
GPT-6.2 Astra en tête du classement des robots SO-101 : 22 % de réussite
- OrcaNOUVEAUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 par million de tokens · 184 tok/s
- tencentNOUVEAUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 par million de tokens · 494 tok/s
- AlibabaNOUVEAUQwen: Qwen4 Max2026-11-16$1.50 / $4.50 par million de tokens · 385 tok/s
- GoogleNOUVEAUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 par million de tokens · 94 tok/s
- AnthropicNOUVEAUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 par million de tokens · 290 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 · 132 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 par million de tokens · 86 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 par million de tokens · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 par million de tokens · 104 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 par million de tokens · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 par million de tokens · 89 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 · 215 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligence
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 par million de tokens · 109 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
Le classement SO-ARM101 de RoboColosseum a une nouvelle première place, et ce qui l’occupe n’est pas une politique robotique. GPT-6.2 Astra est monté à 1 984 sur l’échelle DCR du site, Claude Fable 5.2 étant deuxième à 1 803, Claude Opus 5.5 troisième à 1 666, le meilleur checkpoint affiné vision-langage-action — pi0.5 de Physical Intelligence — quatrième à 1 526, et la génération précédente, GPT-6 Astra, cinquième à 1 393. OpenAI a publié GPT-6.2 Astra le 17 novembre 2026 ; la note a été calculée le 20 novembre à 19:46 UTC et Greg Brockman l’a relayée sur X tôt le lendemain matin. Voilà toute l’annonce. Ce que la citation ne dit pas, c’est le reste de la ligne : un taux de réussite de 22 % sur la tâche complète, une avance que le classement consigne comme comprise dans les barres d’erreur, et un échantillon de 122 comparaisons à l’aveugle réalisées dans des scènes que le modèle n’avait jamais vues.
Lisez le classement comme un résultat et vous le comprendrez mal. Lisez-le comme l’instantané d’une évaluation encore en train de se remplir, sur la moins chère et la moins sollicitée des trois principales cartes robotiques du projet, et il dit quelque chose de plus utile — sur la vitesse à laquelle un modèle généraliste comble un écart que des politiques de manipulation spécialisées ont passé un an à creuser, et sur la faible part de cet écart que l’échantillon actuel peut réellement attester.
Ce que RoboColosseum mesure, et ce qu'il ne mesure pas

RoboColosseum est un cadre d’évaluation distribué plutôt qu’un laboratoire. L’article qui le sous-tend, arXiv 2611.02497, a été mis en ligne le 2 novembre 2026 par un groupe réunissant NUS MAGIC Lab, Hugging Face, EAIC Singapore et BitRobot ; la liste des auteurs comprend Dieter Fox, Siddhartha Srinivasa, Thomas Wolf, Harold Soh et David Hsu. Le principe est que les politiques de robots ne peuvent pas être évaluées depuis un ordinateur portable, c’est pourquoi le projet les exécute sur du matériel réel opéré par des partenaires sur 124 sites dans son étude initiale, sur 194 scènes et 8 237 instructions distinctes rédigées sur place par un évaluateur. Chaque rollout est publié sur Hugging Face au format LeRobot, échecs compris.
La métrique est l’endroit où la couverture médiatique se trompe le plus souvent, il vaut donc la peine de l’énoncer clairement. Le site tient deux registres pour chaque politique : un registre W/T/L issu de comparaisons par paires en aveugle, où un évaluateur humain regarde deux exécutions de la même instruction dans la même scène et choisit la meilleure ou déclare une égalité ; et une note DCR, ajustée à partir des résultats de réussite à la tâche complète après calibration de la difficulté effective de chaque tâche. Le classement le dit lui-même, dans une phrase qui n’a pas été reprise dans un seul tweet sur le résultat : DCR est « une note Rasch calibrée par la difficulté (DCR) (échelle Elo) ; elle ne doit pas être interprétée comme une note Elo obtenue par mises à jour Elo séquentielles. »
Cette distinction n’est pas de la pédanterie. Un nombre Elo bouge à chaque match joué ; une estimation Rasch est un ajustement conjoint de la capacité de la politique et de la difficulté de la tâche, et elle change lorsque l’un ou l’autre côté de cet ajustement change. Présenter le tableau SO-101 comme un « classement Elo » — c’est ainsi que le résultat a été décrit sur X — revient à prendre une estimation a posteriori et à l’habiller en tableau de scores en direct. Les deux se ressemblent sur un graphique, et c’est précisément pourquoi la confusion persiste. DCR exige aussi au moins 20 comparaisons admissibles avant qu’une politique ne soit classée, et il n’utilise délibérément pas le bilan victoires-défaites-nuls : deux politiques peuvent avoir des lignes W/T/L très différentes et être malgré tout séparées par l’ajustement fondé sur le succès. Gardez cela à l’esprit lorsque les chiffres ci-dessous semblent se contredire.
