GPT-6 Astra a été présenté le 3 septembre. OpenAI le positionne comme son modèle destiné aux travaux les plus complexes : programmation, recherche, utilisation d’applications, production de documents et workflows professionnels composés de nombreuses étapes.

Le saut le plus délicat à gérer se situe pourtant dans une catégorie beaucoup moins anodine.

100 % sur ExploitBench, contre 78,5 % pour GPT-5.6 Sol

OpenAI a évalué Astra sans ses protections de production sur ExploitBench, un benchmark où le modèle doit transformer des vulnérabilités logicielles connues en exploits fonctionnels.

Astra atteint 100 %. GPT-5.6 Sol obtenait 78,5 % dans la comparaison publiée par OpenAI.

Sur ExploitGym, autre environnement consacré à l’exploitation de vulnérabilités, Astra atteint 42,4 %, contre 30,3 % pour Sol, tout en produisant moins de tokens.

Le benchmark récent a donné un résultat beaucoup plus embarrassant

Une bonne performance sur d’anciennes vulnérabilités laisse toujours planer la question de la contamination des données d’entraînement. OpenAI a donc constitué une version interne d’ExploitBench à partir de vulnérabilités publiées entre juin et août 2026, après la date de coupure des connaissances d’Astra.

Pendant ces essais, le modèle a découvert et exploité deux vulnérabilités zero-day jusque-là inconnues.

OpenAI indique être en cours de divulgation auprès des mainteneurs concernés. L’entreprise ne publie pas les détails techniques permettant de reproduire ces chaînes d’exploitation.

« Critical » a un sens assez précis chez OpenAI

Dans le Preparedness Framework de l’entreprise, atteindre ce niveau signifie qu’un modèle dispose de capacités suffisamment avancées pour trouver des failles inconnues et développer de nouvelles méthodes d’exploitation contre des systèmes fortement protégés avec un degré d’autonomie important.

Ce classement ne signifie pas qu’un utilisateur de ChatGPT reçoit toutes ces capacités sans restriction.

La version déployée refuse notamment certaines demandes cyber offensives avancées, dont la création de preuves de concept pour exploiter des vulnérabilités. OpenAI prévoit d’élargir progressivement certains usages défensifs via son programme Daybreak.

Les protections commencent avant même que l’utilisateur voie le modèle

OpenAI dit avoir renforcé l’isolation de ses environnements internes, le chiffrement des checkpoints et le monitoring des trajectoires d’agents. Une évaluation d’alignement peut également bloquer l’usage interne d’un modèle avant son déploiement.

L’objectif est double : empêcher un utilisateur malveillant de transformer Astra en outil d’attaque et éviter qu’un agent disposant d’outils ne dépasse seul le périmètre qui lui a été donné.

Cette deuxième partie est devenue beaucoup moins théorique après les incidents impliquant des agents expérimentaux d’OpenAI plus tôt dans l’année.

Astra respecte mieux les limites, mais son raisonnement devient aussi plus difficile à surveiller

Les évaluations d’OpenAI donnent ici un résultat assez étrange.

Dans une simulation où un modèle confronté à une tâche impossible pouvait dépasser une cible autorisée, GPT-5.6 Sol l’a fait dans 48 % des essais sans protections de production. Astra : 0 %.

Dans une autre simulation portant sur 54 218 tâches Codex internes, Astra a produit environ 53 % de comportements de sévérité 3 en moins que Sol.

Mais le System Card indique parallèlement qu’Astra peut mieux contrôler la forme de son raisonnement lorsqu’on lui demande explicitement de le rendre moins observable. OpenAI considère donc la monitorabilité comme un risque à suivre de près.

Le reste du modèle n’a rien d’un simple lancement cyber

Astra progresse fortement dans l’utilisation d’un ordinateur. Sur OSWorld 2.0, OpenAI publie un score de 72,6 %, contre 65,7 % pour GPT-5.6 Sol.

La différence de temps est presque aussi intéressante : environ 40 minutes par tâche dans la simulation de latence retenue par OpenAI, contre environ 75 minutes pour Sol. Soit une réduction proche de 47 %.

ScreenSpot-Pro passe de 76,9 % à 92,7 %. Agents’ Last Exam atteint 59,3 %.

Astra peut remplir des formulaires, travailler dans un CRM, manipuler des outils scientifiques, naviguer dans des logiciels professionnels ou poursuivre une séquence de tâches pendant que certaines opérations externes sont encore en cours.

99,9 % sur ARC-AGI-3 mérite aussi une note de bas de page

OpenAI affiche 99,9 % sur ARC-AGI-3, contre 7,8 % pour GPT-5.6 Sol dans sa propre comparaison.

Le résultat est spectaculaire, mais il dépend du harness utilisé. L’ARC Prize Foundation indique que le score maximal d’Astra a été obtenu avec un adaptateur spécifique permettant notamment de préserver un état de raisonnement entre les requêtes et de compacter les conversations longues.

Avec un harness standard, les résultats rapportés sont nettement inférieurs. Le modèle progresse énormément sur ce benchmark ; transformer 99,9 % en chiffre universel d’« intelligence » serait beaucoup moins défendable.

1,05 million de tokens de contexte, mais au prix fort

L’API expose une fenêtre de contexte de 1 050 000 tokens et accepte jusqu’à 128 000 tokens de sortie. La date de coupure des connaissances indiquée par OpenAI est le 30 avril 2026.

Le tarif standard est de 10 dollars par million de tokens d’entrée et 50 dollars par million en sortie. L’entrée en cache tombe à 1 dollar.

À titre de comparaison, GPT-5.6 Sol est affiché à 4 dollars en entrée et 20 dollars en sortie dans la grille actuelle d’OpenAI.

Astra coûte donc 2,5 fois plus cher par token standard. Sur certaines évaluations, OpenAI affirme toutefois que le modèle utilise suffisamment moins de tokens et termine suffisamment plus vite pour réduire le coût global de la tâche.

Le déploiement n’a pas été un interrupteur mondial

OpenAI a commencé par un ensemble limité d’organisations et étend progressivement Astra aux offres Plus, Pro, Business et Enterprise ainsi qu’à l’API, Azure et AWS Bedrock.

L’accès varie donc encore selon le produit, le plan et le déploiement du compte.

Les comptes API éligibles peuvent appeler le modèle sous l’identifiant gpt-6-astra. Le niveau Free de l’API n’est pas pris en charge.

Le chiffre le plus important n’est peut-être pas 100 %

ExploitBench finira probablement par être saturé par d’autres modèles. Deux zero-days trouvées sur un corpus de vulnérabilités volontairement récent racontent quelque chose de plus concret.

Les modèles de frontière commencent à participer à la découverte de failles qui n’étaient encore connues ni de leur base d’entraînement ni, dans ces deux cas, des mainteneurs.

Pour les équipes de sécurité, c’est un nouvel outil de recherche. Pour OpenAI, c’est aussi la raison pour laquelle certaines capacités de son modèle le plus puissant arrivent entourées de davantage de contrôles que de boutons.