Terminal X s'accorde avec ses investisseurs seniors 88,6 % du temps sur GPT-6.1 Sol — et économise 30 % ce faisant

Le chiffre le plus intéressant dans la note qu'OpenAI a consacrée à Terminal X le 20 octobre 2026 n'est pas le nom du modèle. C'est 88,6 % — la part des 500 jugements d'investissement notés pour lesquels un agent d'évaluation fonctionnant sur GPT-6.1 Sol est parvenu au même verdict que le réviseur humain senior de l'entreprise. Le deuxième meilleur modèle du même banc d'essai a atteint 86,4 %. Deux cent vingt points de base les séparent, et environ 30 % séparent leur coût par requête. Terminal X utilise aussi GPT-6 Luna pour les étapes à fort volume, et la répartition entre ces deux niveaux constitue la véritable histoire d'ingénierie ici : du jugement là où il faut du jugement, du débit partout ailleurs. Les défaillances documentées de l'IA et les incidents d'agents à l'origine de versions comme celle-ci sont recensés dans l'OrcaRouter AI Incident Archive où chaque entrée comporte ses propres sources, son niveau de gravité, sa note de confiance et son indicateur de contestation.

Une chose doit être claire avant que les chiffres ne soient cités en réunion : il s’agit d’un témoignage client publié par le fournisseur du modèle, mesuré par le client, selon la propre grille d’évaluation du client. C’est un résultat réel au sens où le harnais existe et tourne en production, et ce n’est en aucun cas un benchmark indépendant. Personne en dehors de Terminal X n’a reproduit les 88,6 %. Considérez-le comme la preuve publique la plus détaillée à ce jour de la façon dont un modèle de niveau GPT-6.1 se comporte sur des tâches de jugement professionnel — et non comme une entrée de classement.

Qu’est-ce qui a réellement été mesuré ?

Terminal X vend ce qu’elle appelle Capital Memory : un système détenu par l’entreprise qui indexe les data rooms, les modèles, les notes, les dépôts réglementaires, les e-mails et l’historique des comités d’investissement, puis encode la manière dont un desk particulier prend ses décisions dans des agents que l’entreprise possède, déployés sur site ou dans son propre cloud. L’équipe d’ingénierie est composée d’anciens professionnels de la finance et de l’investissement, et elle passe des semaines avec chaque client à faire de la rétro-ingénierie du raisonnement qui n’a jamais été consigné par écrit — comment le desk crédit évalue un emprunteur, quelles sources l’équipe de co-investissement mobilise avant une note.

La couche d’évaluation est un agent distinct. Selon le récit, elle lit chaque sortie de production au regard d’une grille de 54 critères et renvoie une réussite ou un échec pour chaque critère, avec une raison en une ligne et une source corrigée pour chaque échec. Ces échecs deviennent de nouvelles instructions de flux de travail et de nouveaux cas de test, de sorte que la grille s’étoffe à mesure que l’entreprise corrige le système.

La comparaison principale provient de 500 jugements notés pour lesquels un évaluateur humain senior avait déjà statué. Le taux d’accord de l’agent, par modèle :

• GPT-6.1 Sol — 88,6 % d’accord sur 500 jugements

• Deuxième meilleur modèle — 86,4 % d'accord sur les mêmes 500

• Écart — 220 points de base, soit environ un accord supplémentaire tous les 45 jugements

Terminal X identifie une catégorie d’erreur où l’écart se concentre : la dérive de style. Un fonds de buyout dont le mandat porte sur des candidats au retrait de la cote se négociant à une décote par rapport à la valeur nette d’inventaire ne devrait pas recommander une position de crédit en difficulté ou un financement de sauvetage lorsque les modèles de scénarios basculent. L’agent d’évaluation sur GPT-6.1 Sol a repéré environ 25 % de plus de ces écarts par rapport au mandat que le deuxième meilleur modèle. C’est une affirmation plus étroite que « précis à 88,6 % », et plus utile : le modèle repère mieux qu’une recommandation s’est écartée de la thèse, ce qui est le mode de défaillance qu’un examinateur senior passe réellement ses journées à rattraper.

