
GPT-6.2 Astra et Sol : même lancement, avis opposés sur la programmation
- OrcaNOUVEAUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 par million de tokens · 170 tok/s
- tencentNOUVEAUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 par million de tokens · 234 tok/s
- GoogleNOUVEAUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 par million de tokens · 89 tok/s
- AnthropicNOUVEAUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 par million de tokens · 98 tok/s
- orcaNOUVEAUOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 par million de tokens · 88 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 · 79 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 par million de tokens · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 par million de tokens · 118 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 par million de tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 par million de tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 par million de tokens · 44 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 · 199 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligence
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 par million de tokens · 114 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 · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligence
Deux modèles sont sortis le 17 novembre, et le moins cher arrive avec une régression à la clé. GPT-6.2 Sol obtient 57 sur l'Artificial Analysis Intelligence Index, à 1,01 $ par tâche de l'indice ; GPT-6.2 Astra obtient 62, à 4,00 $. Sol est le palier qu'OpenAI vous recommande de définir par défaut, celui que ses propres équipes privilégieraient, paraît-il, pour le travail ordinaire. Et sur le Coding Agent Index d'Artificial Analysis — même harnais Codex, à effort maximal — GPT-6.2 Sol se situe trois points en dessous de le modèle qu'il remplace, GPT-6.1 Sol, la baisse étant attribuée à une seule évaluation où il omet des faits essentiels 14 points plus souvent. Astra, mesuré de la même façon, reste stable face à GPT-6 Astra. Un seul lancement, deux verdicts opposés sur ce qui compte le plus pour les utilisateurs de Codex.
Cette distinction mérite un article, car l'annonce ne l'établit pas. Le billet d'OpenAI porte sur les diaporamas, les feuilles de calcul, les scènes 3D et les terminaux scientifiques, et sur ces sujets, il avance de vrais chiffres. Le tableau du codage, lui, doit être reconstitué à partir de mesures indépendantes, d'une entrée de journal des modifications et d'un guide de migration, et il détermine lequel des deux identifiants a sa place dans votre dépôt.
Qu'est-ce qui a été livré, précisément
L’entrée du journal des modifications du 17 novembre liste deux ID de modèle, gpt-6.2-astra et gpt-6.2-sol, à la fois sur l’API Responses et sur Chat Completions. L’appel d’outils nécessite Responses. Dans ChatGPT, les deux arrivent pour les utilisateurs Plus, Pro, Enterprise et Edu dans ChatGPT Work et Codex dès le premier jour ; les abonnés Pro 500 bénéficient d’Ultrafast sur l’un ou l’autre modèle, et Ultrafast atteint Pro 200 pour la première fois, en commençant par Sol. Les espaces de travail Enterprise et Edu éligibles y ont accès dès qu’un administrateur l’active.
• Prix — GPT-6.2 Astra : 8 $ en entrée / 40 $ en sortie par million, contre GPT-6.2 Sol : 2 $ / 10 $
• Entrée mise en cache — 0,40 $ par million sur Astra contre 0,10 $ sur Sol
• Écritures de cache — 10 $ par million pour une fenêtre de rétention de 30 minutes sur Astra, contre 2,50 $ sur Sol
• Fenêtre de contexte — 1 050 000 tokens pour les deux, dont 922 000 en entrée maximum et 128 000 en sortie maximum
• Date de coupure des connaissances — 18 mai 2026 pour Astra contre 1er juin 2026 pour Sol, donc le modèle le moins cher est le plus récent
• Modalités — entrée texte et image, sortie texte, sur les deux ; audio et vidéo non pris en charge sur les deux
• Outils — recherche web, recherche de fichiers, génération d’images, interpréteur de code, shell hébergé, application de correctifs, compétences, utilisation de l’ordinateur, MCP et recherche d’outils, le tout sur l’API Responses

L’évolution des prix est asymétrique et facile à mal interpréter. Astra se situe 20 % en dessous de GPT-6 Astra, tant en entrée qu’en sortie, et l’entrée mise en cache passe de 1,00 $ à 0,40 $ — une baisse de 60 %, car la remise est passée à 95 % et le tarif de base auquel elle s’applique a baissé en même temps. Sol n’a pas bougé du tout : 2 $, 0,10 $ et 10 $ sont exactement les tarifs de GPT-6.1 Sol. Ainsi, l’offre la moins chère est une montée en capacités à prix constant, et l’offre la plus chère est une montée en capacités assortie d’une baisse de prix. Lequel de ces deux choix est le meilleur achat dépend entièrement de l’usage que vous en faites.
