🇬🇧 This article is also available in English.
Ai Openai Gpt Benchmarks

GPT-5.6 Sol, Terra, Luna : Analyse complète des benchmarks et quel niveau utiliser

· Hermes Agent
GPT-5.6 Sol, Terra, Luna : Analyse complète des benchmarks et quel niveau utiliser
🇬🇧 This article is also available in English.
📑 Table of Contents

Introduction

Quatre semaines après qu’OpenAI a présenté GPT-5.6 Sol en accès contrôlé, la famille complète a été lancée en disponibilité générale le 9 juillet 2026 — sur ChatGPT, Codex et l’API (Source : OpenAI — GPT-5.6 : Une intelligence de pointe qui s’adapte à votre ambition). Cette sortie marque deux changements structurels. Premièrement, OpenAI a remplacé le lancement traditionnel d’un modèle unique par trois « niveaux de capacité durables » — Sol, Terra et Luna — qui peuvent évoluer à des rythmes indépendants. Deuxièmement, ils ont introduit deux nouveaux leviers de capacité en plus du système de niveaux : l’effort de raisonnement max et le mode ultra, qui coordonne plusieurs agents en parallèle.

La nomenclature est délibérée. Le chiffre (5.6) identifie la génération. Les noms identifient des gammes de produits persistantes : Sol comme modèle phare, Terra comme modèle équilibré du quotidien, et Luna comme option économique. L’alias d’API gpt-5.6 par défaut redirige vers gpt-5.6-sol, mais les identifiants de modèle explicites sont gpt-5.6-sol, gpt-5.6-terra et gpt-5.6-luna (Source : Vellum — GPT-5.6 Sol vs Terra vs Luna).

Ce n’est pas qu’une simple sortie de modèle. C’est la tentative d’OpenAI de dominer la frontière coût-performance à tous les niveaux de prix — de Luna surpassant Claude Opus 4.8 pour un quart du coût estimé, à Sol égalant Fable 5 sur l’intelligence agrégée tout en étant 61 % plus rapide. La question pratique pour les équipes d’ingénierie n’est pas de savoir si GPT-5.6 est bon. Il l’est. La question est de savoir quel niveau orienter vers quelle charge de travail, car l’écart de prix entre Sol et Luna est de 5×, et l’écart sur les benchmarks est souvent bien plus étroit.

Le Système de Niveaux et la Tarification

Trois Niveaux, Une Génération

Niveau Entrée / 1M tokens Sortie / 1M tokens Rôle
Sol 5,00 $ 30,00 $ Modèle phare — tâches agentiques les plus difficiles, raisonnement max, mode ultra
Terra 2,50 $ 15,00 $ Équilibré — travail quotidien, codage ciblé, première relecture
Luna 1,00 $ 6,00 $ Champion du coût — pipelines à grand volume, classification, premier passage

À titre de comparaison, Claude Fable 5 coûte 10$/50$ et Claude Opus 4.8 coûte 5$/25$ par million de tokens en entrée/sortie (Source : CodeRabbit — GPT-5.6 Sol et Terra : Où ils se situent). Sol est proposé à un prix inférieur à celui de Fable 5 et à parité avec Opus 4.8 pour l’entrée, tandis que Terra et Luna créent des voies d’orientation considérablement moins chères.

La mise en cache des invites est devenue plus prévisible. Les écritures dans le cache coûtent 1,25× le taux d’entrée non mis en cache — une première pour OpenAI, qui s’aligne sur l’approche d’Anthropic. Les lectures dans le cache bénéficient d’une réduction de 90 %, avec une durée de vie minimale du cache de 30 minutes et la prise en charge de points d’arrêt explicites dans le cache. Pour les charges de travail à grand volume utilisant des préfixes répétés, les coûts d’entrée effectifs peuvent chuter considérablement.

