GPT-6 Astra vs GLM-5.5 : un côté de cette comparaison ne peut pas être testé

Le 6 octobre 2026, un site technologique tiers a publié un article dont le titre affirmait que GLM-5.5surpasse Mythos 5.1 et GPT-6 Astra. Cette affirmation est la raison d'être de cette page, et il vaut la peine d'être précis sur ce dont il s'agit : un titre qui porte sur deux choses qui ne sont pas de même nature. GPT-6 Astra est un modèle livré — O​penAI l'a publié le 3 septembre 2026, il porte l'identifiant gpt-6-astra, il dispose de quatre compteurs publiés, d'une fenêtre de contexte documentée de 1 050 000 jetons et d'un classement dans l'Artificial Analysis Intelligence Index que tout le monde peut consulter. GLM-5.5 est un numéro de version qui n'est jamais apparu dans un journal de versions de Z.ai, dans une fiche de modèle, dans une grille tarifaire, ni dans aucun dépôt que le laboratoire possède. Au 15 octobre 2026, il n'existe derrière lui aucun artefact à évaluer, à appeler ou à facturer.

Donc la forme honnête de cette comparaison n’est pas un face-à-face. C’est une description de ce que chaque camp peut étayer comme preuves, et des éléments concrets et vérifiables qui devraient apparaître avant que la confrontation ne devienne réelle. Cela s’avère plus utile qu’une fiche technique ne l’aurait été, car le schéma — un numéro de version divulgué se voyant attribuer une allégation de benchmark qu’il ne peut pas soutenir — est celui que les lecteurs ne cessent de rencontrer dans cette gamme de produits.

Ce qu'est GLM-5.5, en un paragraphe

C'est un nom au sein d'une lignée qui l'a sauté. Le journal des versions de Z.ai mentionne GLM-5.3 le 18 août 2026 et GLM-5.3-Flash le 26 août ; la documentation de l'entreprise répertorie ces deux-là, plus GLM-5.2, puis s'arrête. Les emplacements 5.4 et 5.5 ont été extrapolés vers le haut à partir d'une ancienne projection d'analyste, et la conférence téléphonique sur les résultats du 31 août de l'entreprise elle-même a désigné GLM-6.0 comme base de nouvelle génération — contournant ainsi ces deux numéros. L'audit complet sur neuf surfaces, avec les URL et la méthode pour pouvoir le relancer, se trouve sur notre page de référence pour ce nom. Ce qui importe ici est plus restreint : un numéro fuité n'est pas une spécification, et une allégation de benchmark attachée à un numéro fuité ne peut être vérifiée par personne, y compris par les personnes qui l'ont publiée.

Deux modèles, deux types de preuves

Mettez les deux côtés en regard des mêmes dimensions et l'asymétrie cesse d'être rhétorique :

• Grille tarifaire — GPT-6 Astra 10,00 $ en entrée, 1,00 $ en cache, 12,50 $ pour les écritures de cache, 50,00 $ en sortie par million, contre GLM-5.5 : rien de publié, parce qu'il n'y a pas de page de tarification sur laquelle publier

• Tranche des prompts longs — GPT-6 Astra re-tarifé à 20,00 $ / 75,00 $ au-delà de 272 000 jetons d’entrée, par rapport à GLM-5.5 : aucune condition à préciser

• Fenêtre de contexte — GPT-6 Astra 1 050 000 tokens en entrée, 128 000 en sortie, contre GLM-5.5 non précisé

• Modalité d’entrée — GPT-6 Astra : entrée texte, image et fichier, sortie texte vs GLM-5.5 non précisé

• Identifiant — GPT-6 Astra gpt-6-astra, résolvable dans la documentation d’OpenAI et dans notre catalogue, contrairement à GLM-5.5, sans identifiant sur aucune surface fournisseur

• Score indépendant — GPT-6 Astra : 53 sur l'Artificial Analysis Intelligence Index, 44,6 tokens de sortie par seconde, 3,26 $ par tâche d'indice terminée, contre GLM-5.5 : aucune entrée, et aucun moyen d'en produire une

• Affirmation de benchmark — GPT-6 Astra : un tableau de fournisseur (98 % FrontierMath Tier 4, 99,9 % ARC-AGI-3, 100 % ExploitBench, 57,9 % Terminal-Bench 4.0), chaque chiffre attribuable à OpenAI et chacun assorti de réserves ci-dessous ; face à GLM-5.5 : une assertion comparative sans chiffre, sans harnais et sans modèle

• Poids — GPT-6 Astra fermé, API uniquement vs GLM-5.5 : aucun à publier

La partie du dossier Astra qui résiste à l’examen, et celle qui n’y résiste pas.

Étant donné qu'un côté de cette page dispose d'une base de preuves complète et que l'autre n'en a aucune, la chose la plus utile que cet article puisse faire est de dire précisément quelle part du dossier Astra est porteuse.