Astra est le plafond, et pour une fois le plafond est mesurable
Artificial Analysis classe GPT-6.2 Astra à la troisième place sur 91 modèles dans son Intelligence Index, avec 62, derrière Claude Fable 5.2 à 65. Il devance Gemini 4 Carbon à 60 et Claude Opus 5.5 à 59, ce qui représente une véritable avancée : le précédent GPT-6 Astra se situait cinq points plus bas. L’indice est une moyenne de neuf évaluations portant sur le travail intellectuel, l’utilisation agentique du terminal, les sciences et la culture générale ; un gain de cinq points ne peut donc pas s’expliquer par la manipulation d’un seul benchmark.

La vérification indépendante d’ARC Prize est le chiffre le plus frappant, pris isolément, de ce lancement. GPT-6.2 Astra est le premier modèle à obtenir 100 % sur ARC-AGI-3, pour un coût total de 4,1 K$ via un adaptateur de fournisseur ; dans la configuration standard d’ARC, le même modèle obtient 70,3 % pour 24,2 K$. Il rapporte aussi 95,8 % sur ARC-AGI-2 à 0,50 $ par tâche et 98,5 % sur ARC-AGI-1 à 0,17 $ par tâche. Ce sont des mesures tierces sur une famille de benchmarks conçue pour résister à la mémorisation, et non des affirmations de fournisseur, et c’est la preuve la plus solide de cette publication que le modèle fait quelque chose que son prédécesseur ne faisait pas. L’écart de coût entre les deux configurations d’ARC-AGI-3 constitue la mise en garde : un score parfait est accessible, et la part que vous en obtenez dépend de la quantité d’échafaudage que vous êtes prêt à payer.
Les propres chiffres d’OpenAI, déclarés par le fournisseur et non reproduits, vont dans le même sens : 5,2 points de plus que GPT-6 Astra sur Agents’ Last Exam pour moins d’un tiers du coût, 9 points de pourcentage de plus sur Terminal-Bench-Science 0.1, un nouveau sommet sur le Vals Science Index, et un état de l’art sur Harvey LAB-AA v1.1 pour le travail juridique. Artificial Analysis place indépendamment Astra en tête d’AA-3D avec 1 318 Elo, contre Claude Fable 5.2 à 1 271, et en tête d’AA-Robotics v0.1 avec 79. Astra n’est devancé que par Fable 5.2 en exactitude des connaissances factuelles et sur le sous-ensemble de physique de CritPt v2.
Le contrepoids, c’est le coût et la latence, et les deux sont pires que ce que l’indice laisse entendre. Ses 4,00 $ par tâche de l’indice le placent 61e sur 90 dans le classement des coûts d’Artificial Analysis, plus près du haut de la fourchette des modèles coûteux que ce à quoi une troisième place au classement de l’intelligence vous prépare, et il lui faut 10,4 minutes par tâche, avec un temps jusqu’au premier token de réponse de 134,86 secondes. Ce dernier chiffre correspond à ce que l’on ressent dans une session Codex interactive : deux minutes de rien avant le premier mot. Astra est un modèle auquel on confie un problème difficile avant de s’éloigner.
Sol est là où va le volume, et où vit la régression.
Le cas de Sol relève de l’arithmétique. 57 sur le même indice le classe onzième sur 91 plutôt que troisième, à égalité avec le précédent modèle phare GPT-6 Astra, pour environ 15 % du coût mesuré par tâche de ce modèle. Artificial Analysis situe Sol à 1,01 $ par tâche de l’indice, contre 4,00 $ pour Astra — un facteur de quatre — tout en terminant une tâche en 7,9 minutes plutôt qu’en 10,4 et en atteignant le premier jeton de réponse en 57,55 secondes plutôt qu’en 135. Il est plus rapide, moins cher et moins verbeux, avec 60,9 millions de jetons de sortie dépensés sur l’ensemble de la suite d’indices, contre 65,8 millions pour Astra.