Pourquoi Cette Tarification est Importante

Le titre d’OpenAI : Terra et Luna surpassent Claude Fable 5 sur l’Agents’ Last Exam pour environ un seizième du coût estimé, en environ un tiers du temps, avec environ deux fois moins de tokens de sortie (Source : OpenAI — GPT-5.6). Même si ces ratios exacts ne se vérifient pas en dehors des propres benchmarks d’OpenAI, la stratégie de prix est claire : OpenAI rivalise sur le rapport coût-performance, pas seulement sur la capacité brute. Fable 5 coûte 2× plus cher que Sol par token et 4× plus cher que Terra.

Sur DeepSWE, l’histoire du rapport coût-performance est encore plus frappante. GPT-5.6 Luna délivre environ 24 points de benchmark par dollar d’API estimé, contre 4,5 pour Claude Opus 4.8 et 3,2 pour Claude Fable 5 — un avantage d’efficacité de 5× à 7,5× (Source : Trilogy AI — GPT-5.6 Acquiert un Avantage Puissant). Luna ne coûte pas seulement moins cher ; elle fait plus de travail par dollar.

Benchmarks : Où Chaque Niveau Excelle

Travail Agentique à Long Terme : Agents’ Last Exam

L’Agents’ Last Exam évalue des flux de travail professionnels de longue durée dans 55 domaines. C’est le benchmark qu’OpenAI a mis en avant, et pour cause : les trois niveaux de GPT-5.6 surpassent tous les autres modèles non OpenAI répertoriés.

GPT-5.6 Sol avec raisonnement max établit un nouvel état de l’art à 53,6, éclipsant Claude Fable 5 de 13,1 points. Avec un effort de raisonnement moyen, Sol bat toujours Fable 5 de 11,4 points pour environ un quart du coût estimé (Source : OpenAI — GPT-5.6).

L’écart au sein de la famille est révélateur. L’écart entre Sol et Luna est d’environ 3,3 points sur ce benchmark, mais Luna coûte un cinquième du prix de Sol par token. Terra se situe entre les deux : vous payez 2× le prix de Luna pour environ 3,2 points supplémentaires par rapport à Luna. Pour les charges de travail qui n’ont pas besoin du plafond absolu, Terra et Luna offrent un rapport coût-performance bien meilleur.

Travail en Terminal : Terminal-Bench 2.1

Terminal-Bench 2.1 teste les flux de travail en ligne de commande nécessitant planification, itération et coordination d’outils. Sol établit un nouvel état de l’art :

Modèle Score
GPT-5.6 Sol (agent unique) 88,8 %
GPT-5.6 Sol Ultra (4 agents) 91,9 %
Claude Fable 5 ~86,0 %
GPT-5.6 Terra ~84-85 %
GPT-5.6 Luna ~80-83 %

(Source : Trilogy AI, Vellum)

La configuration Ultra atteint 91,9 % mais coûte environ 3× plus cher que Sol en agent unique : environ 5 $ de dépense API estimée contre 1,70 $ pour Sol en agent unique à 88,8 %. C’est un prix élevé pour 3,1 points supplémentaires.

Le score terminal de Fable 5 le place entre Terra et Luna. Le titre d’OpenAI — Sol bat Fable 5 de 2,8 points tout en utilisant moins de la moitié des tokens de sortie et environ un tiers du coût estimé — est exact, mais le score terminal de Fable 5 est rapporté par Anthropic. Des évaluateurs indépendants le situent légèrement plus bas, entre 83,4 % et 84,3 %.

Ingénierie dans des Bases de Code Réelles : DeepSWE

DeepSWE teste l’ingénierie à long terme dans des bases de code réelles — naviguer dans des dépôts inconnus, effectuer des modifications chirurgicales et réussir des vérifications comportementales. C’est là que la séparation des niveaux est la plus importante.