Le tableau, de haut en bas

Le SO-ARM101 est le bras open source imprimé en 3D de l’écosystème LeRobot — celui que l’article décrit comme conçu pour être reconstruit à l’identique à différents endroits, afin qu’un résultat collecté à Singapour puisse être reproduit dans un laboratoire ailleurs. Dix politiques y sont classées. À la date de la mise à jour du 20 novembre :
• GPT-6.2 Astra — 1 984, 122 comparaisons, 95 victoires / 18 égalités / 9 défaites, 27 succès complets
• Claude Fable 5.2 — 1,803, 112 comparaisons, 62 / 23 / 27, 21 succès
• Claude Opus 5.5 — 1 666, 187 comparaisons, 98 / 57 / 32, 9 réussites
• pi0.5 — 1,526, 194 comparaisons, 66 / 57 / 71, 9 succès
• GPT-6 Astra — 1 393, 183 comparaisons, 75 / 62 / 46, 5 succès
• Grok 4.7 — 1 366, 181 comparaisons, 37 / 79 / 65, 4 réussites
• LingBot-MolmoAct2 — 1 259 214 comparaisons, 42 / 92 / 80, 5 réussites
• GR00T N1.7 — 1 233 219 comparaisons, 31 / 92 / 96, 3 succès
• MolmoAct2 — 1 122, 216 comparaisons, 40 / 83 / 93, 3 réussites
• G0.5 — 1,095, 207 comparaisons, 18 / 94 / 95, 1 succès
Deux choses ressortent immédiatement de cette liste. La première, c’est que les trois premiers sont tous des modèles de langage de pointe pilotés via un harnais de codage, et non des politiques de manipulation affinées ; le meilleur VLA spécialisé, pi0.5, est quatrième. La seconde, c’est que Claude Opus 5.5 totalise le plus de victoires nettes au tableau — 98, trois de plus qu’Astra — et termine troisième, car il compte aussi 57 égalités et seulement neuf succès complets. La ligne d’Astra est l’inverse : moins de comparaisons, bien moins d’égalités et trois fois plus de tâches achevées. Quoi que fasse le harnais, il transforme les progrès partiels en exécutions terminées, et c’est ce que DCR est conçu pour récompenser.
Vingt-deux pour cent, c’est le chiffre
Vingt-sept réussites sur 122 comparaisons, soit 22,1 %. C’est le taux de réussite le plus élevé pour la tâche complète dans le classement SO-ARM101, ce qui signifie qu’environ quatre tentatives sur cinq n’achèvent pas l’instruction. Les tâches ne sont pas exotiques — les exécutions publiées comprennent « Placer la tasse dans la poêle », « ramasser la boîte jaune et la poser sur l’assiette », « faire pivoter le marqueur de 90 degrés dans le sens horaire », « toucher le stylo bleu » et « ramasser la fourchette, puis ramasser le couteau ». Les scènes sont des tables ordinaires : NUS COM3, une table extérieure sur une terrasse, un endroit à l’extérieur du MAGIC Lab.