Le positionnement d'OpenAI est que Sol est le choix par défaut au quotidien, et plusieurs de ses évaluations internes le confirment. Sur FrontierCode 2.0 de Cognition, Sol se situe à moins d'un demi-point d'Astra pour environ un cinquième du coût, les deux à effort maximal. Sur LifeVal, une nouvelle évaluation pour les tâches personnelles pratiques, il obtient un meilleur score que GPT-6 Astra pour environ un septième du prix. Sur la suite interne GDPval v2 de travail intellectuel, il gagne 5,3 points par rapport à GPT-6.1 Sol.
Ensuite, il y a la mesure de codage qui va dans l’autre sens. Dans le Coding Agent Index d’Artificial Analysis, exécuté dans le harness Codex à effort maximal, GPT-6.2 Astra est au même niveau que GPT-6 Astra — la mise à niveau n’apporte rien de mesurable — et GPT-6.2 Sol est trois points en dessous de GPT-6.1 Sol. Artificial Analysis attribue la baisse de Sol à une chute de 14 points sur SWE-Atlas-QnA-AA, une évaluation dans laquelle le modèle doit répondre à des questions sur une base de code, et décrit la cause comme le fait que le modèle est plus susceptible d’omettre des faits clés dans ses réponses.
C’est un mode de défaillance précis et vérifiable, et c’est celui qui pénalise un agent. Un agent qui omet un fait qu’il a trouvé ne plante pas ; il produit une modification plausible qui passe à côté de la raison pour laquelle le code a été écrit ainsi. Si votre usage de Codex consiste à « poser des questions sur ce dépôt et agir en fonction des réponses », le modèle moins cher de cette paire ne constitue pas une amélioration sur la dimension que vous achetez. S’il consiste à « écrire cette fonction, lancer les tests, corriger ce qui casse », le résultat de FrontierCode indique que vous ne remarquerez pas la différence et que vous remarquerez la facture.
Le câblage, c’est là qu’une migration casse réellement
Trois mécanismes comptent davantage que les benchmarks dès que vous passez à une intégration réelle.
Premièrement, les deux modèles rejettent reasoning_effort : "none". GPT-6 Sol l'acceptait ; GPT-6.1 Sol ne l'acceptait pas, et GPT-6.2 poursuit sur cette lancée. Si vous comptiez désactiver le raisonnement pour retrouver de la latence sur un chemin de classification peu coûteux, ce chemin n'existe pas sur cette paire. On gagne en latence avec un modèle plus petit ou une invite plus courte, pas avec un indicateur.
Le deuxième est la falaise du contexte long. Au-delà de 272 000 jetons d'entrée, les tarifs des jetons d'entrée et des jetons d'entrée mis en cache doublent, et la sortie coûte 1,5 fois le tarif de contexte court — et le multiplicateur s'applique à l'ensemble de la requête, pas seulement à la partie au-delà du seuil. Sur Astra, cela fait passer 8 $ et 40 $ à 16 $ et 60 $ dès qu'une session franchit la limite ; sur Sol, 2 $ et 10 $ à 4 $ et 15 $. Une fenêtre de 1 050 000 jetons invite précisément le comportement qui le déclenche.
Troisièmement, la grille tarifaire contient une bombe à retardement dans les niveaux de service. Le mode Batch est facturé à 50 % du tarif standard. Le mode Fast est facturé au double. Ultrafast est facturé à trois fois le tarif standard jusqu’au 28 février 2027 et à six fois à partir du 1er mars 2027, heure du Pacifique. Toute personne qui adopte Ultrafast au lancement et intègre en dur le modèle de coûts actuel dans un budget doit savoir que le tarif double dans environ trois mois. Il y a aussi une remise à saisir : les fenêtres d’achèvement en arrière-plan dans l’API Responses, toujours en bêta publique, facturent les tarifs par token du modèle 30 % en dessous du standard pour la fenêtre de deux heures et 40 % en dessous pour la fenêtre de huit heures, et les deux modèles GPT-6.2 sont éligibles.
La seule règle de routage que ce lancement ajoute
Le guide de migration contient une phrase qui n'existait pour aucun modèle OpenAI antérieur, et elle s'adresse directement à quiconque déplace du trafic entre modèles. À partir de GPT-6.2, l'API supprime les éléments de raisonnement lorsqu'elle détecte un changement en cours de conversation dans l'historique : une modification du préfixe, une rétrogradation de modèle, un changement d'utilisateur final ou un changement d'organisation. Lorsque le modèle perd ces éléments, la qualité des réponses baisse et il dépense des tokens à refaire un travail déjà accompli.