Pourquoi l'évaluation d'un fonds est un type de benchmark différent

Les benchmarks publics posent à chaque modèle les mêmes questions. Terminal X pose à chaque modèle les questions d’une entreprise, selon une grille d’évaluation unique, dans le style maison de cette entreprise. Cela rend le résultat plus pertinent pour l’acheteur et moins comparable d’un acheteur à l’autre — le même dispositif dans un autre fonds pondérerait des critères différents, et l’écart de 220 points pourrait facilement se réduire ou s’élargir.

Cela rend aussi le résultat coûteux à vérifier. Le reproduire nécessite la grille de 54 critères et 500 jugements, dont aucun n’est public. Ce qui est public, c’est la forme de l’affirmation et le contexte de production qui l’entoure, et sur cette base le résultat est cohérent : environ 1 700 Memories d’entreprise créés, plus d’un million de workflows personnalisés exécutés, et des utilisateurs actifs hebdomadaires représentant 81 % des actifs mensuels — un ratio de fidélité qui suggère que les agents sont utilisés pendant la semaine de travail plutôt qu’essayés puis abandonnés. Un cabinet de capital-investissement est cité avec 2,4 millions de dollars d’économies annualisées grâce à des workflows automatisés de due diligence et de rédaction de notes. Tout cela provient du propre témoignage du client.

La ligne des coûts compte plus que celle de la précision.

Selon l’article, GPT-6.1 Sol exécutait les mêmes workflows à un coût par requête environ 30 % inférieur à celui du modèle suivant, à vitesse similaire. Terminal X attribue cela à l’efficacité en tokens sur les tâches à contexte long : le modèle pouvait tester une thèse au regard du mandat du fonds, puis de ses transactions récentes, puis relancer les verdicts incertains et les réconcilier, le tout dans le même budget. C’est cet examen plus approfondi qui a signalé des transactions qu’un seul passage avait laissées passer.

Une réduction de coût de 30 % par requête est un fait commercial bien plus important que 220 points de base de concordance, car les agents d’évaluation et de révision sont exécutés en permanence et leur facture évolue avec le volume. C’est aussi le genre d’affirmation qu’un argumentaire de fournisseur peut formuler de façon vague — « vitesse similaire » n’est pas un chiffre — elle appartient donc à la même catégorie que le reste : crédible dans son orientation, non vérifiée.

Ce qu'est GPT-6.1 Sol, officiellement

GPT-6.1 Sol est le modèle qu'O​penAI a publié le 29 septembre 2026 pour le codage complexe et le travail professionnel. C'est le seul modèle de la gamme GPT-6.1 figurant sur la liste des modèles d'O​penAI — il n'existe pas d'identifiant « GPT-6.1 » seul distinct, et une requête qui le nomme ne sera pas résolue. Les spécifications actuelles du fournisseur, telles que publiées :

• Prix — $2.00 par million de jetons d’entrée et $10.00 par million de jetons de sortie

• Entrée mise en cache — 0,10 $ par million ; écritures de cache 2,50 $ par million

• Prompts longs — au-delà de 272 000 tokens d'entrée, le coût des entrées et du cache est multiplié par 2, et celui des sorties par 1,5

• Fenêtre de contexte — 1 050 000 jetons, avec un maximum de 922 000 en entrée et de 128 000 en sortie

• Modalités — texte et image en entrée, texte en sortie

• Effort de raisonnement — low, medium, high, xhigh et max ; les valeurs none et minimal sont rejetées

• Date limite des connaissances — 30 avril 2026

• Niveaux de service — {{1}}Fast{{/1}} à 2× la norme, Batch et Flex à 50 % en dessous, Ultrafast à 6×, avec résidence des données aux États-Unis et dans l’UE

Le tableau indépendant publié par Artificial Analysis, consulté le 21 octobre 2026, se résume à un indice d'intelligence unique de 52 à l'effort maximal (indice v4.3.2, dix évaluations), à un prix de 0,72 $ par tâche d'indice et de 1,47 $ par million de jetons en tarif mixte, avec une vitesse de sortie de 55,2 jetons par seconde. Le tableau enregistre également un délai avant le premier jeton de 248 secondes à ce niveau d'effort, contre une médiane de référence de 3,69 secondes — ce qu'il vaut la peine de savoir avant de pointer une interface utilisateur synchrone vers le palier d'effort maximal.

