
GPT-6.2 Astra arrive en tête de Blueprint-Bench 2 : la ligne humaine est de douze appartements
- OrcaNOUVEAUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 par million de tokens · 185 tok/s
- tencentNOUVEAUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 par million de tokens · 826 tok/s
- AlibabaNOUVEAUQwen: Qwen4 Max2026-11-16$1.50 / $4.50 par million de tokens · 407 tok/s
- GoogleNOUVEAUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 par million de tokens · 87 tok/s
- AnthropicNOUVEAUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 par million de tokens · 150 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 par million de tokens · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 par million de tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 par million de tokens · 83 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 par million de tokens · 120 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 par million de tokens · 108 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 par million de tokens · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 par million de tokens · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 par million de tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligence
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 par million de tokens · 212 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligence
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 par million de tokens · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligence
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 par million de tokens · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligence
GPT-6.2 Astra obtient un score de 0,614 sur Blueprint-Bench 2. La référence humaine sur le même tableau est de 0,586. C’est une avance réelle, et c’est aussi 0,028 point mesuré par rapport à un chiffre humain qu’Andon Labs a calculé à partir de douze appartements. Le résultat a été publié sur la page d’évaluation d’Andon le 20 novembre 2026 et a été relayé le même matin par Greg Brockman, qui l’a formulé ainsi : GPT-6.2 Astra « dépasse la référence humaine sur le benchmark de compréhension physique en 3D ». Les deux moitiés de cette phrase méritent d’être un peu dégonflées, et cet article porte sur ce qui résiste. GPT-6.2 Astra, GPT-6.2 Sol et Gemini 4 Carbon occupent les quatre premières places du tableau d’Andon, ce qui compte davantage pour un lecteur cherchant comment qualifier la chose que le rang affiché en titre.
Le benchmark lui-même n’est pas nouveau. Blueprint-Bench 2 est présent sur le site d’Andon Labs depuis mai 2026 et recense des modèles depuis six mois ; ce qui a changé le 20 novembre, c’est qu’un modèle a enfin dépassé le seuil humain d’une marge supérieure à sa propre barre d’erreur. Il ne s’agit donc pas du lancement d’un benchmark, ni de celui d’un modèle — OpenAI a livré GPT-6.2 Astra le 17 novembre 2026, trois jours avant que le score n’apparaisse. C’est un résultat qui s’inscrit dans un classement existant, et la question intéressante n’est pas de savoir si le chiffre est réel. C’est ce que le chiffre mesure, car l’expression « compréhension physique de la 3D » pèse plus lourd dans le tweet que l’évaluation n’en pèse dans sa propre méthodologie.
Ce qu'Andon Labs a réellement mesuré
Blueprint-Bench 2 confie à un agent cinquante appartements, l’un après l’autre. Pour chaque appartement, il examine une vingtaine de photographies d’intérieur et doit dessiner un plan 2D : les pièces, quelles pièces communiquent avec quelles autres, et leurs dimensions relatives. Les agents disposent d’un bloc-notes persistant d’un appartement à l’autre, ce qui permet à un modèle de noter ce qu’il a appris sur les agencements typiques — où se trouve habituellement un couloir, ce qu’implique un encadrement de porte dans un coin — et de réutiliser ces informations pour l’appartement suivant. Ce bloc-notes est l’élément de conception qui fait de ce benchmark une évaluation d’agent plutôt qu’un test de vision, et c’est pourquoi les scores séparent plus nettement les modèles de pointe des modèles de milieu de gamme qu’un benchmark à image unique ne le ferait.
