Accéder au contenu principal

GPT-6.2 Astra et Sol : fonctionnalités, benchmarks, tests et tarifs

GPT-6.2 Astra et Sol d'OpenAI font chuter le coût par tâche. Nous passons en revue les nouveautés, les benchmarks, le choix de niveau, les prix et un test face à GPT-6 Astra.
Josef Waples
Josef Waples

Créez votre compte gratuit

S'entraîner et cursus vos progrès.

Continuer avec GoogleEn continuant, vous acceptez notre conditions d'utilisation, nos politique de confidentialité et que vos données soient stockées aux États-Unis.

Le mois de novembre a été très chargé en modèles de pointe. Anthropic a lancé Claude Fable 5.2, Google déploie Gemini 4 Carbon, et aujourd'hui, après une semaine de spéculations, OpenAI répond avec deux modèles en même temps : GPT-6.2 Astra et GPT-6.2 Sol.

GPT-6.2 Astra est le nouveau modèle de pointe d'OpenAI pour les travaux professionnels exigeants : présentations, classeurs financiers, rédaction juridique, CAO et longues exécutions d'agents. GPT-6.2 Sol est le modèle du quotidien, plus économique, pour le code, la rédaction et les boucles d'agents ; en programmation, il se situe près d'Astra pour environ un quart du prix par jeton.

Je viens d'évoquer leurs différences, mais tous deux coûtent autant ou moins par tâche que les modèles qu'ils remplacent : dans l'API, les prix d'entrée et de sortie d'Astra sont inférieurs de 20 % à ceux de GPT-6 Astra, et Sol conserve les tarifs de GPT-6.1 Sol.

Dans cet article, je passe en revue tout ce qui change avec GPT-6.2 Astra et Sol : nouvelles fonctionnalités, benchmarks, et deux tests pratiques d'Astra face à GPT-6 Astra.

Comme vous le voyez, les nouveaux modèles s'enchaînent rapidement. Pour rester à jour sur l'IA et les données, abonnez-vous à notre newsletter hebdomadaire, The Median.

En bref

  • GPT-6.2 Astra est le nouveau porte-étendard d'OpenAI pour les travaux professionnels exigeants ; GPT-6.2 Sol est le modèle au quotidien.
  • Le principal gain concerne le coût par tâche : Astra en fait plus pour bien moins cher que GPT-6 Astra.
  • Sol s'approche d'Astra en programmation pour une fraction du prix : faites-en votre défaut.
  • Claude Fable 5.2 reste en tête sur plusieurs benchmarks de code et de raisonnement : OpenAI ne rafle pas tout.
  • Dans nos tests pratiques, Astra était nettement moins cher que GPT-6 Astra, mais GPT-6 Astra a mieux interprété un jeu de données bruité.
  • Si vous payez aujourd'hui pour GPT-6 Astra, changez : les économies suffisent à elles seules à justifier la bascule.

Que sont GPT-6.2 Astra et Sol ?

GPT-6.2 Astra remplace GPT-6 Astra au sommet de la gamme, et Sol remplace GPT-6.1 Sol un cran en dessous. Deux éléments les distinguent de la génération précédente :

  • Légèrement plus compétents, bien moins chers par tâche. L'indice de capacité d'OpenAI place Astra à seulement 1,7 point au-dessus de GPT-6 Astra, mais son coût par tâche a plus que diminué de moitié sur plusieurs benchmarks.
  • Une nouvelle évaluation du risque. Astra est le premier modèle d'OpenAI à atteindre son seuil « élevé » pour l'auto-amélioration de l'IA, et il est donc livré avec les garde-fous les plus stricts à ce jour.

Voici l'histoire de coûts en une diapo, générée par GPT-6.2 Astra. (Les diapos améliorées font partie des nouveautés ; on y revient.)

Diapositive créée par GPT-6.2 Astra : Astra obtient de meilleurs scores sur les tâches d'agent pour moins cher, à 2,89 $ par tâche sur Agents' Last Exam

Fonctionnalités clés de GPT-6.2 Astra et Sol

La plupart des nouveautés ciblent la qualité des livrables professionnels et l'efficacité, plus que l'intelligence brute. Voici les quatre points qui comptent.