Ces deux ensembles de chiffres décrivent des choses différentes, et l’écart entre eux est le résumé honnête du modèle : un palier de raisonnement à contexte de 1 M facturé comme un modèle de milieu de gamme, dont l’équation économique fonctionne pour l’évaluation par lots et les longues exécutions agentiques, mais pas pour quoi que ce soit qu’une personne attend en interactif à effort maximal.

Ce que les 88,6 % ne vous disent pas

• Ce n'est pas une mesure générale des capacités. Une seule grille d'évaluation, une seule composition de classes d'actifs, les normes d'une seule entreprise.

• Il s'agit d'une concordance avec un humain, non d'une exactitude. Un évaluateur ayant un biais constant et un modèle qui partage ce biais obtiendront un bon score.

• L’ensemble de comparaison n’est pas nommé. Le « prochain meilleur modèle » pourrait être un concurrent de pointe ou une gamme bien moins chère ; sans son nom, les 220 points de base ne peuvent pas être chiffrés.

• Le coût par requête n'est pas défini. Savoir si cela inclut les passes de révision supplémentaires que le modèle permet est exactement le genre de détail qui change la conclusion.

• Rien ici ne constitue un résultat de benchmark public à périmètre comparable. Sur le seul indice indépendant qui existe, GPT-6.1 Sol se situe un point en dessous de GPT-6 Astra et quatre points au-dessus du niveau GPT-6 Sol qu’il remplace.

Tester une affirmation comme celle-ci sur vos propres données

La seule façon de savoir si le résultat de dérive du mandat est transposable est de faire passer vos propres 200 à 500 jugements dans deux modèles et de les évaluer par rapport à votre propre évaluateur.

C'est désormais une expérience peu coûteuse : GPT-6.1 Sol figure dans les routes d'OrcaRouter au prix catalogue du fournisseur, sans marge ajoutée, de sorte qu'une exécution comparable face à GPT-6 Astra, GPT-6 Sol ou GPT-6 Luna coûte le tarif officiel et rien de plus. Comme les quatre niveaux se trouvent derrière une seule clé, la comparaison se résume à modifier une chaîne de modèle plutôt qu'à souscrire un second contrat.

L'architecture propre à Terminal X est le modèle à reproduire : acheminez l'étape à forte intensité de jugement — synthèse de thèse, adéquation au mandat, passe de réconciliation — vers le palier le plus puissant que vous pouvez justifier, et acheminez l'extraction, la classification et les étapes à fort volume vers quelque chose comme GPT-6 Luna à 0,10 $ et 0,50 $ par million de tokens. Le DSL de routage existe précisément pour que cette répartition puisse résider dans une configuration plutôt que dans le code applicatif, et le basculement automatique en cas d'échec signifie qu'une exécution d'évaluation ne s'arrête pas en cours de route parce qu'un service en amont a eu un après-midi difficile.

Que regarder

Deux choses feraient passer cela d’une anecdote de fournisseur à un résultat. Premièrement, une deuxième société publiant son propre taux d’accord sur une grille d’évaluation différente — si 88,6 % est une propriété du modèle plutôt que du dispositif d’évaluation de Terminal X, un desk crédit et un fonds d’infrastructure devraient se situer dans la même zone. Deuxièmement, la comparaison nommée. Un « deuxième meilleur modèle » à 86,4 % est le chiffre que tout le monde voudra examiner, et tant qu’il n’a pas de nom, les 220 points de base sont une affirmation sur une catégorie, non une comparaison entre deux produits.

Jusque-là, l’interprétation défendable est étroite et néanmoins utile : sur un flux de travail d’investissement en production, un modèle de niveau GPT-6.1 s’accordait avec un réviseur senior assez souvent pour automatiser la première passe, a détecté environ un quart de dérive de mandat de plus que ce à quoi il était comparé, et l’a fait pour environ 30 % de moins par requête. C’est une bonne raison de réaliser votre propre test. Ce n’est pas encore une raison de s’en passer.