L’évaluation compare le graphe de connectivité du modèle à la vérité terrain, avec une pondération répartie sur six sous-métriques : similarité de Jaccard sur les connexions pièce à pièce à 50 %, similarité des degrés à 20 %, densité du graphe à 10 %, nombre de pièces à 10 %, nombre de portes à 5 % et orientation à 5 %. Les plans sont mis en correspondance selon la symétrie D4, de sorte qu’un plan pivoté ou en miroir est quand même évalué, et le score composite est normalisé afin qu’une base de référence aléatoire corresponde à 0 et qu’un plan parfait corresponde à 1. La pondération de 50 % accordée à Jaccard résume tout le benchmark en une ligne : la propre note d’Andon indique que tous les modèles obtiennent à peu près le bon nombre de pièces, autour de 90 %, et que le facteur discriminant est de savoir si le modèle peut déterminer quelles pièces communiquent avec quelles autres. Compter les pièces à partir de photographies est facile. Reconstruire la topologie à partir d’une visite guidée ne l’est pas.
Deux conséquences découlent de cette conception. Premièrement, la sortie est un plan 2D, et non un modèle 3D — le raisonnement spatial est tridimensionnel dans le sens où l'agent doit déduire l'agencement d'un étage à partir d'une séquence de vues qui se chevauchent, mais rien dans la notation ne récompense une reconstruction correcte de la hauteur sous plafond, du volume ou du mobilier. Deuxièmement, le score est un nombre de similarité de graphes, et non un pourcentage de précision. Un 0,614 ne signifie pas que le modèle a correctement traité 61 % des appartements ; cela signifie que ses graphes de connectivité se situent à 61,4 % du chemin entre l'aléatoire et la perfection selon cette pondération.
Le 0,028 qui sépare un modèle d'une personne
Voici le haut du classement tel qu'il se présentait le 20 novembre 2026, avec les barres d'erreur type qu'Andon trace sur son graphique, relevées sur la figure publiée :
• GPT-6.2 Astra — 0,614, rang 1, barre d'erreur d'environ 0,601 à 0,627
• Gemini 4 Carbon — 0,586, classé ex æquo 2e, barre d’erreur d’environ 0,571 à 0,601
• Référence humaine — 0,586, rang 2 ex æquo, testée sur 12 appartements, aucun intervalle publié
• GPT-6.2 Sol — 0,570, rang 4, barre d’erreur d’environ 0,558 à 0,584
• Claude Fable 5.2 — 0,566, rang 5
• Gemini 4 Argon — 0,544, rang 6
• Claude Opus 5.5 — 0,512, rang 7
• GPT-6 Astra — 0,497, rang 8

Trois choses méritent d’être retenues de cette liste. La première est la taille de la marge, soit 0,028 de point sur une échelle où le hasard vaut 0 et la perfection 1. La deuxième est que la barre d’erreur d’Astra ne descend pas jusqu’à 0,586 — le bas de sa bande est 0,601 — donc l’avance sur le chiffre humain ne se situe pas à l’intérieur du bruit propre au modèle. La troisième est que le nombre humain ne comporte aucune bande d’incertitude, car il a été calculé sur une douzaine d’appartements dans une tâche portant sur cinquante appartements. Un score humain issu de douze appartements et un score de modèle issu de cinquante ne sont pas la même mesure, et Andon le dit franchement : la note de bas de page du classement indique « Human baseline tested on subset of 12 apartments only. » Considérez 0,586 comme une estimation de ce qu’obtient une personne, et non comme une ligne dont la largeur serait connue.
L’autre chose que montrent les barres d’erreur, c’est à quel point le haut du classement est serré. La moustache inférieure d’Astra et la moustache supérieure de Gemini 4 Carbon se rejoignent exactement à 0,601. Sur ce benchmark, la première place et la deuxième ex æquo sont séparées par un simple contact de moustaches, ce qui est une affirmation différente de « meilleur que toute autre IA » et plus défendable. La légende du graphique d’Andon elle-même coupe la poire en deux d’une manière qui mérite d’être remarquée : elle intitule la ligne pointillée humaine « Humain (0,59) » puis écrit que GPT-6.2 Astra et Gemini 4 Carbon « la rejoignent désormais », même si le tableau place Astra à 0,028 au-dessus et Carbon exactement dessus. Le tableau est l’artefact le plus rigoureux. C’est la légende qui a été citée.