Qu’un leader échoue quatre essais sur cinq est le contexte le plus important pour le titre, et cela est cohérent avec tout ce que le projet a publié. L’article de novembre rapporte que, dans ses six catégories de manipulation, « aucun système évalué ne dépasse 13 % de réussite dans quelque catégorie que ce soit », et que MolmoAct2, le VLA le plus performant selon le score de comparaison attendu, n’a atteint que 58 % à 77 % sur la mesure relative, tandis que ses taux de réussite absolus se situaient entre 6 % et 13 %. Le classement que vous consultez n’est pas un classement de robots capables d’accomplir la tâche. C’est un classement de systèmes qui s’améliorent à ne pas échouer complètement.
Le taux de réussite est aussi le seul chiffre de la ligne qui ne peut pas être gonflé par la métrique. Une note DCR dépend de la calibration de la difficulté, qui dépend de la manière dont l’ajustement regroupe les tâches entre les politiques ; un décompte de réussites, non. Vingt-sept, c’est vingt-sept. Si vous voulez comparer GPT-6.2 Astra à n’importe quoi sur cette liste sans discuter des modèles de Rasch, comparez 27 à 21 à 9 à 5.
L’avance se situe à l’intérieur des barres d’erreur.
RoboColosseum trace un écart-type postérieur de ±1 autour de chaque note et indique, sur la même ligne, que l’« avance sur le n°2 » du leader, de +181 points, se situe « dans les barres d’erreur ». Il s’agit du propre résumé que le site fait de son propre résultat, imprimé à côté du nombre plutôt que dissimulé en dessous.
Mettez les bandes ±1 écart-type côte à côte, et la mise en garde prend tout son sens. Celle d’Astra s’étend d’environ 1 888 à 2 080 ; celle de Claude Fable 5.2, d’environ 1 712 à 1 894. Elles se chevauchent sur une fenêtre de quelques points autour de 1 890, et l’écart de 181 points entre les deux estimations équivaut à environ 1,4 fois l’écart-type combiné — en deçà de ce qu’il faudrait pour parler d’une avance plutôt que d’un simple départage. Les 122 comparaisons d’Astra suffisent à la classer première, mais pas à affirmer avec assurance qu’elle est meilleure que le modèle en deuxième position. L’écart entre la première et la troisième place est plus large et plus net — 1 984 contre 1 666 —, mais il compare aussi un modèle qui a 122 comparaisons à un autre qui en a 187, sur un tableau où toutes les autres politiques ont plus d’échantillons que le leader.
Ce n’est pas un défaut propre au résultat. C’est à cela que ressemble un classement de 1 017 comparaisons. À titre de comparaison, le classement Franka du même projet compte 5 643 comparaisons et celui de Bimanual-YAM, 4 517 ; SO-ARM101 est le plus mince des trois d’un facteur d’environ cinq, avec 78 scènes et 70,3 heures-robot derrière lui. Un nouveau venu peut atteindre la première place ici plus rapidement que sur n’importe quel autre classement de l’ensemble. C’est une propriété du classement, pas du modèle, et cela restera vrai la prochaine fois qu’un modèle sera publié.
Pourquoi un modèle de langage se trouve sur une carte de robot
Le fait structurel le plus intéressant concernant ce classement est qu’il mélange deux types de systèmes généralement tenus à l’écart. Cinq des dix politiques sont des checkpoints vision-langage-action — pi0.5, GR00T N1.7, MolmoAct2, LingBot-MolmoAct2, G0.5 — entraînés sur des données robotiques et, dans la Fine-tune Track, affinés sur 100 démonstrations par tâche. Les cinq autres sont des agents de frontière : GPT-6.2 Astra, GPT-6 Astra, Claude Fable 5.2, Claude Opus 5.5 et Grok 4.7, chacun connecté via une infrastructure de service et laissé libre d’écrire lui-même le code de mouvement. L’article le dit sans détour : les agents de frontière « participent exclusivement à l’Open Track », tandis que les modèles VLA utilisent des checkpoints spécifiques à chaque embodiment.