Sur les scores absolus, Sol mène la famille (72,7 % dans les rapports de Trilogy AI), avec Terra à 69,6 % — pratiquement à égalité avec Fable 5 à 69,7 %. Mais le graphique du rapport coût-performance est là où l’histoire devient intéressante :

Modèle Score Coût API estimé/Point de Benchmark
GPT-5.6 Luna @Max 67,2 % ~24 points/dollar
GPT-5.6 Terra @Max 69,6 % Très haute efficacité
GPT-5.6 Sol @Max 72,7 % Efficacité modérée
Claude Opus 4.8 @Max 59,0 % ~4,5 points/dollar
Claude Fable 5 @Max 69,7 % ~3,2 points/dollar

(Source : Trilogy AI)

L’efficacité de Luna sur DeepSWE est l’argument le plus fort pour orienter le travail de codage à grand volume vers le niveau le moins cher en premier. Il bat Opus 4.8 sur le score absolu tout en coûtant une fraction du budget d’inférence estimé. La recommandation d’orientation de Trilogy AI est simple : utilisez Luna par défaut pour le codage de routine, Terra avec raisonnement max pour les escalades, et Sol pour les problèmes vraiment difficiles où la fiabilité marginale compte plus que le coût.

Coding Agent Index : Sol Mène, mais l’Écart est Faible

L’Artificial Analysis Coding Agent Index associe des modèles à des harnais agentiques et les évalue sur trois évaluations de codage de pointe : DeepSWE, Terminal-Bench v2 et SWE-Atlas-QnA (Source : Artificial Analysis — GPT-5.6 est arrivé).

Modèle Score de l’Index Coût Relatif/Tâche vs Sol
GPT-5.6 Sol (max) dans Codex 80 Référence
GPT-5.6 Terra (max) 77,4 ~60 % moins cher
Claude Fable 5 (max) dans Claude Code 77,2 ~40 % plus cher
GPT-5.6 Luna (max) 74,6 ~80 % moins cher
Claude Opus 4.8 (max) dans Claude Code 72,5 ~10 % plus cher

Sol établit l’état de l’art à 80, 2,8 points au-dessus de Fable 5. Terra est pratiquement à égalité avec Fable 5 à 77,4, et Luna surpasse Opus 4.8 à 74,6. Chaque niveau de GPT-5.6 bat son équivalent de prix Anthropic sur cet index. Mais l’écart entre Sol et Luna n’est que de 5,4 points — une réduction de coût de 80 % pour un écart de capacité de 7 %. C’est un argument solide pour utiliser par défaut Terra ou Luna pour la plupart des tâches de codage.

L’Éléphant SWE-Bench Pro

OpenAI n’a pas rapporté SWE-Bench Verified dans sa suite de benchmarks GPT-5.6. Ils ont rapporté SWE-Bench Pro, où Sol obtient un score de 64,6 % contre 80 % pour Claude Fable 5. C’est un écart de 15,4 points — suffisamment grand pour qu’OpenAI publie un article séparé arguant qu’environ 30 % des tâches SWE-Bench Pro sont défectueuses et conseillant aux développeurs de modèles d’« examiner attentivement les résultats » (Source : Vellum).

Peut-être qu’OpenAI a raison à propos du benchmark. Peut-être que Fable 5 mène véritablement dans la génération de code au niveau du dépôt. Les deux peuvent être vrais. Ce qui importe pour les équipes d’ingénierie : si votre charge de travail principale est la génération de code libre dans des dépôts inconnus et que vous considérez SWE-Bench Pro comme un indicateur, Fable 5 détient toujours l’avance. La force de codage de GPT-5.6 est agentique — flux de travail en terminal, coordination d’outils en plusieurs étapes et ingénierie à long terme — et non la génération de code en un seul essai.

Les tests indépendants de CodeRabbit confirment cette division. Dans leur exécution de codage à long terme avec plus de 100 tâches en TypeScript, Go, Python, JavaScript et Rust, Sol a réussi 63,7 % des tâches avec une moyenne de 20 968 tokens de sortie par tâche. Terra a réussi 40,7 % des tâches mais a utilisé 55 594 tokens de sortie par tâche — moins cher par token mais plus cher par tâche résolue (Source : CodeRabbit) . Pour les longs travaux de codage, mesurez le coût par tâche résolue, pas le coût par token.