Deux benchmarks, une direction
Qu’un seul classement dépasse un seuil humain pourrait n’être qu’un artefact de notation. La raison de prendre le résultat au sérieux, c’est qu’une seconde évaluation 3D, construite indépendamment, a évolué dans le même sens au cours de la même semaine. Artificial Analysis exploite AA-3D, une tâche entièrement différente : les modèles agissent comme des agents dans un bac à sable hors ligne via Stirrup et transforment un brief écrit en une scène three.js interactive, et le classement provient de votes en aveugle par paires réalisés par un panel humain recruté — plus de 20 000 votes sur le classement actuel — plutôt que d’une comparaison de graphes.
• GPT-6.2 Astra (Max) — 1 318 Elo, intervalle de confiance à 95 % de 1 286 à 1 349, rang 1
• Claude Fable 5.2 (Max) — 1 271 Elo, rang 2
• GPT-6.2 Sol (Max) — 1 259 Elo, 3e place
• Claude Sonnet 5.5 (Max) — 1 204 Elo, 4e au classement
• Claude Opus 5.5 (Max) — 1 202 Elo, rang 5
• GPT-6 Astra (Max) — 1 168 Elo, intervalle à 95 % de 1 141 à 1 196, rang 6
Les deux classements ne sont pas d’accord sur le milieu du peloton — Claude Fable 5.2 est 5e chez Andon et 2e chez Artificial Analysis — et ils sont parfaitement d’accord sur le haut du classement. Astra mène, Sol figure dans les trois premiers, et la génération précédente se situe environ 150 Elo derrière. La publication de lancement d’OpenAI elle-même a revendiqué le score AA-3D le 17 novembre avec les mêmes trois chiffres, et le classement indépendant les affiche désormais inchangés, ce qui est le rare cas où un chiffre d’éditeur et un chiffre de tiers sont le même chiffre. Ce n’est pas le cas pour le chiffre Blueprint-Bench : OpenAI n’a rien dit sur les plans d’étage, et le score n’est venu que d’Andon.

La convergence constitue l’argument. Un benchmark de similarité de graphes noté par du code et un benchmark Elo noté par préférence humaine en aveugle sont à peu près aussi éloignés que deux évaluations de la « capacité spatiale » peuvent l’être, et ils classent les mêmes trois modèles dans le même ordre. Ce qu’ils n’établissent pas, c’est que l’un ou l’autre mesure quelque chose qu’une équipe de robotique appellerait intelligence spatiale, ce qui nous amène à la ligne la plus intéressante du tableau d’Andon.
Pourquoi un modèle de robotique a obtenu zéro
Gemini Robotics-ER 1.6 obtient 0,000 sur Blueprint-Bench 2 — au niveau ou en dessous de la référence aléatoire, signalé par Andon avec un double astérisque. C'est le chiffre le plus utile de la page. Un modèle conçu spécifiquement pour le raisonnement spatial et incarné, le genre d'outil que l'on solliciterait si la tâche consistait à « comprendre un espace physique », produit des graphes de connectivité qui ne font pas mieux que le hasard. Andon le signale elle-même : la spécialisation spatiale ne se transfère pas à la génération de plans d'étage.
Quatre autres modèles se situent également au niveau de référence aléatoire, et la forme de ce groupe vous indique ce que le benchmark récompense. Ce qu’il récompense est une compétence composite spécifique — lire une séquence de photographies, maintenir une hypothèse cohérente concernant un étage, et produire un plan strictement formaté qu’un parseur peut évaluer. Un modèle peut être excellent pour raisonner sur l’espace physique et échouer malgré tout à cette tâche, car le mode d’échec est généralement le format de sortie ou la cohérence à long horizon, et non l’inférence spatiale. Ce qui signifie que « dépasse le niveau de référence humain en compréhension physique de la 3D » est un résumé juste du score et un résumé légèrement généreux de la compétence. La version honnête est plus étroite : il reconstruit la connectivité d’un appartement à partir de photographies avec plus de précision qu’un échantillon humain de douze appartements, sur un benchmark qui évalue la structure de graphe et rien d’autre.