Le volet indépendant est solide. Artificial Analysis évalue GPT-6 Astra à 53 sur son Intelligence Index actuel, sur dix évaluations, ce qui le classe septième des 216 modèles de ce classement, à 3,26 $ par tâche d’indice complétée, avec environ 60 M de tokens de sortie générés sur l’ensemble de l’exécution — plus concis que la médiane du classement, qui est d’environ 85 M. Il est mesuré à 44,6 tokens de sortie par seconde, ce qui le place 168e sur 185 en vitesse, et ce n’est pas un artefact d’arrondi : pour un agent qui effectue de nombreux appels séquentiels, le débit est un poste de coût. Ces chiffres proviennent d’un évaluateur qui publie sa méthodologie, et ce sont les chiffres sur lesquels un lecteur devrait s’appuyer pour planifier.

Le volet fournisseur doit être accompagné de ses étiquettes. OpenAI annonce 98 % sur FrontierMath Tier 4 et décrit ce niveau comme saturé ; 99,9 % sur ARC-AGI-3, avec l’affirmation d’une parité d’efficacité d’action avec l’humain sur 96 % des niveaux ; 100 % sur ExploitBench, Astra étant le premier modèle OpenAI à franchir le seuil « Critical » de cybersécurité de l’entreprise ; et 57,9 % sur Terminal-Bench 4.0, contre 37,3 % pour GPT-5.6 Sol. Aucun de ces chiffres n’a été reproduit indépendamment. Le chiffre pour ARC-AGI-3 est celui qui a le plus besoin de sa note de bas de page, et ARC Prize l’a fournie : dans le harnais standard, où le modèle ne peut reporter que les notes qu’il écrit pour lui-même, Astra a obtenu 62,7 % ; les 99,9 % ont été mesurés avec un adaptateur de fournisseur qui préserve l’état de raisonnement entre les requêtes. Les deux colonnes ont été publiées. L’écart de 37 points correspond à l’effet du harnais, et quiconque cite 99,9 % face au chiffre d’un concurrent obtenu avec le harnais standard compare deux expériences différentes.

Appliquez cette discipline à l’affirmation du 6 octobre et elle échoue dès la première étape. Il n’y a pas de harnais à nommer, pas de score à comparer, pas de configuration à maintenir constante, et pas d’identifiant de modèle à épingler. « Dépasse GPT-6 Astra » n’est pas encore une affirmation qui peut être vraie ou fausse ; c’est une affirmation en attente d’un sujet.

Le GLM que vous pouvez réellement exécuter contre Astra

Si la question derrière la recherche est « dois-je utiliser un GLM ou un fleuron d’OpenAI », le nom dans le rapport n’est pas le nom dans la réponse. Le modèle texte phare commercialisé par Z.ai est GLM-5.3, publié le 18 août 2026 avec des poids sur Hugging Face à partir du 25 août — un modèle de mélange d’experts de 753 milliards de paramètres, avec environ 40 milliards de paramètres actifs par jeton, une fenêtre de contexte de 1 000 000 de jetons, un plafond de sortie de 128 000 jetons, et uniquement du texte en entrée et du texte en sortie. La réflexion est toujours activée ; la profondeur se règle avec reasoning_effort. Il est distribué sous une licence personnalisée plutôt qu’ouverte, ce qui constitue une véritable contrainte si vous avez l’intention de construire sur les poids plutôt que d’appeler l’API.

Face à GPT-6 Astra, le compromis prend la forme d’un arbitrage entre prix et verbosité, et sa seconde moitié est celle que personne ne cite :

• Prix — GPT-6 Astra 10,00 $ / 50,00 $ par million contre GLM-5.3 1,40 $ / 4,40 $ sur la grille tarifaire de Z.ai, qui indique 1,26 $ / 3,96 $ dans notre catalogue

• Indice indépendant — GPT-6 Astra 53 vs GLM-5.3 45, tous deux sur l’échelle actuelle d’Artificial Analysis

• Coût par tâche d’indexation terminée — GPT-6 Astra 3,26 $ vs GLM-5.3 2,01 $

• Jetons de sortie lors de cette exécution — GPT-6 Astra 60M contre GLM-5.3 210M, face à une médiane du classement proche de 85M

• Débit — GPT-6 Astra 44,6 jetons par seconde contre GLM-5.3 58,2

Cette quatrième ligne est celle qui change les décisions. La grille tarifaire de GLM-5.3 est environ sept fois moins chère que celle d’Astra en entrée et onze fois moins chère en sortie, et il en coûte encore 2,01 $ pour terminer une tâche d’indexation, contre 3,26 $ pour Astra — un écart bien plus étroit que ne le laissent penser les grilles tarifaires. La raison est la verbosité : 210 M de tokens de sortie contre 60 M pour Astra sur la même suite. Un token bon marché multiplié par un modèle bavard ne reste pas bon marché. C’est aussi pourquoi le 1,26 $ / 3,96 $ que notre catalogue affiche compte moins qu’il n’y paraît : une remise de 10 % sur un compteur sur lequel le modèle consomme 3,5 fois plus d’unités a un effet limité face à la différence du nombre de tokens.