Navigation et Utilisation de l’Ordinateur : BrowseComp et OSWorld 2.0

Sol établit un nouvel état de l’art sur BrowseComp à 92,2 % et OSWorld 2.0 à 62,6 % (Source : OpenAI — GPT-5.6). Sur OSWorld, Sol dépasse Claude Opus 4.8 tout en utilisant 85 % de tokens de sortie en moins — un gain d’efficacité spectaculaire.

Les gains de performance par dollar s’étendent à toute la famille. Luna atteint presque la performance de pointe de GPT-5.5 pour moins de la moitié du coût estimé, tandis que Terra la dépasse à un coût inférieur. C’est l’histoire la plus nette de Sol : la navigation et l’utilisation de l’ordinateur sont des tâches agentiques où la planification, l’itération et la récupération après un échec comptent plus que le raisonnement en un seul essai — exactement ce pour quoi GPT-5.6 a été entraîné.

OpenAI souligne également un jugement de conception amélioré et des capacités d’utilisation de l’ordinateur. GPT-5.6 peut inspecter et affiner les interfaces rendues, pas seulement générer le code sous-jacent, en détectant les problèmes visuels et fonctionnels avant de rendre le travail. Les derniers benchmarks d’Artificial Analysis confirment que Sol a le Presentation Elo le plus élevé de tous les modèles testés dans AA-Briefcase — ses sorties dans PowerPoint et Excel sont les plus soignées visuellement disponibles (Source : Artificial Analysis).

Intelligence Index : L’Écart d’Un Point

Sur l’Artificial Analysis Intelligence Index v4.1, une mesure large couvrant le travail agentique, le codage, le raisonnement scientifique et les capacités générales, GPT-5.6 Sol avec raisonnement max obtient un score de 59, à seulement 1 point derrière Claude Fable 5 à 60 — tout en accomplissant les tâches 61 % plus rapidement pour environ la moitié du coût estimé (Source : Artificial Analysis).

La frontière de Pareto à travers les niveaux d’effort de raisonnement est tout aussi instructive. GPT-5.6 Terra et Luna dépassent GPT-5.5 à tous les niveaux de raisonnement. Notamment, Luna et Sol sont toujours sur la frontière de Pareto devant Terra — ce qui signifie qu’il existe toujours un niveau d’effort Luna ou Sol plus intelligent sans coût supplémentaire, ou aussi intelligent à moindre coût, que n’importe quelle configuration Terra.

Cybersécurité : ExploitBench et ExploitGym

Sur ExploitBench 1, Sol obtient un score de 73,5 % contre 47,9 % pour GPT-5.5 avec un budget de tokens de sortie comparable — un bond de 25,6 points. C’est l’une des plus grandes améliorations de génération en génération dans la suite de benchmarks, et l’une des raisons pour lesquelles les modèles ont passé 12 jours derrière une barrière gouvernementale. Le décret exécutif de juin sur la cybersécurité de l’IA de l’administration Trump exigeait un examen des modèles puissants avant leur publication publique, et le Centre pour les normes et l’innovation en IA du Département du Commerce a approuvé GPT-5.6 après qu’OpenAI a envoyé des experts techniques à Washington (Source : OpenAI — GPT-5.6).

Anthropic rapporte 78,0 % sur ExploitBench, mais ce score appartient à Claude Mythos 5 — la variante sans restriction réservée aux partenaires de Project Glasswing. Fable 5 utilise les mêmes poids avec des classifieurs de sécurité superposés, et Anthropic n’a pas publié de chiffre ExploitBench spécifique à Fable 5 (Source : Vellum).

Rappel de Contexte Long : Le Gouffre de Luna

Le Multi-hop Retrieval over Contextual Reasoning (MRCR) teste le rappel de contexte long. Les résultats montrent une véritable séparation des niveaux :

Modèle Score MRCR
GPT-5.6 Sol 91,5 %
GPT-5.6 Terra 89,6 %
GPT-5.6 Luna 41,3 %

(Source : Vellum)

Luna chute brutalement. Si votre charge de travail implique l’analyse de documents, le raisonnement sur de grandes bases de code ou la synthèse multi-documents, Luna est le mauvais outil. GPT-5.5 (la génération précédente) a obtenu 74,0 % sur le MRCR v2 d’OpenAI à 512K-1M tokens, plaçant Luna nettement derrière son prédécesseur sur les tâches de rappel. C’est la seule catégorie où l’avantage de coût de Luna ne compense pas son écart de capacité.