Pour quiconque dont le métier réel concerne les plans d’étage — relevé de biens immobiliers, documentation d’assurance, gestion des installations, numérisation de plans papier — cette affirmation plus restreinte reste la plus utile, car la structure de graphe est exactement ce dont ces flux de travail ont besoin et exactement ce qu’un pipeline PDF-to-CAD fait mal. Pour quiconque y voit une affirmation sur des robots qui naviguent dans des pièces, la ligne Robotics-ER constitue la correction.
Combien coûte l’achat de ce lead
GPT-6.2 Astra est affiché à 8 $ par million de jetons d'entrée, 0,40 $ pour les jetons mis en cache et 40 $ par million de jetons de sortie, soit 20 % de moins que GPT-6 Astra dans les deux sens du compteur. Le modèle qui égale la ligne humaine, Gemini 4 Carbon, est affiché à 2 $ et 10 $ — un quart du prix d'entrée d'Astra et un quart de son prix de sortie. GPT-6.2 Sol, quatrième du classement d'Andon avec 0,570 et troisième sur AA-3D avec 1 259 Elo, conserve les prix des jetons de GPT-6.1 Sol plutôt que ceux d'Astra.
• Blueprint-Bench 2 — Gemini 4 Carbon 0,586 contre GPT-6.2 Astra 0,614
• Prix d’entrée par million — Carbon 2,00 $ vs Astra 8,00 $
• Prix de sortie pour 1 M — Carbon 10,00 $ vs Astra 40,00 $
• AA-3D Elo — Carbon absent du classement face à Astra 1 318, rang 1
• Où se situe chacun — Carbon égale la ligne humaine, tandis qu’Astra la dépasse de 0,028

Lisez cela comme une question de prix, et la réponse est gênante pour le modèle phare. Sur le seul benchmark où les deux modèles apparaissent, un cinquième du prix vous permet d’égaler la référence humaine et de rester à un cheveu de la première place. L’argument d’Astra pour justifier son prix ne repose pas sur les plans d’étage ; il repose sur les évaluations de travail professionnel de la publication de lancement d’OpenAI, où c’est le modèle doté d’une fenêtre de contexte de 1 050 000 tokens et de scores de pointe sur Agents’ Last Exam et Terminal-Bench-Science. Si votre charge de travail consiste en photographies d’appartements et en graphes de connectivité, la différence de prix est difficile à justifier à partir de ce classement seul. Si votre charge de travail est un long ensemble de documents juridiques ou scientifiques, ce benchmark ne dit rien à ce sujet dans un sens comme dans l’autre.
Une dernière mise en garde sur le coût : ni Andon ni Artificial Analysis ne publient de chiffre de coût par tâche pour Blueprint-Bench 2, et ce benchmark y est exceptionnellement sensible. Cinquante appartements à environ vingt images chacun représentent beaucoup de tokens d’entrée avant que le modèle n’écrive une seule pièce, et un modèle qui atteint le même score de graphe avec davantage de tours de la boucle du bloc-notes coûte plus cher par appartement que ne le laisse entendre son prix par token. Ne lisez pas les prix par token ci-dessus comme une facture par appartement ; ce n’en est pas une.