Créez des diapos, classeurs et documents conformes à votre modèle

GPT-6.2 Astra peut partir d'un modèle de présentation, en fichier original ou même en capture d'écran, et en reproduire la mise en page, les couleurs et la typographie jusqu'à la taille de police. OpenAI l'a entraîné sur les conventions de métiers comme le droit, la vente, la finance et la comptabilité : titres qui portent la conclusion principale et corps de texte épurés.

J'ai testé cette nouveauté tout au long de l'article, y compris la diapo ci-dessus. Astra a écrit chaque diapo en HTML, que j'ai simplement rendu en image, sans retouche.

Le même entraînement se voit dans les feuilles de calcul. Sur AA-AnalystAgent d'Artificial Analysis, qui demande aux modèles de retrouver des chiffres dans de vrais tableurs et rapports, Astra répond correctement à 62,5 % des questions sur cinq tentatives indépendantes : un nouveau record selon OpenAI. ClickUp indique qu'en tests à l'aveugle, Astra dépasse son modèle de production pour les applis, tableaux de bord et diapos générés par ClickUp Brain, avec environ 30 % de cycles de relecture en moins.

Travaillez en CAO et outils de simulation avec l'usage d'ordinateur

L'usage d'ordinateur de GPT-6.2 Astra descend désormais au niveau des pièces et connexions individuelles dans les outils de CAO et de simulation. On s'attend à ce que ce soit majeur pour les ingénieurs mécaniques et produits. Les démos d'OpenAI incluent la dynamique de châssis d'une voiture simulée avec un solveur Python et animée dans Blender, un buggy RC à l'échelle 1:8 modélisé pièce par pièce à partir de photos publiques et de manuels, et une lampe en papier conçue à partir de photos de référence puis itérée en CAO.

Nous ne pouvons pas facilement construire notre propre projet de CAO pour tester cela, voici donc la démo de simulation de conduite d'OpenAI. Astra a construit la voiture 3D, écrit le solveur Python pour les pneus et la suspension, puis animé le résultat dans Blender :

Démo OpenAI d'une simulation de conduite avec GPT-6.2 Astra : une voiture sur une route de montagne, vues des suspensions avant et arrière, charges sur l'empreinte des pneus, cercle de traction, actions du conducteur et indicateurs chaîne de traction

Source : OpenAI

Faites plus par jeton dans les workflows d'agents

Les deux modèles obtiennent de meilleurs résultats avec moins de jetons de sortie, ce qui explique l'essentiel des économies. Sur le GDPval v2 interne d'OpenAI, GPT-6.2 Astra gagne 6,2 points sur GPT-6 Astra tout en utilisant 22 % de jetons de sortie en moins. Astra choisit aussi mieux ses outils, y compris quand privilégier un plugin plutôt que l'usage d'ordinateur, et Basis rapporte que son temps moyen sur des travaux comptables de long terme a été divisé par deux.

La system card apporte aussi de meilleures nouvelles sur les attaques par injection de prompt, où des instructions cachées dans un email ou une page web tentent de détourner l'agent. La diapo d'Astra résume bien les compromis de sécurité :

Diapositive créée par GPT-6.2 Astra : les deux modèles résistent mieux aux injections de prompt, avec Sol à 91,65 %

Diapo par GPT-6.2 Astra

Écrire un code plus sûr, avec des garde-fous renforcés

GPT-6.2 Astra et Sol détectent et exploitent plus efficacement les vulnérabilités, et OpenAI a ajouté des signaux d'entraînement pour écrire du code sûr et des correctifs qui préservent le comportement attendu. Tous deux atteignent le seuil « Critical » pour la cybersécurité au titre du Preparedness Framework d'OpenAI, comme GPT-6 Astra.

Le revers : davantage de refus. OpenAI a lancé les deux modèles avec des garde-fous plus stricts qui restreignent aussi certaines recherches de vulnérabilités et activités de test légitimes. Les défenseurs approuvés continuent d'utiliser GPT-6 Astra et GPT-6 Cyber, disponible depuis deux semaines, via OpenAI Daybreak.

Comment GPT-6.2 Astra et Sol se comportent-ils sur les benchmarks ?

GPT-6.2 Astra mène sur les benchmarks OpenAI liés aux travaux professionnels et aux sciences, mais Claude Fable 5.2 reste en tête sur plusieurs résultats de code et de raisonnement.