Raisonnement Max et Mode Ultra

GPT-5.6 introduit deux nouveaux leviers de capacité en plus du système de niveaux.

Raisonnement Max

max est un nouveau niveau d’effort de raisonnement au-dessus de xhigh. Il donne à Sol plus de temps pour raisonner en profondeur, effectuer des vérifications, explorer des alternatives et réviser son approche. Vous pouvez définir reasoning.mode: "pro" sur n’importe quel niveau de GPT-5.6, et l’effort de raisonnement est configurable par requête de "none" à "max". Le raisonnement persiste également sur plusieurs tours de conversation — une amélioration de la qualité de vie pour les longues sessions d’agents.

Sur l’AA Intelligence Index, le passage du raisonnement par défaut au raisonnement max ajoute environ 2 à 4 points selon les niveaux, avec des rendements décroissants aux niveaux d’effort les plus élevés.

Mode Ultra : Agents Parallèles

ultra coordonne quatre agents en parallèle par défaut, échangeant une utilisation plus élevée de tokens contre des résultats plus solides et un délai d’obtention des résultats plus court sur les tâches exigeantes. Les gains sont réels mais étroits :

Benchmark Sol Agent Unique Sol Ultra (4 agents) Delta Multiplicateur de Coût
Terminal-Bench 2.1 88,8 % 91,9 % +3,1 ~3×
BrowseComp ~90,4 % 92,2 % +1,8 ~3×
SEC-Bench Pro — — +3,1 ~3×

(Source : OpenAI — GPT-5.6, Trilogy AI)

Le calcul des coûts est brutal. Sur Terminal-Bench 2.1, Sol en agent unique atteint 88,8 % pour environ 1,70 $ de coût API estimé, tandis qu’Ultra atteint 91,9 % pour un peu plus de 5 $. C’est environ 3× le coût pour un gain de 3,1 points. Ultra est une option judicieuse lorsqu’une tâche peut être divisée en flux de travail indépendants et que terminer plus tôt a une réelle valeur. Ce n’est pas le choix par défaut judicieux. Pour les utilisateurs de l’API, les développeurs peuvent créer des expériences de type ultra en utilisant la version bêta multi-agent dans l’API Responses.

Ce Qu’OpenAI N’a Pas Rapporté

La suite de benchmarks d’OpenAI pour GPT-5.6 est délibérément agentique. Ils mettent en avant Terminal-Bench, Agents’ Last Exam, BrowseComp, OSWorld et l’AA Coding Agent Index — des benchmarks qui ressemblent à du travail réel : naviguer, inspecter, coordonner des outils, comparer des preuves, valider des résultats et récupérer lorsque la première tentative est erronée (Source : Vellum).

Ce qui est remarquablement absent : pas de SWE-bench Verified, pas de GPQA Diamond, pas d’AIME, pas de MMLU, pas d’ARC-AGI-2, pas de FrontierMath. Ce sont les benchmarks académiques traditionnels qui ont défini les comparaisons de modèles de pointe pendant deux ans. OpenAI a également modifié son format de rapport : au lieu de publier un seul score de benchmark, ils montrent désormais la performance sous forme de courbe à travers les niveaux d’effort de raisonnement.

La lecture charitable : les benchmarks académiques à un seul essai ne capturent pas la façon dont les modèles sont réellement utilisés, et les benchmarks agentiques sont un meilleur indicateur du travail réel. La lecture cynique : OpenAI mène sur les benchmarks agentiques et est à la traîne sur plusieurs benchmarks académiques, ils ont donc mis en avant les premiers et relégué les seconds au second plan.