Une correction qui mérite de figurer au compte rendu plutôt que dans une note de bas de page, car elle concerne quiconque détient un chiffre plus ancien : les articles publiés précédemment dans cette rubrique, y compris notre propre article d'août, citaient GLM-5.3 à 60 sur l'Artificial Analysis Intelligence Index. C'était la lecture obtenue sur la version de l'indice en vigueur en août. Le même modèle affiche 45 sur l'échelle utilisée aujourd'hui, car l'indice lui-même a été révisé. Le chiffre n'a pas baissé ; c'est l'étalon qui a changé. Toute comparaison qui mélange un chiffre issu d'une version de l'indice avec un chiffre issu d'une autre n'est pas une comparaison, ce qui constitue le même écueil que de citer le 99,9 % d'ARC-AGI-3 d'Astra face à un concurrent évalué avec le harnais standard.

Où s'intègre le routage

Il y a un test pratique dans tout cela, et c’est celui qu’effectue un catalogue. GPT-6 Astra se résout en openai/gpt-6-astra sur OrcaRouter et GLM-5.3 se résout en z-ai/glm-5.3, tous deux derrière un seul point de terminaison compatible OpenAI aux tarifs catalogue des fournisseurs, répercutés sans marge de notre part — donc une modification des tarifs de Z.ai et une modification des tarifs d’OpenAI tombent toutes deux sur la même clé le jour de leur publication, et faire passer le trafic entre les deux est un changement de chaîne de modèle plutôt qu’un second contrat. Un nom qui ne se résout en rien est un autre type de signal, et la requête est peu coûteuse à exécuter.

Cela a une utilité précise ici. La façon de trancher une question GLM contre Astra pour votre propre trafic consiste à exécuter votre propre jeu de tâches sur les deux, et le coût de mise en place de cette expérience est exactement ce qu'un point de terminaison partagé élimine. Il vous donne aussi la moitié la moins chère de la réponse sans expérience : la tranche de 20,00 $ / 75,00 $ d'Astra au-delà de 272 000 tokens se situe précisément là où le tarif fixe de 1,26 $ / 3,96 $ de GLM-5.3 ne se situe pas, donc une charge de travail à contexte long a une raison tarifaire de préférer le GLM avant même de consulter le moindre benchmark.

Aucune route n’est revendiquée pour GLM-5.5, car il n’y a rien à router : c’est un nom, et une requête dans le catalogue pour celui-ci renvoie un introuvable plutôt qu’un modèle.

Qu’est-ce qui rendrait cette page obsolète ?

La liste est courte et chaque élément est vérifiable indépendamment, et c’est là tout l’intérêt. GLM-5.5 devient réel quand une fiche de modèle apparaît dans la documentation de Z.ai avec un identifiant, quand une ligne de grille tarifaire le porte, quand un dépôt Hugging Face détenu par le laboratoire publie des poids sous une licence nommée, quand un évaluateur indépendant a une page qui lui est consacrée, et quand une requête sur un catalogue renvoie un modèle au lieu d’un 404. Chacun de ces éléments, à lui seul, est un signal fort. Tant qu’au moins l’un d’eux ne s’est pas matérialisé, un rapport décrivant les performances de GLM-5.5 face à GPT-6 Astra décrit une comparaison entre un produit et une projection.

La lecture défendable de cette confrontation aujourd'hui n'est donc pas un verdict mais une répartition des tâches. GPT-6 Astra est le modèle le mieux étayé et le plus cher, et son terrain le plus faible est exactement là où un GLM est le plus fort : le contexte long, les gros volumes et les tâches où la verbosité de la sortie constitue le coût dominant. GLM-5.3 est le compteur le moins cher, avec la dépense la plus lente, son score indépendant est inférieur de 8 points, et il ne peut voir une image à aucun prix. Si un GLM-5.5 voit effectivement le jour, le chiffre à surveiller en premier n'est pas son benchmark — c'est son nombre de jetons de sortie sur une suite fixe, car c'est ce chiffre qui a historiquement réduit à presque rien l'avantage tarifaire de GLM.

Une sortie est aussi le moment de vérifier ce qui a mal tourné auparavant : les incidents d'IA documentés et les défaillances d'agents autour des modèles de cette classe sont rassemblés dans the OrcaRouter AI Incident Archive, où chaque entrée comporte ses propres sources, sa gravité, sa note de confiance et un indicateur de contestation.