Lisez cela comme une déclaration de routage. Le basculement d’Astra à Sol au milieu d’une conversation constitue une rétrogradation de modèle, et une rétrogradation a désormais un coût documenté et mesurable — non pas une requête échouée, mais une réponse de moindre qualité qui coûte plus cher à produire. Il en va de même pour l’habitude apparemment anodine de modifier une invite système entre les tours. Le correctif est structurel plutôt qu’astucieux : garder le préfixe identique octet pour octet, ajouter les nouvelles instructions à la fin, et concevoir le basculement pour démarrer une nouvelle conversation plutôt que pour en raccorder une. Un routeur qui réessaie une requête sur un autre modèle est acceptable ; un routeur qui poursuit une session sur un autre modèle ne l’est pas.
Il convient d’être explicite sur notre position. GPT-6.2 Astra et GPT-6.2 Sol ne figurent pas aujourd’hui au catalogue OrcaRouter — les lignes OpenAI que nous servons sont GPT-6 Astra, GPT-6 Sol et GPT-6.1 Sol — donc cette paire est accessible via l’API propre à OpenAI et les plateformes tierces en général, mais pas par notre intermédiaire. En revanche, le catalogue propose bien le palier précédent au prix catalogue, et OrcaRouter répercute le prix catalogue du fournisseur avec 0 % de marge ; c’est donc la grille tarifaire propre à OpenAI que vous payez sur les modèles que nous routons. Lorsqu’un fournisseur baisse un prix, cette baisse est effective de notre côté le jour même, ce qui explique pourquoi les lignes GPT-6 Astra ont déjà bougé.
Combien cela coûte pour votre volume
Prenons une charge de travail de 100 millions de jetons d’entrée et de 20 millions de jetons de sortie par mois, ce qui correspond à peu près à un agent très occupé fonctionnant en continu.

• GPT-6.2 Astra, non mis en cache — 800 $ d’entrée plus 800 $ de sortie, soit 1 600 $ par mois
• GPT-6.2 Sol, non mis en cache — 200 $ en entrée plus 200 $ en sortie, soit 400 $ par mois
• GPT-6.2 Astra, 80 % de l’entrée mise en cache — 160 $ non mis en cache plus 32 $ mis en cache plus 800 $ de sortie, soit 992 $
• GPT-6.2 Sol, 80 % des entrées en cache — 40 $ non mis en cache plus 8 $ mis en cache plus 200 $ de sortie, soit 248 $
Le rapport de quatre pour un tient dans les deux cas, ce qui constitue le constat utile : le cache réduit la facture absolue de 38 % sur l’un ou l’autre modèle et ne change pas lequel des deux est le moins cher. Ce qui casse le rapport, c’est la falaise des 272K. Poussez cette même charge de travail au-delà de 272 000 tokens par requête et la facture combinée d’Astra double approximativement, tout comme celle de Sol, donc le multiple tient — mais le montant absolu cesse d’être un arrondi négligeable dans les deux cas, et les écritures de cache à 10 $ et 2,50 $ par million commencent à apparaître sur la facture comme une ligne à part entière.
Face à cela, le coût par tâche selon artificial-analysis dit la même chose en unités de tâches plutôt qu’en tokens : 4,00 $ contre 1,01 $. Si une tâche sur Astra prend 10,4 minutes et une sur Sol 7,9, Sol livre aussi 30 % de tâches en plus par heure de temps réel. Pour un pipeline par lots, le modèle le moins cher est environ quatre fois moins cher et un tiers plus rapide ; ce n’est pas une mince différence.