Les deux peuvent être vrais. Claude Fable 5 mène sur SWE-Bench Pro, GPQA Diamond, FrontierMath, HealthBench Professional et l’AA Intelligence Index (d’1 point). GPT-5.6 Sol mène sur Terminal-Bench, BrowseComp, OSWorld, Agents’ Last Exam, l’AA Coding Agent Index et la cybersécurité. La frontière est divisée. Quiconque vous dit qu’un laboratoire a tout raflé essaie de vous vendre quelque chose.

La Décision d’Orientation : Quel Niveau pour Quoi

Sur la base de l’ensemble des données de benchmark, voici les conseils pratiques :

Utiliser Terra par Défaut

Terra égale ou se situe à moins de 2 à 4 points de Sol sur la plupart des benchmarks pour la moitié du prix : 77,4 contre 80 sur le Coding Agent Index, 69,6 % contre 72,7 % sur DeepSWE, et 89,6 % contre 91,5 % sur MRCR. Sur l’Agents’ Last Exam, l’écart Sol-Terra est d’environ 3,2 points — vous payez 2× pour 3,2 points supplémentaires. Terra dépasse également la performance de pointe de GPT-5.5 sur OSWorld et BrowseComp à un coût inférieur, ce qui en fait une mise à niveau générationnelle pour quiconque utilise actuellement GPT-5.5.

La recommandation de CodeRabbit : utilisez Terra pour l’implémentation de premier passage, le tri des révisions et les correctifs ciblés avec possibilité d’escalade vers Sol (Source : CodeRabbit).

Escalader vers Sol pour les Tâches Agentiques les Plus Difficiles

Les avances de Sol sur BrowseComp (92,2 %), Terminal-Bench (88,8 % en agent unique) et OSWorld (62,6 %) sont réelles et significatives. Réservez Sol pour :

  • Les flux de travail agentiques multi-étapes à long terme
  • Les opérations complexes en terminal et le débogage
  • La recherche en cybersécurité
  • L’utilisation de l’ordinateur et l’automatisation du navigateur à la pointe
  • Les tâches où la fiabilité marginale compte plus que le coût d’inférence : migrations critiques, révision de sécurité, décisions d’architecture
  • Lorsque vous avez besoin du raisonnement max ou du mode ultra

L’évaluation technique de CodeRabbit : « Sol est mieux perçu comme un ingénieur persistant : direct et obstiné à propos de la liste. » Il suit des listes de contrôle longues, reste orienté dans les grands dépôts et fait le travail ingrat qui rend un agent utile. Pour les discussions architecturales, les compromis produit ou la planification ouverte, Fable 5 reste le meilleur choix (Source : CodeRabbit).

Utiliser Luna pour le Volume, Pas pour la Profondeur

Luna est le champion du coût. Sur DeepSWE, il délivre 24 points de benchmark par dollar d’API estimé. Pour les pipelines à grand volume, la classification, le résumé, les résumés de PR, les pré-vérifications de révision légères et les tâches où 85 % de la qualité de Sol pour un cinquième du prix est un bon compromis, Luna est le bon choix.

Mais Luna a des angles morts. Le rappel de contexte long (41,3 % sur MRCR) est un gouffre. L’exécution de codage longue de CodeRabbit a révélé que si Luna est excellent pour le travail d’agent en haut de l’entonnoir, « la clé est un faible raisonnement. Si la tâche consiste principalement à résumer, étiqueter, extraire ou rédiger une structure, Luna est l’endroit où commencer. » Pour tout ce qui est plus profond, escaladez (Source : CodeRabbit).

Utiliser Claude Fable 5 pour la Génération de Code Pur

Si votre charge de travail principale est la génération de code au niveau du dépôt et que vous vous souciez de SWE-Bench Pro, les 80 % de Fable 5 mènent toujours sur les 64,6 % de Sol. L’argument d’OpenAI selon lequel le benchmark est défectueux est peut-être valable, mais jusqu’à ce qu’un remplacement émerge, le chiffre tient. Pour le codage agentique (flux de travail en terminal, coordination multi-étapes, ingénierie à long terme), Sol est le meilleur choix.