Dans les tableaux suivants, tous les scores proviennent des éditeurs. J'ai mis en gras le meilleur score de chaque ligne.

Travaux professionnels et workflows agentiques

Sur Agents' Last Exam v1.1, qui évalue de longs workflows professionnels en plusieurs étapes, GPT-6.2 Astra atteint 78,3 % pour 2,89 $ par tâche. GPT-6 Astra obtient 73,1 % pour 8,99 $ par tâche, et Claude Fable 5.2 atteint 72,8 % pour 60,05 $.

Graphique Agents' Last Exam v1.1 : GPT-6.2 Astra à 78,3 % et 2,89 $ par tâche, devant Gemini 4 Carbon à 77,4 % (4,60 $), GPT-6 Astra à 73,1 % (8,99 $) et Claude Fable 5.2 à 72,8 % (60,05 $)

Gemini 4 Carbon arrive juste derrière à 77,4 %, mais à 4,60 $ par tâche. Le reste des résultats orientés « travaux professionnels » suit la même tendance :

BenchmarkCe que ça mesureGPT-6.2 AstraGPT-6.2 SolGPT-6 AstraGPT-6.1 SolClaude Fable 5.2
Agents' Last Exam v1.1Workflows professionnels de long terme78,3 %73,0 %73,1 %72,5 %72,8 %
GDPval v2 (interne OpenAI)Missions en plusieurs étapes en conseil, finance et design50,4 %46,9 %44,2 %41,5 %44,8 %
Harvey LAB-AA v1.1Livrables juridiques respectant tous les critères15,0 %11,1 %8,6 %6,9 %7,2 %
AutomationBench 1.0.6Automatisation de workflows métier52,4 %41,2 %41,4 %36,1 %51,4 %
LifeVal (OpenAI)Tâches exigeantes du quotidien86,1 %83,8 %79,8 %79,5 %n/d

Astra mène chaque ligne parmi les modèles du tableau et double Fable 5.2 sur le benchmark juridique de Harvey. Gemini 4 Carbon le devance encore sur AutomationBench avec 53,9 %, et sur GDPval v2, son 48,8 % se situe entre Astra et Sol.

Le graphique GDPval v2 d'OpenAI montre d'où viennent les économies : pour un même volume de jetons de sortie, les nouveaux modèles marquent plus de points que ceux qu'ils remplacent.

Graphique GDPval v2 : GPT-6.2 Astra et Sol atteignent de meilleurs scores que GPT-6 Astra et GPT-6.1 Sol avec moins de jetons de sortie, à chaque niveau d'effort de raisonnement

Code et sécurité

La programmation est le terrain de jeu de Sol : sur FrontierCode 2.0, il atteint 43,8 % pour 1,29 $ par tâche, contre 44,2 % pour 5,97 $ pour Astra.

BenchmarkCe que ça mesureGPT-6.2 AstraGPT-6.2 SolGPT-6 AstraGPT-6.1 SolClaude Fable 5.2
FrontierCode 2.0Modifications de code acceptables pour fusion par les mainteneurs44,2 %43,8 %42,8 %39,0 %49,1 %
SecureSWE (interne OpenAI)Code fonctionnel et sûr pour composants sensibles65,7 %55,6 %48,7 %49,7 %n/d
PatchBenchCorrectifs de sécurité79,7 %75,6 %70,9 %71,0 %n/d
ExploitBench Internal PortTaux d'exécution de code arbitraire sur V8 et Chrome53,5 %50,5 %31,5 %21,5 %n/d

Claude Fable 5.2 garde la tête sur FrontierCode 2.0, et Claude Opus 5.5 à effort maximal (45,5 %) devance aussi les deux modèles GPT-6.2 sur ce benchmark. Les lignes « sécurité » illustrent le saut générationnel le plus net, même si OpenAI n'a pas publié de résultats pour Fable 5.2 sur ces tests.

Le graphique FrontierCode d'OpenAI plaide pour Sol : à effort maximal, il rejoint le score d'Astra pour environ un cinquième du coût par tâche.

Graphique FrontierCode 2.0 : GPT-6.2 Sol atteint à peu près le score d'Astra pour une fraction du coût par tâche, tandis que Claude Fable 5.2 est le plus haut mais bien plus cher

Sciences, CAO et raisonnement général

Sur Terminal-Bench-Science 0.1, qui évalue le travail scientifique en terminal, GPT-6.2 Astra obtient 77,1 %, soit 9 points de plus que GPT-6 Astra, pour moins d'un tiers du coût par tâche.

