le tableau est à l’opposé d’une situation alarmante, dans la direction que le tweet laissait entendre. Le modèle qui paraît le plus fluide en surface n’est pas celui dont le raisonnement est le plus pilotable ; Astra obtient un meilleur score de contrôlabilité tout en étant le modèle que les évaluateurs décrivent comme globalement plus capable. Le raisonnement de GPT-6.1 Sol est comparativement difficile à manipuler et, selon les chiffres du fournisseur lui-même, facile à suivre pour un moniteur à contexte complet. « Rien à craindre » est une plaisanterie, mais d’après les preuves publiées, ce n’est pas loin de la vérité — pour la question précise de la surveillabilité, qui est une question étroite.

Le raisonnement latent est une véritable réponse à un problème différent.

La réponse « passer à un raisonnement latent complet » mérite plus de respect que le fil ne lui en a accordé, car elle identifie une tension réelle. Si le raisonnement reste dans des vecteurs continus, il n’y a rien de lisible à mal interpréter, rien à résumer et rien à orienter — et aussi rien qu’un moniteur puisse lire, ce qui explique pourquoi les laboratoires ne l’ont pas simplement fait. Le raisonnement latent échange de la monitorabilité contre une marge de capacité. Personne dans ce fil ne proposait de solution sans contrepartie ; ils proposaient de fermer la fenêtre pour empêcher les gens d’y regarder.

Il existe un second front qu'il vaut la peine de connaître. Des travaux publiés cette année sur l'extraction de traces de raisonnement à partir d'API propriétaires via des canaux auxiliaires — des attaques par injection de prompt et par chronométrage des tokens plutôt que la lecture du corps de la réponse — ont établi qu'une trace que l'on n'avait jamais l'intention de renvoyer peut malgré tout fuiter. La conception d'OpenAI ferme la version évidente de cette attaque, car le corps de la réponse contient un rendu plutôt que la trace. Elle ne ferme pas le canal de chronométrage, et ne prétend pas le faire. C'est le risque qu'un lecteur sérieux devrait suivre, et ce n'est pas le risque dont parlait la capture d'écran.

Comment vérifier tout cela vous-même, à peu de frais

Tout cela est testable en un après-midi, et le coût est suffisamment faible pour qu'il n'y ait aucune raison de croire qui que ce soit sur parole, y compris nous. GPT-6.1 Sol est facturé 2 $ par million de tokens d'entrée et 10 $ par million de tokens de sortie, avec les entrées mises en cache à 0,10 $ et les écritures de cache à 2,50 $. Le contexte est de 1 050 000 tokens et la sortie maximale de 128 000. L'échelle d'effort comporte cinq niveaux — low, medium par défaut, high, xhigh et max — et il n'existe pas de réglage « none » ou « minimal », vous ne pouvez donc pas demander à ce modèle de sauter entièrement le raisonnement.reasoning.context accepte all_turns, ce qui conserve l'état de raisonnement tout au long d'une conversation multitours au lieu de le réinitialiser à chaque tour.

L’expérience qui vaut la peine d’être menée n’est pas « est-ce que ça se lit comme de l’anglais » mais « est-ce que le résumé suit la réponse ». Envoyez le même prompt difficile aux niveaux faible, élevé et maximal, demandez un résumé à chaque niveau, puis comparez le résumé à l’exactitude évaluée et à reasoning_tokens. Si les résumés gonflent alors que l’exactitude reste stable, le résumé est décoratif. Si l’exactitude augmente avec les tokens de raisonnement et que le résumé reste concis, le résumé est un index avec perte mais honnête. L’un ou l’autre de ces résultats est plus informatif qu’une capture d’écran.

C'est aussi là qu'une couche de routage justifie sa place au lieu d'être ajoutée après coup. OrcaRouter propose openai/gpt-6.1-sol aux côtés de plus de 200 autres modèles sur une seule clé, avec 0 % de marge : les 2 $/10 $ ci-dessus correspondent donc au montant que vous payez, et tout changement de tarif d'un fournisseur est répercuté le jour même. Le basculement automatique compte pour ce test précis : exécuter trois niveaux d'effort en parallèle, c'est trois occasions de heurter une limite de débit ou une passerelle défaillante, et le basculement automatique vers un fournisseur sain permet à la comparaison A/B/C d'aboutir au lieu de s'arrêter à mi-chemin. Si vous souhaitez mesurer côte à côte le canal de synthèse et le canal de réponse brute sans écrire de code client distinct pour chaque point de terminaison, le DSL de routage regroupe les appels en un seul endroit.

Qu'est-ce qui changerait réellement cette pièce ?

Deux évolutions feraient passer ceci d’une lecture de type fuite à un article de presse. La première est tout changement du contrat d’API qui renverrait autre chose qu’un résumé — un paramètre de trace brute, un mode débogage, un aperçu de recherche. Le journal des modifications d’OpenAI d’octobre ne contient aucune entrée sur les traces de raisonnement ni sur la chaîne de pensée brute, et le libellé de la documentation n’a pas changé ; à la date de publication, le contrat est donc inchangé. La seconde est un résultat indépendant reproductible : quelqu’un qui publie des prompts, des ID de requête et des sorties montrant que le résumé diverge de l’exactitude évaluée à un niveau d’effort donné. Ce serait un résultat probant. Une capture d’écran sans prompt ne l’est pas.

Pour situer concrètement le modèle pendant que tout cela est débattu : Artificial Analysis mesure GPT-6.1 Sol à un Intelligence Index de 52 sur la v4.3.2, au 12e rang sur 214 modèles, à 0,72 $ par tâche et 55,2 tokens par seconde — mesures exécutées indépendamment, et le chiffre du coût par tâche est celui à surveiller, puisque GPT-6 Astra obtient 53 à 3,26 $ par tâche avec une tarification de 10 $/50 $. La suite vérifiée d’ARC Prize place GPT-6.1 Sol à 98,5 % sur ARC-AGI-1 et 94,2 % sur ARC-AGI-2. Ce sont des chiffres de capacité. Ils ne disent rien sur la lisibilité du raisonnement, et c’est précisément la confusion sur laquelle le fil a reposé : un modèle peut être excellent et opaque, et le résumé que vous lisez est une courtoisie, pas une fenêtre.