C'est ce choix de conception qui rend le résultat lisible, et qui explique pourquoi il ne faut pas y voir une affirmation sur les modèles robotiques. GPT-6.2 Astra n'a pas été entraîné sur des trajectoires SO-101. Il n'a pas été affiné sur les tâches. On lui demande d'examiner des flux de caméra, de raisonner sur une table et d'émettre des commandes de mouvement, ce qui teste une compétence générale appliquée à une boucle physique plutôt qu'une aptitude à la manipulation. Le fait que cela surpasse une politique entraînée spécifiquement pour le bras est l'essentiel ; le taux de réussite de 22 % est le prix à payer pour cette approche.
Le contrôle croisé entre embodiments réalisé dans l’article fait office de correctif. Les classements de politiques montrent « un faible accord entre les suites de tâches propres à chaque embodiment », avec un W de Kendall de 0,24 — ce qui est proche d’une absence totale d’accord. π0.5 se classe premier sur Franka et Bimanual-YAM, et quatrième sur l’humanoïde G1 ; GR00T N1.7 mène sur SO-ARM101 après affinage et termine quatrième sur les deux autres. Un score obtenu sur un bras ne se transfère pas, et GPT-6.2 Astra n’a été exécuté que sur celui-ci. Il est totalement absent du classement Franka, où la génération précédente, GPT-6 Astra, mène actuellement avec 1 915.
Un jour, 122 comparaisons
Le post à l’origine de cette discussion indique que le modèle a été soumis à « des centaines de comparaisons en face à face sur le terrain » en « un seul JOUR ». Le classement attribue 122 à GPT-6.2 Astra. Les deux chiffres peuvent être vrais — l’arène effectue des comparaisons pour chaque politique qui y figure, et le débit quotidien se situe largement dans les centaines — mais un seul d’entre eux correspond à l’échantillon derrière le 1 984, et c’est le plus petit.
Il vaut la peine de fixer la chronologie, car « un jour » joue un rôle rhétorique. OpenAI a livré GPT-6.2 Astra le 17 novembre. La note du tableau SO-ARM101 porte un horodatage de calcul du 20 novembre, 19:46 UTC, et la comparaison la plus récente de l’arène a été enregistrée le même matin à 09:49 UTC. Ainsi, les 122 comparaisons se sont accumulées sur environ trois jours d’un tableau en direct, et non sur vingt-quatre heures d’une exécution dédiée. Le site s’actualise toutes les heures, ce qui signifie que le nombre que vous voyez est une estimation évolutive plutôt qu’un résultat final — et qu’un changement de rang d’une ou deux places fait parfaitement partie de ce que la prochaine actualisation peut produire.
Rien de tout cela ne rend le résultat faux. Cela le rend provisoire d’une manière précise et vérifiable : la direction est claire, l’ampleur n’est pas encore fixée, et quiconque cite 1,984 comme une quantité fixe cite un ajustement qui va bouger.
Ce que coûte le rang

C’est ici que le bruit devient une décision d’achat plutôt qu’une note de bas de page méthodologique. Dans le classement SO-ARM101, les deux meilleurs modèles sont affichés au même prix. GPT-6.2 Astra coûte 8 $ par million de tokens d’entrée et 40 $ par million de tokens de sortie ; Claude Fable 5.2, 8 $ et 40 $ ; GPT-6 Astra, trois places plus bas, 10 $ et 50 $. Claude Opus 5.5, en troisième position, est à 4 $ et 20 $ — la moitié du prix d’entrée d’Astra et la moitié de son prix de sortie — et pi0.5, la meilleure politique spécialisée du classement, est à poids ouverts et gratuit à servir sur votre propre matériel.
• Rang 1 — GPT-6.2 Astra, 1 984 DCR, 8 $ en entrée / 40 $ en sortie par million de tokens
• Rang 2 — Claude Fable 5.2, 1 803 DCR, 8 $ / 40 $
• Rang 3 — Claude Opus 5.5, 1 666 DCR, 4 $ / 20 $
• Rang 4 — pi0.5, 1 526 DCR, poids ouverts
• Rang 5 — GPT-6 Astra, 1 393 DCR, 10 $ / 50 $
Lisez cela comme une courbe de coûts et le classement cesse d’être la partie intéressante. Passer de la troisième à la première place double la facture par token et achète une avance que le tableau lui-même dit être dans les barres d’erreur. Passer de la cinquième à la première place économise 20 % et achète 591 points DCR, soit le plus grand saut d’une seule génération du tableau — mais cela signifie aussi que la génération précédente est désormais l’option la plus coûteuse, le genre d’inversion qui n’apparaît que lorsqu’on regarde la colonne des prix à côté du classement.