BenchmarkCe que ça mesureGPT-6.2 AstraGPT-6.2 SolGPT-6 AstraGPT-6.1 SolClaude Fable 5.2
Terminal-Bench-Science 0.1Workflows de recherche scientifique en terminal77,1 %68,0 %68,1 %57,0 %73,3 %*
Vals Science Index v1Interprétation de données biologiques et exécution d'expériences68,4 %58,5 %65,1 %59,6 %63,7 %
BenchCAD 2.1 CoreTâches de modélisation CAO82,5 %73,1 %62,6 %52,6 %83,5 %
Artificial Analysis Intelligence Index v5.0.1Composite de 9 évaluations (score d'index)62,157,356,954,664,6
GPQA Diamond (sans outils)Questions de sciences niveau master97,0 %96,0 %96,0 %n/dn/d

Fable 5.2 reste en tête sur l'Intelligence Index et BenchCAD, mais à 26,54 $ et 50,77 $ par tâche, contre 4,00 $ et 5,43 $ pour Astra. Si vous visez le meilleur résultat CAO absolu, Fable reste le choix ; si vous en avez besoin plusieurs fois par jour, Astra vous offre 99 % du résultat pour environ un dixième du prix.

Sur Terminal-Bench-Science, Astra signe le meilleur score à 7,15 $ par tâche à effort maximal, contre 23,80 $ pour GPT-6 Astra et 45,21 $ pour Claude Fable 5.2.

Graphique Terminal-Bench-Science 0.1 : GPT-6.2 Astra obtient le meilleur score pour une fraction du coût de Claude Fable 5.2 et de GPT-6 Astra

Quel niveau choisir ?

Faites de GPT-6.2 Sol votre défaut, et montez vers GPT-6.2 Astra si nécessaire. Sol coûte un quart du prix par jeton d'Astra et, en programmation, il concède moins d'un point.

Quel niveau GPT-6.2 utiliser : Sol pour le code quotidien et les boucles d'agents, Astra pour les diapos, classeurs, projets juridiques, CAO, simulation et travaux scientifiques

GPT-6.2 Astra a d'ailleurs plaidé contre lui-même dans sa propre présentation :

Diapositive créée par GPT-6.2 Astra : Sol égale presque Astra sur FrontierCode pour 1,29 $ par tâche de code

Diapo par GPT-6.2 Astra

Les deux modèles proposent cinq niveaux d'effort de raisonnement dans les graphiques d'OpenAI, de bas à maximal, et ce réglage compte autant que le niveau de modèle. Sur Agents' Last Exam, Sol à effort élevé (72,0 % pour 0,69 $ par tâche) atterrit à un point environ de GPT-6 Astra à effort maximal (73,1 % pour 8,99 $), pour un treizième du coût. Le mode Ultrafast est disponible pour les deux modèles dans l'API et pour les abonnés Pro 500 dans ChatGPT.

Cas d'usageNiveauPourquoi
Code quotidien, refactorisations et revue de codeSolÀ 0,5 point d'Astra sur FrontierCode 2.0 pour environ un cinquième du coût
Boucles d'agents et automatisations à fort volumeSol2 $ / 10 $ par million de jetons, inchangé vs GPT-6.1 Sol
Diapos prêtes client, classeurs financiers, notesAstraCorrespondance de modèle et avance sur GDPval v2 propres à Astra
Rédaction et recherche juridiquesAstra15,0 % sur Harvey LAB-AA contre 11,1 % pour Sol
CAO, simulation et analyses scientifiquesAstraEnviron 9 points devant Sol sur BenchCAD et Terminal-Bench-Science

Test de GPT-6.2 Astra : exemples pratiques

Les benchmarks ci-dessus proviennent d'OpenAI, donc j'ai mené deux tests face à GPT-6.2 Astra et son prédécesseur GPT-6 Astra, avec des prompts et un outillage identiques. Pour le test de tableau de bord, les deux modèles ont tourné dans OpenCode avec une surface d'outils figée (lecture, recherche et édition de fichiers uniquement), le même effort de raisonnement élevé, une seule tentative et une session neuve.