Là où cela conduit à une décision de routage
La version pratique de tout cela, c'est que « quel modèle pour le travail spatial » vient de devenir une question à deux modèles avec un écart de prix, et c'est la couche de routage qui permet de résoudre cet écart. Gemini 4 Carbon figure dans le catalogue OrcaRouter au tarif catalogue avec 0 % de majoration répercutée, ce qui signifie que les 2 $ et 10 $ ci-dessus correspondent à ce que vous payez réellement par million de tokens, plutôt qu'à un tarif fournisseur avec une marge de plateforme ajoutée par-dessus. Cela compte ici tout particulièrement parce que l'écart de coût entre le premier et le deuxième ex æquo de ce classement est de 4x, et un écart de 4x est le genre de chose qu'il vaut mieux mesurer sur vos propres plans avant de faire de l'un ou l'autre votre standard.
GPT-6.2 Astra ne figure pas dans notre catalogue au 20 novembre ; les modèles OpenAI que nous proposons sont GPT-6 Astra, qui obtient 0,497 dans ce classement, et la gamme GPT-6 Sol. Il vaut mieux le dire clairement plutôt que de laisser entendre le contraire, car cela change la recommandation : tant qu'Astra n'est pas routable ici, le modèle de notre catalogue qui égale la référence humaine est Carbon, et GPT-6 Astra est accessible avec la même clé si vous voulez le style de sortie OpenAI à 10 $ et 50 $. Lorsqu'un modèle et son rival moins cher aboutissent sur un même point de terminaison, un test A/B sur vos propres appartements coûte un changement de clé API plutôt qu'un second contrat, et le basculement automatique signifie qu'une limite de débit sur l'un n'interrompt pas le lot.
Qu'est-ce qui changerait cette lecture ?
Trois choses, par ordre de ce qu’elles feraient le plus bouger le récit. La première est une base de référence humaine plus large. Douze appartements, c’est un petit échantillon pour une tâche à cinquante appartements, et le fait qu’Andon publie un intervalle sur le chiffre humain permettrait de trancher si 0.586 est un trait ou une traînée — si la plage humaine s’avère aller de 0.55 à 0.62, alors l’avance d’Astra est réelle mais l’égalité de Carbon ne l’est pas, et tout le haut du classement est rebattu. La deuxième est une deuxième exécution de GPT-6.2 Astra sur le même classement. Le modèle a trois jours ; les chiffres d’Andon proviennent d’une seule campagne, et les benchmarks avec une boucle de bloc-notes et un horizon de cinquante appartements ont plus de variance d’une exécution à l’autre qu’une évaluation en un seul coup, ce que les barres d’erreur standard suggèrent sans pouvoir pleinement absorber.
Le troisième est la page elle-même. La section « Key findings » d’Andon cite encore GPT 5.5, Gemini 3.1 Pro et Claude Opus 4.7 comme les trois meilleurs modèles, ce qui était vrai en mai 2026 et n’a pas été mis à jour à mesure que le tableau se remplissait. Leurs analyses de raisonnement spatial citent encore Gemini 3.1 Pro et GPT 5.5 travaillant sur des appartements individuels. Le classement est à jour ; le texte qui l’entoure est un instantané d’il y a six mois. Lisez le tableau, pas la section des conclusions, et lisez les barres d’erreur sur le graphique plutôt que la légende qui affirme que deux modèles sont à égalité sur une ligne alors que l’un d’eux se situe mesurablement au-dessus.
Rien de tout cela ne rend le résultat faux. GPT-6.2 Astra est le meilleur modèle sur les deux évaluations 3D indépendantes publiées cette semaine, avec une avance qui dépasse sa propre barre d’erreur sur l’une d’elles et de 47 Elo sur l’autre, où les deux intervalles à 95 % se chevauchent encore. C’est le premier modèle à se situer nettement au-dessus d’une estimation humaine sur un benchmark utilisé depuis mai. L’affirmation est plus mesurée que le tweet et plus solide qu’une fuite, ce qui est la bonne configuration pour un résultat arrivé trois jours après le modèle.
Comparés dans cet article2
Détecté à partir de cet article · Benchmarks : Artificial Analysis · mis à jour quotidiennement
