Quelques semaines après GPT-6 Astra, OpenAI étend sa nouvelle génération de modèles avec GPT-6 Sol et GPT-6 Luna. L’objectif n’est plus seulement de repousser les performances maximales, mais de rendre une partie des progrès d’Astra accessible à des usages où le coût, la vitesse et le volume de requêtes comptent davantage.
Le changement est particulièrement visible du côté de l’API. OpenAI annonce une forte réduction des tarifs par rapport à GPT-5.6 Sol et Luna, tout en revendiquant des progrès sur la fiabilité factuelle, le développement logiciel, l’utilisation d’un ordinateur et la manière dont les modèles structurent leurs réponses.
GPT-6 Astra reste au sommet, Sol et Luna visent le quotidien
La hiérarchie reste relativement simple. GPT-6 Astra demeure le modèle le plus performant de la famille et celui qu’OpenAI destine aux problèmes les plus complexes. Sol occupe l’échelon intermédiaire pour le code, la recherche et le travail professionnel exigeant, tandis que Luna privilégie la vitesse et le coût pour les tâches ciblées ou répétitives.
Cette segmentation existait déjà avec GPT-5.6, mais OpenAI affirme avoir entraîné Sol et Luna avec des méthodes proches de celles utilisées pour Astra. L’idée consiste donc à transférer une partie des avancées de son modèle phare vers des architectures suffisamment économiques pour être utilisées beaucoup plus fréquemment.
Pour Sol, cela signifie notamment du développement logiciel, de l’analyse, de la recherche ou des workflows professionnels complexes. Luna cible davantage les opérations à grand volume : extraction d’informations, classement de contenus, résumés ou modifications rapides.
Cette distinction devient particulièrement importante avec les agents IA. Lorsqu’un modèle doit enchaîner plusieurs dizaines d’actions, utiliser des outils et conserver un contexte important, le meilleur modèle disponible n’est pas systématiquement le plus pertinent. Le coût cumulé et la latence peuvent devenir aussi déterminants que quelques points supplémentaires sur un benchmark.
OpenAI construit donc GPT-6 moins comme un modèle unique que comme une famille couvrant différents niveaux de complexité. Astra représente la puissance maximale, tandis que Sol et Luna doivent permettre de déployer cette génération sur des volumes beaucoup plus importants.
Les tarifs de l’API chutent fortement
C’est probablement l’évolution la plus importante pour les développeurs. GPT-6 Sol coûte 2 dollars par million de tokens en entrée et 10 dollars en sortie, contre respectivement 4 et 20 dollars pour la tarification promotionnelle de GPT-5.6 Sol utilisée comme référence par OpenAI.
Luna devient encore plus agressif. Le tarif passe de 0,20 à 0,10 dollar par million de tokens en entrée, tandis que les tokens générés passent de 1,20 à 0,50 dollar par million. OpenAI présente globalement cette nouvelle génération comme environ deux fois moins coûteuse que ses prédécesseurs, même si la baisse exacte varie selon le type de tokens.
Cette diminution est liée, selon l’entreprise, à des améliorations apportées à l’inférence et à la gestion du cache. GPT-6 améliore notamment le prompt caching, qui permet de réutiliser des portions de contexte déjà traitées au lieu de les recalculer intégralement à chaque requête. Les lectures provenant du cache bénéficient d’une réduction de 90 % sur les tokens d’entrée concernés.
Ce mécanisme prend une importance particulière pour les agents et les conversations longues. Un assistant travaillant pendant plusieurs heures sur un dépôt de code, par exemple, peut réutiliser une grande partie des mêmes instructions, fichiers et informations contextuelles à chaque nouvelle étape.
Le coût réel d’une IA ne dépend donc plus uniquement du prix affiché pour un million de tokens. La capacité à éviter de retraiter constamment le même contexte devient elle-même un levier d’efficacité.
C’est probablement sur ce terrain que la génération GPT-6 cherche à progresser le plus fortement : rendre économiquement viable l’utilisation intensive de modèles avancés, plutôt que de réserver leurs capacités aux tâches ponctuelles les plus importantes.
GPT-6 Sol veut réduire les erreurs sans payer le prix d’Astra
OpenAI revendique également une amélioration importante de la fiabilité factuelle. Sur son évaluation interne construite à partir de conversations anonymisées dans lesquelles des utilisateurs avaient signalé une erreur factuelle, GPT-6 Sol produirait environ deux fois moins d’erreurs que GPT-5.6 Sol, tout en se rapprochant du niveau d’Astra.
Cette mesure doit néanmoins être interprétée avec précaution. OpenAI précise elle-même que les conversations sélectionnées sont spécifiquement celles qui avaient provoqué des erreurs avec des modèles précédents et qu’elles ne représentent donc pas la fréquence normale des erreurs dans l’ensemble des usages.
Les progrès revendiqués concernent également le code. Sur DeepSWE v1.1, un benchmark consacré à des tâches longues d’ingénierie logicielle dans de véritables bases de code, OpenAI annonce un score de 68,8 % pour GPT-6 Sol avec le niveau de raisonnement maximal. L’entreprise le situe ainsi à proximité des meilleurs résultats qu’elle rapporte pour Claude Fable 5, mais avec un coût par tâche nettement inférieur dans cette évaluation.