Test 1 : un tableau de bord honnête à partir de données bruitées

La tâche : créer un tableau de bord HTML en un seul fichier à partir d'un CSV sur les salaires et l'emploi pour 173 filières universitaires américaines, destiné à un conseiller carrières comparant les voies pour ses clients. Il devait comparer les catégories en salaire et emploi, mettre en avant les filières les mieux et les moins bien rémunérées, embarquer les données sans les télécharger, et tenir sur un écran 1440×900.

Le vrai test tient aux données, avec des pièges que le prompt n'évoque pas :

  • La filière la mieux payée, Petroleum Engineering à 110 000 $, repose sur un échantillon de 36 personnes, et 76 des 173 filières ont des échantillons inférieurs à 100.
  • La moins payée, Library Science à 22 000 $, repose sur un échantillon de 2.
  • Food Science n'a pas ses totaux de diplômés en master.
  • Les catégories vont d'une seule filière (Interdisciplinary, 12 296 diplômés) à 13 filières et 1,3 million de diplômés (Business) : la méthode de moyenne compte donc beaucoup.

On éprouve ici deux promesses de lancement : les tableaux analytiques meilleurs d'Astra et son efficacité, avec moins de jetons de sortie pour de meilleurs résultats. Voici ce qu'a produit GPT-6.2 Astra :

Le tableau de bord de GPT-6.2 Astra classe les catégories par une médiane non pondérée des médianes des filières, plaçant Health 10e à 35 000 $

Principaux constats :

  • Les deux modèles ont livré un tableau de bord fonctionnel du premier coup. Chacun a embarqué les 173 filières, dessiné ses propres graphiques SVG sans bibliothèque, tenu sur un écran et chargé sans erreur.
  • Ils ont lu les mêmes données différemment, ce qui rebat le classement des catégories. GPT-6.2 Astra a classé chaque catégorie selon la médiane des médianes de ses filières, ce qui donne le même poids à une filière avec quelques milliers de diplômés qu'à une autre avec 200 000. GPT-6 Astra a pondéré chaque filière par son nombre de diplômés. Résultat : Health arrive 10e à 35 000 $ sur le tableau de bord de GPT-6.2 Astra et 4e à 40,6 k$ sur celui de GPT-6 Astra, parce que Nursing, avec 209 394 diplômés et 48 000 $ de médiane, pèse ce qu'il représente.
  • GPT-6 Astra a aussi mis les tailles d'échantillon en avant. Son tableau principal montre que les quatre meilleures filières reposent sur des échantillons de 36, 7, 3 et 16. GPT-6.2 Astra ne les affiche qu'après sélection d'une filière, avec un avertissement d'une ligne sur des classements instables.
  • GPT-6.2 Astra était plus économe. Il a coûté 1,79 $ contre 2,93 $ pour GPT-6 Astra, avec 27 821 jetons de sortie contre 35 298.

Regardons de plus près la version de GPT-6 Astra. Comparez son graphique des catégories à celui de GPT-6.2 Astra ci-dessus : Health est 4e ici et 10e là-bas, et Biology & Life Science passe de la 6e à la 11e place.

Le tableau de bord de GPT-6 Astra pondère les revenus par catégorie selon les diplômés, plaçant Health 4e à 40,6 k$, et affiche une colonne de taille d'échantillon à côté de chaque filière

Aucune des deux méthodes n'est fausse mathématiquement, et GPT-6.2 Astra étiquette bien son graphique comme une médiane de médianes. Mais un conseiller carrières veut savoir où les diplômés aboutissent réellement ; seule la version pondérée par les effectifs y répond.

Test 2 : un jeu de diapos à partir d'une capture de modèle

La tâche : transformer les notes de recherche derrière cet article en un jeu de 5 diapos pour des managers ingénierie qui décident de migrer ou non, dans le style d'une diapo modèle. Les modèles n'ont reçu le modèle qu'en capture d'écran, et le prompt leur a demandé de le reproduire « jusqu'aux tailles de police » sans indiquer la fonte ni aucune taille.