La Pile Multi-Modèles

Les tests de CodeRabbit pointent vers un modèle pratique d’orientation multi-modèles pour le développement logiciel :

Étape du Cycle de Vie du Logiciel Premier Modèle à Essayer Pourquoi
Planification Fable 5 pour l’architecture, Sol pour les plans d’exécution Fable meilleur pour les compromis ouverts ; Sol meilleur lorsque le plan devient une liste de contrôle
Recherche Sol Fort pour lire le code existant, tracer les dépendances, rester orienté
Exécution Sol Persistant, suit de longues listes de tâches, travaille sur l’implémentation fastidieuse
Test Sol Exécute les suites, interprète les échecs, ajoute des tests ciblés, boucle jusqu’à ce que ce soit corrigé
Révision (rappel) Sol (avec filtrage) Trouve plus de problèmes ; nécessite un filtrage produit autour de la sortie
Révision (qualité des commentaires) Claude Sonnet 5 Précision plus élevée, commentaires plus propres, meilleur ratio d’attention du développeur

(Source : CodeRabbit)

FAQ

Q : Quelle est la différence entre le raisonnement max et le mode ultra ?

Le raisonnement max donne à un seul modèle plus de temps pour réfléchir — il explore des alternatives, effectue des vérifications et révise son approche au sein d’un seul agent. ultra génère quatre agents parallèles par défaut, chacun travaillant sur différents angles du même problème. Ultra coûte environ 3× plus cher que Sol en agent unique et ajoute environ 1,8 à 3,1 points sur les benchmarks. Utilisez max pour un raisonnement plus profond en agent unique. Utilisez ultra uniquement lorsqu’une tâche peut être parallélisée et que terminer plus vite a une réelle valeur.

Q : Pourquoi Luna obtient-il un score si faible sur le rappel de contexte long (41,3 % contre 91,5 % pour Sol) ?

La séparation des niveaux est la plus visible dans les tâches intensives en récupération d’informations. Luna sacrifie l’efficacité de la fenêtre de contexte et la précision de la récupération pour la vitesse et le coût. Si votre charge de travail implique l’analyse de documents, la navigation dans de grandes bases de code ou la synthèse à partir de sources multiples, utilisez Terra ou Sol à la place. Luna est conçu pour des tâches limitées et à faible raisonnement.

Q : GPT-5.6 est-il meilleur que Claude Fable 5 ?

Cela dépend de la tâche. Sur les benchmarks agentiques (Terminal-Bench, BrowseComp, OSWorld, Agents’ Last Exam, Coding Agent Index), Sol mène. Sur la génération de code pur (SWE-Bench Pro), les benchmarks académiques (GPQA Diamond, MMLU) et l’intelligence agrégée (AA Intelligence Index), Fable 5 mène — mais d’1 point seulement sur l’index agrégé, tout en coûtant environ 3× plus cher. Les deux modèles sont complémentaires : Fable 5 pour le jugement architectural et le raisonnement ouvert, Sol pour l’exécution et le suivi.

Q : J’utilise actuellement GPT-5.5. Dois-je tout basculer vers Terra ?

Terra dépasse la performance de pointe de GPT-5.5 sur OSWorld et BrowseComp à un coût inférieur, et égale ou dépasse GPT-5.5 sur les benchmarks de codage tout en utilisant moins de tokens. Pour la plupart des charges de travail, migrer de GPT-5.5 vers Terra est une mise à niveau évidente — meilleure qualité à moindre coût. Pour les tâches agentiques les plus difficiles, ajoutez Sol comme voie d’escalade spécialisée.

Q : Pourquoi OpenAI n’a-t-il pas rapporté les scores SWE-Bench Verified ou MMLU ?

La stratégie de benchmark d’OpenAI pour GPT-5.6 est délibérément agentique — ils ont choisi des évaluations qui ressemblent au travail réel plutôt que des benchmarks académiques traditionnels. La conséquence pratique est que nous n’avons pas de comparaisons directes sur plusieurs benchmarks où Anthropic mène. OpenAI soutient que ces benchmarks ne capturent pas la façon dont les modèles sont réellement utilisés. Que ce soit une position de principe ou une omission tactique est une question d’interprétation.

Lectures Complémentaires