Pour tout ce qui se trouve dans une boucle, cette arithmétique se cumule. Une session de manipulation n’est pas une requête unique ; c’est une longue séquence d’appels, dont la plupart transportent des images de caméra et une transcription croissante, et le prix par token se multiplie à chaque étape. Un modèle qui termine 22 % des tâches et coûte 8 $ par million de tokens d’entrée est un achat différent d’un modèle qui en termine 5 % et coûte 10 $, et la différence n’est pas visible du tout dans le classement.
GPT-6.2 Astra ne figure pas encore au catalogue OrcaRouter, donc la réponse honnête pour quiconque souhaite l’appeler est l’API du fournisseur elle-même. Ce que le catalogue propose, en revanche, c’est le reste de cette colonne : GPT-6 Astra à 10 $ et 50 $, GPT-6.1 Sol à 2 $ et 10 $, et Claude Opus 5.5 à 4 $ et 20 $, tous à 0 % de marge sur le prix catalogue du fournisseur, ce qui explique pourquoi une baisse de prix du fournisseur arrive de notre côté le jour même où elle arrive du leur. Exécuter la même tâche sur trois de ceux-ci et comparer les exécutions terminées est l’expérience la moins chère de cette page, et c’est celle que le classement vous demande de faire plutôt que celle qu’il rapporte.
Qu’est-ce qui changerait le verdict
Trois choses suffiraient à transformer une première place provisoire en une première place définitive, et toutes trois sont observables.
Le premier est un échantillon. SO-ARM101 a besoin de plusieurs centaines de comparaisons par politique avant que ses intervalles ne se resserrent jusqu’à la largeur de ceux du classement Franka. La fourchette de GPT-6.2 Astra fait 376 points de large à 95 % de crédibilité ; le leader de Franka, GPT-6 Astra de génération précédente, se situe dans une fourchette d’environ 185 points de large sur 194 comparaisons. Lorsque l’échantillon d’Astra double à peu près, la question de savoir s’il est réellement devant Claude Fable 5.2 se résout d’elle-même.
Le second point est un second embodiment. Un modèle qui mène sur un bras et n’a jamais été exécuté sur un autre n’est qu’un point de données, pas une affirmation de capacité, et le W de Kendall de 0,24 du papier est l’aveu même du projet que les classements ne voyagent pas. Si GPT-6.2 Astra apparaît sur le tableau Franka ou Bimanual-YAM à un rang similaire, le résultat SO-101 cesse d’être un artefact d’un tableau peu fourni.
Le troisième est la Fine-tune Track. L’article indique qu’après un fine-tuning sur 100 démonstrations par tâche, GR00T N1.7 devance SO-101 — et GR00T N1.7 occupe actuellement la huitième place du classement ouvert avec 1,37 % de réussite et 219 comparaisons. C’est la ligne la plus utile de tout le jeu de données : la politique qui gagne quand tout le monde reçoit les mêmes démonstrations est proche du bas quand personne n’en reçoit, et l’agent de pointe qui remporte la piste ouverte n’est pas celui que quiconque choisirait pour un déploiement. Deux questions différentes, deux vainqueurs différents, et une seule des deux est ce à quoi une équipe de robotique doit réellement répondre avant de livrer.
D’ici là, le résumé équitable du 20 novembre est étroit et mérite d’être énoncé précisément. Un modèle polyvalent, âgé de quatre jours, a pris la tête d’un classement de robots réels en terminant 22 % de ses tâches, sur 122 comparaisons à l’aveugle, devant un ensemble qui comprend les politiques spécialisées conçues pour ce bras — et le site qui a publié le classement est le premier à dire que l’avance se situe dans le bruit.
Comparés dans cet article1
Détecté à partir de cet article · Benchmarks : Artificial Analysis · mis à jour quotidiennement