On teste directement la promesse d'OpenAI sur les diapos. Parce que les modèles devaient lire une image, chacun a tourné en un seul appel API via OpenRouter avec le même effort de raisonnement élevé, et j'ai ajouté GPT-6.2 Sol, puisqu'il s'agit d'un besoin courant. Voici le modèle qu'ils ont vu, conçu pour le test :

Modèle de diapo donné aux modèles : une diapo style DataCamp avec une barre d'accent verte, un titre-conclusion, trois puces et une carte de stat grise

Principaux constats :

  • Les 3 modèles ont reconstruit le modèle depuis la seule capture. Chacun a identifié la fonte Poppins et conservé la barre verte, la ligne d'accroche, la carte de statistiques grise, la source et le numéro de page. Chaque titre énonce un enseignement, comme le modèle.
  • Les 3 ont collé au modèle au point d'être indiscernables à l'œil nu. Vérifié dans le navigateur, seul GPT-6.2 Sol a retrouvé exactement les tailles de police. Astra, que d'OpenAI présente comme faisant correspondre les modèles « jusqu'à la taille de police », était décalé d'un ou deux pixels.
  • GPT-6.2 Astra a été le plus économe des deux Astra. Il a coûté 0,22 $ et 4 968 jetons de sortie, contre 0,59 $ et 11 247 pour GPT-6 Astra. Sol a coûté 0,07 $.

Les 5 diapos d'Astra sont celles, légendées, que vous avez croisées dans l'article, et tous les chiffres correspondent à mes notes. Le jeu de GPT-6 Astra était tout aussi exploitable ; sur cette tâche, les générations ne se départagent pas vraiment.

Alors, GPT-6.2 Astra marque-t-il une vraie avancée ? Sur le coût, oui : il a terminé les deux tests pour 39 % à 63 % de moins, conforme aux gains d'efficacité annoncés. Sur le jugement, pas tout à fait : l'ancien modèle est celui qui a pondéré les données comme un conseiller carrières en a besoin, tandis que les diapos sont sorties à peu près à égalité.

Un seul run par tâche ne permet pas de classer deux modèles, mais cela colle à la constatation « Blocker Deception » d'OpenAI : vérifiez ce que GPT-6.2 Astra omet, pas seulement ce qu'il construit.

Tarifs et disponibilité de GPT-6.2 Astra et Sol

GPT-6.2 Astra est 20 % moins cher que GPT-6 Astra sur les jetons d'entrée et de sortie, et 60 % moins cher sur l'entrée en cache, tandis que GPT-6.2 Sol conserve les prix de GPT-6.1 Sol. Tarifs standard API par million de jetons :

ModèleEntréeEntrée en cacheSortie
GPT-6.2 Astra8,00 $0,40 $40,00 $
GPT-6.2 Sol2,00 $0,10 $10,00 $

Les prix plus bas ne sont qu'une partie de l'économie. Comme les deux modèles utilisent moins de jetons de sortie, le coût par tâche baisse encore davantage, d'où l'exécution d'Astra sur Agents' Last Exam à moins d'un tiers du coût de GPT-6 Astra. OpenAI recommande aussi de conserver inchangés les préfixes de prompt et d'ajouter de nouvelles instructions en fin de message, afin d'augmenter les hits de cache et de préserver le raisonnement sur plusieurs tours.

Le récapitulatif des nouveaux prix, signé par Astra :

Diapositive créée par GPT-6.2 Astra : Astra coûte moins cher tandis que les prix API de Sol restent stables ; Astra est 20 % moins cher par jeton d'entrée ou de sortie que GPT-6 Astra

Diapo par GPT-6.2 Astra

Dans ChatGPT, les deux modèles sont disponibles pour les utilisateurs Plus, Pro, Enterprise et Edu dans ChatGPT Work et Codex dès le lancement. Les utilisateurs Enterprise et Edu y accèdent dès que l'admin de leur espace l'active.

Ultrafast est disponible avec l'un ou l'autre modèle pour les abonnés Pro 500, et les abonnés Pro 200 y accèdent pour la première fois, en commençant par GPT-6.2 Sol. L'annonce d'OpenAI ne mentionne pas l'offre Free.

Comment accéder à GPT-6.2 Astra et Sol ?

Les deux modèles sont généralement disponibles dans l'API OpenAI sous gpt-6.2-astra et gpt-6.2-sol, avec Ultrafast disponible pour les deux au lancement. Une requête minimale avec le SDK Python OpenAI ressemble à ceci :

from openai import OpenAI

client = OpenAI()
response = client.responses.create(
    model="gpt-6.2-sol",
    reasoning={"effort": "high"},
    input="Summarize this quarterly report in 5 bullet points: ...",
)
print(response.output_text)

Les deux modèles figurent aussi sur OpenRouter (openai/gpt-6.2-astra et openai/gpt-6.2-sol) et dans le catalogue de modèles OpenCode.