Luna lui-même n’est plus présenté comme un simple modèle destiné aux opérations élémentaires. OpenAI rapporte un score de 66,6 % sur DeepSWE v1.1 au niveau de raisonnement maximal, ce qui illustre jusqu’où les modèles économiques commencent à remonter dans des catégories de tâches autrefois réservées aux variantes premium.
Les comparaisons avec les modèles concurrents restent naturellement à considérer comme celles d’OpenAI. Les performances peuvent varier selon le benchmark, le niveau de raisonnement, les outils disponibles et la configuration utilisée. OpenAI précise d’ailleurs que ses propres évaluations sont réalisées dans son environnement de recherche ou via son API et peuvent différer du comportement observé dans ChatGPT.
Des réponses plus courtes, plus claires et moins chargées en jargon
Les améliorations ne concernent pas uniquement les benchmarks. OpenAI reprend également sur Sol et Luna une partie du travail réalisé avec Astra sur le style de collaboration. L’entreprise promet davantage de clarté, moins de jargon, moins de formulations inhabituelles et une réduction des détails jugés peu utiles. Les réponses devraient également être légèrement plus courtes sans perdre les informations importantes.
Ce changement peut sembler secondaire face aux performances en programmation ou aux tarifs de l’API, mais il touche directement l’expérience quotidienne. Un modèle professionnel n’est pas seulement évalué sur sa capacité à résoudre un problème : il doit également savoir expliquer ce qu’il a fait, distinguer ce qu’il a vérifié de ce qu’il suppose et présenter rapidement les informations importantes.
Cette optimisation devient encore plus pertinente lorsque les modèles commencent à agir plutôt qu’à simplement répondre. Un agent qui modifie du code, analyse des documents ou manipule des applications doit rendre son travail compréhensible sans transformer chaque opération en compte rendu interminable.
OpenAI affirme parallèlement avoir poursuivi son travail d’alignement. Dans certaines évaluations conçues pour provoquer des comportements problématiques, Sol et Luna afficheraient notamment moins de déclarations trompeuses concernant le travail de programmation qu’ils ont réellement effectué. Là encore, l’entreprise précise que ces tests sont volontairement difficiles et ne représentent pas les taux d’échec rencontrés dans les usages ordinaires.
OpenAI et Anthropic se battent désormais aussi sur le prix
Le calendrier donne une dimension particulière à cette annonce. Anthropic vient également de dévoiler Claude Opus 5.5 avec une baisse de prix et des progrès revendiqués dans le code et le travail intellectuel. Les deux entreprises cherchent donc simultanément à démontrer qu’un modèle plus performant n’a plus nécessairement besoin d’être plus coûteux.
C’est un changement notable dans la course à l’IA générative. Les premières générations de modèles de pointe associaient presque systématiquement progression des capacités et augmentation des ressources nécessaires. La compétition se déplace maintenant vers une autre question : combien d’intelligence peut-on fournir pour chaque dollar dépensé ?
GPT-6 Sol représente probablement la pièce centrale de cette stratégie chez OpenAI. Astra peut conserver le rôle de modèle de référence pour les tâches où la qualité maximale justifie un coût supérieur, tandis que Sol devient plus adapté aux agents utilisés quotidiennement. Luna pousse cette logique encore plus loin pour les opérations répétitives et les très grands volumes.
Cette architecture permet également aux développeurs de router dynamiquement leurs tâches. Une opération simple peut être confiée à Luna, une modification complexe de code à Sol et un problème particulièrement difficile à Astra. L’enjeu n’est alors plus de choisir un seul modèle, mais de construire un système capable d’utiliser le niveau d’intelligence approprié au bon moment.
GPT-6 Sol et Luna arrivent dans Work, Codex et l’API
GPT-6 Sol et GPT-6 Luna sont disponibles à partir de ce 22 septembre dans ChatGPT Work et Codex pour les utilisateurs Plus, Pro, Business, Enterprise et Edu. Luna est également accessible aux utilisateurs Free et Go depuis l’application de bureau. Du côté de l’API, les deux modèles sont proposés sous les identifiants gpt-6-sol et gpt-6-luna.
Au moment de l’annonce, OpenAI indique que Sol et Luna ne sont pas encore disponibles partout dans Chat, mais prévoit un déploiement progressif dans ChatGPT au cours de la journée. La disponibilité peut donc varier temporairement selon le compte et le produit utilisé.
Après Astra, cette deuxième vague permet surtout de mieux comprendre la stratégie derrière GPT-6. OpenAI ne cherche pas simplement à remplacer GPT-5.6 par un modèle supérieur : l’entreprise construit plusieurs niveaux capables de partager une même génération technologique tout en répondant à des contraintes économiques très différentes.
La véritable avancée de GPT-6 pourrait ainsi moins se mesurer au sommet atteint par Astra qu’à la vitesse avec laquelle ses capacités descendent vers Sol et Luna. Car pour les agents IA appelés à travailler pendant des heures et à consommer des millions de tokens, le prochain avantage décisif ne sera pas seulement d’être plus intelligent : il faudra aussi pouvoir se permettre de l’utiliser.
