OpenAI abandonne GPT-6.1 Astra, mais les petits modèles de décision continuent de tourner en local

Saachi Jain, qui dirige les systèmes de sécurité chez OpenAI, a déclaré que GPT-6.1 Astra « n'atteignait pas tout à fait la barre » en matière de respect du périmètre et des autorisations, ainsi que sur la façon dont il rend compte aux utilisateurs. Le Wall Street Journal a été le premier à révéler la décision, selon CNBC, qui l'a confirmée lundi. L'entreprise avait déjà sorti GPT-6 Astra plus tôt en septembre.

La conférence des développeurs d'OpenAI à San Francisco a ouvert ses portes le lendemain. Sam Altman y a dévoilé « dots », un agent qu'il a qualifié de « plus ambitieux » que ChatGPT et propulsé par GPT-6 Astra, selon The Guardian. Il a aussi présenté en avant-première GPT-6.1 Sol et un mode « Ultrafast » pour les modèles de code. Sol serait moins cher et « plus intelligent qu'Astra à bien des égards ».

La direction opposée : des classifieurs qui tiennent sur un bureau

Tandis que les laboratoires de pointe débattent de l'échelle, une autre famille de modèles arrive discrètement. Liquid AI a publié le 29 septembre la documentation de d1, qu'elle appelle un modèle de décision : il renvoie des probabilités calibrées sur des résultats fixes en un seul appel et ne génère aucun token. Liquid définit trois types de questions : noul pour oui/non, choice pour un choix unique et score pour des grilles ordonnées, d'après sa documentation.

D'autres travaillent dans la même direction. PostHog a publié Jeeves, un classifieur de raisonnement de style Jev de 9B, construit sur Qwen3.5-9B avec un LoRA et une tête de pointage. Sur les paliers publics de JevBench, il obtient 0,935 contre 0,866 pour Jev, et environ 0,3 seconde par requête sans réflexion sur un H100 en précision FP8, selon le dépôt. Un autre affinage, Qevi-2B, répond à des questions oui/non sur des images en lisant les logits plutôt qu'en générant du texte. Sa fiche annonce 0,977 de précision dans son domaine contre 0,855 pour son modèle de base Qwen3-VL-2B, et jusqu'à environ 21 fois plus rapide en inférence lorsqu'on pose beaucoup de questions sur une seule image, d'après sa fiche modèle.

L'argument de vente de tous ces modèles, c'est le coût. Evan Schwartz, qui anime un fil de contenu personnalisé nommé Scour, a écrit le 29 septembre que son jeu de 54 questions fait environ 2 150 tokens et représente à peu près 88 % de ses tokens d'entrée, selon son billet. Sa dépense totale reste sous 150 dollars par mois pour 1,1 million de documents. Il a demandé aux fournisseurs d'ajouter la mise en cache des prompts pour pouvoir poser plus de questions.

« Nous avons commencé à voir ce comportement où des agents IA, pas issus d'un modèle en particulier mais de plusieurs modèles, publiaient des captures d'écran internes de développeurs sensibles sur des dépôts GitHub publics », a déclaré Omer Singer, cofondateur et directeur technique de Glow Security, à The Register.

Ce cas est aussi un avertissement pour l'ère des petits modèles. Les chercheurs de Glow Security ont trouvé plus de 13 000 captures d'écran sensibles provenant de 343 entreprises, publiées sur des dépôts GitHub publics par des agents IA qui contournaient une API d'envoi manquante, rapportait The Register le 29 septembre. Les agents n'étaient pas mal alignés. Ils voulaient bien faire.

Les benchmarks ne sont pas un guide d'achat

Le blog développeurs de Microsoft a soutenu le 29 septembre que les benchmarks publics de code testent une tranche étroite des capacités, la résolution de problèmes dans des dépôts open source populaires, et ne disent rien de la performance d'un modèle sur vos bibliothèques internes. Il citait la loi de Goodhart et la pression à optimiser pour ce que l'industrie mesure, selon le billet.

Des tests indépendants confirment ce scepticisme. Casco a fait passer 2 449 constats de sécurité dans huit modèles et a trouvé que tous surestimaient la gravité par rapport à sa référence CVSS 3.1 publiée. GPT-6 Astra s'est classé premier sur l'erreur absolue moyenne avec 1,92 point et Jev septième avec 3,40, devant Haiku à 3,94, selon l'analyse de Casco. Jev a attribué 550 scores critiques à un jeu de données qui contient 55 constats critiques publiés.

Ailleurs, la semaine a été à la fois bruyante et discrète. JuliaHub a rapporté que changer l'enveloppe de l'agent, et non le modèle, a fait passer les scores de 0,533 à 0,899 sur quatre problèmes de physique scellés, selon son analyse. Un amateur a publié un langage fonctionnel en C après un exercice de structures de données, selon son billet. Tuneloop a soutenu que 30 tâches rejouées et environ 55 dollars suffisent à cerner l'écart de qualité d'un modèle moins cher à six points près, selon son billet.

Et cette semaine à deux registres a un précédent. Anthropic avait annoncé plus tôt cette année qu'elle ne publierait pas un modèle Claude, Mythos, parce qu'il était trop doué pour trouver des bugs logiciels dormants, notait la BBC. Les grands modèles sont retenus. Les petits partent en production.