Pour un projet complet avec la génération précédente, consultez notre tutoriel API GPT-6 Astra et le tutoriel GPT-6.1 Sol ; le principal changement consiste à remplacer l'identifiant du modèle.

Conclusion

GPT-6.2 est une baisse de prix qu'OpenAI a transformée en sortie de capacités. Astra dépasse GPT-6 Astra sur chaque benchmark de travaux professionnels rapporté par OpenAI, pour un tiers du coût par tâche, et Sol se rapproche suffisamment en programmation pour que la plupart des équipes commencent par lui.

Cela ne tranche pas la compétition globale. Claude Fable 5.2 reste en tête sur FrontierCode et l'Intelligence Index, Gemini 4 Carbon mène sur AutomationBench, et dans nos tests, l'ancien Astra a mieux interprété un jeu de données désordonné. Mais je passerais dès aujourd'hui de GPT-6 Astra à GPT-6.2 Astra pour les économies.

Diapositive créée par GPT-6.2 Astra : utilisez vos propres tâches pour décider où basculer, Astra utilisant 22 % de jetons de sortie en moins sur GDPval v2

Diapo par GPT-6.2 Astra

Si vous souhaitez approfondir la création avec les modèles d'OpenAI, je vous recommande notre cours Working with the OpenAI API.

Josef Waples

Auteur

Josef Waples

Je suis rédacteur et éditeur dans le domaine de la science des données. Je suis particulièrement intéressé par l'algèbre linéaire, les statistiques, R, etc. Je joue également beaucoup aux échecs ! 

FAQ

Qu'est-ce que GPT-6.2 Astra et en quoi diffère-t-il de GPT-6.2 Sol ?

GPT-6.2 Astra est le modèle de pointe d'OpenAI pour les travaux professionnels exigeants : présentations, classeurs financiers, rédaction juridique et CAO. GPT-6.2 Sol est le modèle du quotidien, plus économique, pour le code, la rédaction et les boucles d'agents. Sol coûte un quart du prix par jeton d'Astra et se situe à 0,5 point d'Astra sur FrontierCode 2.0, tandis qu'Astra mène sur les benchmarks professionnels et scientifiques.

Combien coûte GPT-6.2 Astra dans l'API ?

GPT-6.2 Astra coûte 8 $ par million de jetons d'entrée, 0,40 $ par million de jetons d'entrée en cache et 40 $ par million de jetons de sortie. C'est 20 % de moins que GPT-6 Astra sur l'entrée et la sortie, et 60 % de moins sur l'entrée en cache. GPT-6.2 Sol coûte 2 $, 0,10 $ et 10 $, identiques à GPT-6.1 Sol.

GPT-6.2 Astra est-il meilleur que GPT-6 Astra ?

Sur les benchmarks d'OpenAI, oui : GPT-6.2 Astra dépasse GPT-6 Astra sur tous les résultats de travaux professionnels, par exemple Agents' Last Exam (78,3 % vs 73,1 %), pour environ un tiers du coût par tâche. Dans nos deux tests pratiques, il était aussi moins cher, mais GPT-6 Astra a mieux pondéré un jeu de données bruité.

Où puis-je accéder à GPT-6.2 Astra et GPT-6.2 Sol ?

Les deux modèles sont disponibles dans ChatGPT Work et Codex pour les utilisateurs Plus, Pro, Enterprise et Edu, avec activation Enterprise/Edu par l'admin d'espace. Les développeurs peuvent appeler gpt-6.2-astra et gpt-6.2-sol dans l'API OpenAI, et les deux sont listés sur OpenRouter.

Dois-je utiliser GPT-6.2 Sol ou GPT-6.2 Astra pour coder ?

Utilisez GPT-6.2 Sol pour l'essentiel du code. Sur FrontierCode 2.0, il obtient 43,8 % contre 44,2 % pour Astra à effort maximal, pour 1,29 $ par tâche au lieu de 5,97 $. Passez à Astra pour du code sensible en sécurité, où il devance Sol sur SecureSWE, ou pour la CAO et les travaux scientifiques.

Sujets