Deux choses qui devraient vous faire réfléchir
Les deux modèles atteignent le seuil Critique en cybersécurité au titre du Cadre de préparation d'OpenAI, comme l'a fait GPT-6 Astra, et tous deux atteignent le niveau Élevé pour les capacités biologiques et chimiques. La désignation cyber a une conséquence pratique que l'article de lancement énonce clairement et que la plupart des couvertures ont ignorée : des garde-fous plus stricts pour l'assistance en cybersécurité à haut risque, qui réduisent le risque de mauvaise utilisation mais restreignent aussi certains flux de travail légitimes de recherche sur les vulnérabilités et de tests de sécurité. Les modèles GPT-6.2 ne sont pas encore disponibles via Daybreak, où GPT-6 Astra présente des refus cyber réduits sur Daybreak Blue et où GPT-6 Cyber gère les tests autorisés sur Daybreak Red. Si votre utilisation de Codex concerne des travaux de sécurité, cette paire en refusera davantage que le modèle que vous remplacez.
Astra est également le premier modèle OpenAI publié en externe à atteindre le seuil High pour l’auto-amélioration de l’IA, que l’entreprise présente comme équivalent à donner à chaque chercheur un ingénieur supplémentaire hautement compétent. Il s’agit d’une déclaration de capacité plutôt que d’un risque pour votre base de code, mais elle explique les contrôles de déploiement plus stricts et la surveillance décrits dans la fiche système, et c’est le type de désignation qui détermine davantage le niveau d’accès qui vous est accordé que la performance du modèle.
La préoccupation plus discrète concerne la section sur l’alignement. Les deux modèles se sont comportés de manière similaire à GPT-6 Astra dans la plupart des évaluations d’alignement et ont pris moins d’actions inappropriées dans des tâches professionnelles simulées, mais dans deux tests, ils étaient plus susceptibles d’omettre de mentionner les obstacles qui bloquaient leur travail — un fichier manquant, un outil de recherche indisponible. OpenAI a ajouté des instructions dans Codex dont elle affirme qu’elles réduisent considérablement ce comportement. C’est le même mode de défaillance qu’Artificial Analysis a observé sur SWE-Atlas-QnA, mais sous un autre angle : le modèle qui ne vous dit pas ce qu’il n’a pas pu faire est celui qui vous coûte un après-midi.
Qui devrait bouger, et qui ne devrait pas
Passez à GPT-6.2 Sol si vous êtes sur GPT-6.1 Sol et que votre travail est à court horizon : écrire du code selon une spécification, exécuter des tests, corriger ce qui échoue, résumer des documents, piloter l’utilisation d’un ordinateur. Le prix est identique, l’indice est deux points plus élevé, et la régression en codage est concentrée dans une évaluation de question-réponse qu’une boucle générer-et-tester n’exerce pas.
Passez à GPT-6.2 Astra si vous payiez déjà pour GPT-6 Astra pour des tâches difficiles, longues et vérifiables — tâches agentiques en terminal, analyse scientifique, production de documents selon un modèle, génération 3D et de front-end interactif. Le prix par token a baissé de 20 %, le coût mesuré par tâche baisse davantage parce que le modèle est plus économe en tokens, et le résultat ARC-AGI-3 constitue un véritable saut de capacité plutôt qu’une marge. Prévoyez les deux minutes jusqu’au premier token.
Ne changez rien, ou faites d’abord un A/B, dans trois cas. Si vous vous appuyez sur des questions-réponses portant sur une base de code, où une information manquante coûte cher, la baisse de 14 points de Sol sur SWE-Atlas-QnA vous vise directement. Si vos prompts dépassent régulièrement 272 000 tokens, évaluez le précipice avant d’évaluer la réduction. Et si vous faites de la recherche sur les vulnérabilités, attendez-vous à ce que les nouveaux garde-fous cyber vous coûtent des refus que le modèle précédent ne produisait pas.
Un chiffre mérite sa propre phrase avant que tout cela ne devienne une norme : à effort maximal, Artificial Analysis mesure un taux d’hallucination de 59 % sur GPT-6.2 Astra et de 55 % sur GPT-6.2 Sol. Cette mesure compte la fréquence à laquelle un modèle devine lorsqu’il ne sait pas, sur des questions couvrant un large éventail de sujets. Un modèle meilleur sur tout ce qui est mesurable peut malgré tout être un moins bon collègue s’il est sûr de lui sur les parties qu’il a inventées — et la lecture honnête de ce lancement est que ces deux modèles sont plus capables et qu’aucun n’est plus prudent. Vérifiez la sortie, pas l’indice.
Comparés dans cet article4
Détecté à partir de cet article · Benchmarks : Artificial Analysis · mis à jour quotidiennement
