Guide GPT-6 Astra : comment la puissance horizontale transforme le modèle en travail accompli

Un ingénieur ayant encadré plus de 300 étudiants dans une école de programmation IA ouvre avec le passage direct d'OpenAI de 5.6 Sol à GPT-6 Astra la semaine dernière et la soudaine vague d'attention sur les réseaux sociaux. Il dit avoir longtemps observé les sorties de modèles à distance, supposant que rien ne change pour les développeurs et opérateurs en dehors des laboratoires de recherche. La curiosité l'a poussé à lire le site officiel, le tableau des prix et les notes techniques ligne par ligne, et son avis a basculé. Sa conclusion est claire : l'histoire ne concerne pas des scènes tridimensionnelles spectaculaires, mais la puissance horizontale qui relie des applications distinctes en un seul flux de travail.

La première métrique sur le site officiel est DEP SWE, un indicateur de codage où Astra ne gagne que 1,4 point sur Sol et reste presque à égalité avec la ligne Fable 5 et 5.1 d'Anthropic. À première vue, cela rend un abonnement difficile à justifier. La réponse vient du coût : Astra fonctionne nettement plus efficacement que Claude Code, et bien qu'il soit plus cher que Sol, l'hôte suggère un schéma hybride — Sol pour le travail de routine, Astra pour les tâches exigeantes et de longue durée. Cette répartition laisse plus d'essais dans le même budget.

Le véritable bond apparaît sur ARC-AGI-3, où Astra multiplie le score par rapport à Sol. Le test mesure l'efficacité avec laquelle un agent apprend et évalue un plan tout en résolvant une tâche interactive inconnue. La vidéo le rend concret avec deux analogies : se voir confier un écran de Super Mario et deviner qu'aller à droite terminera le niveau, ou déduire des données passées quel argument convaincra le client A. Les modèles précédents restaient bloqués sans une liste d'étapes détaillée, tandis qu'Astra construit son propre chemin à partir d'une phrase d'objectif et des accès qui lui sont accordés.

Autre ligne frappante : le test de résistance de sécurité en usage informatique, où Astra affiche le taux le plus faible de résultats non souhaités. Les comparaisons d'OpenAI font état d'environ 89 % de résultats non souhaités en moins que Sol et d'environ 74,7 % de moins que Fable 5.1. Cela compte directement pour le travail réel sur ordinateur, comme rassembler des données dans Excel, manipuler des dossiers locaux ou installer des logiciels via Codex. Codex pouvait déjà atteindre ces surfaces à la génération précédente ; la différence avec Astra n'est pas la vitesse mais un meilleur respect des limites et une continuation plus stable sans abandonner la tâche.

La moitié guide de l'histoire se précise avec le lancement officiel : présenté le 3 septembre 2026, Astra apporte une fenêtre de contexte de 1 050 000 jetons et 128 000 jetons de sortie maximum, au prix de 10 dollars par million de jetons d'entrée et 50 dollars par million de jetons de sortie, avec des lectures en cache à un dollar. Les requêtes dépassant 272 000 jetons d'entrée sont facturées intégralement à 2x en entrée et 1,5x en sortie, la récupération doit donc être conçue en amont. L'échelle de raisonnement ajoute xhigh et max au-dessus de high, Codex remplace la compaction avec perte par des notes et un historique consultable, et les questions non bloquantes suppriment le blocage classique où une seule décision attend des heures. Le modèle est positionné pour mener le travail de bout en bout en pilotant navigateurs, tableurs, applications de bureau et terminaux — remplir des formulaires, mettre à jour des enregistrements CRM, organiser des agendas, faire des recherches, rédiger des documents et des sites, et exécuter des vérifications frontend.

L'hôte ancre ce tableau abstrait dans sa propre activité : il connecte non seulement des données publiques mais aussi des outils protégés par connexion, des journaux de conversations Discord et une collection d'entretiens de blog à la fois. Ce dont il a besoin, c'est d'un brouillon qui relie une vision statistique à des histoires de cas individuels et facilite la demande ; il demande à Astra un prototype pour un tableau de bord appelé Seed Lining. Le résultat est un frontend HTML et CSS cliquable sans backend, exécuté dans la fenêtre de chat, puis ajouté à l'écran de consultation de l'école et transformé en envoi en un clic vers l'instructeur. La mission est de construire une couche de consultation accessible sans exiger que les étudiants ouvrent un compte séparé.

La section finale porte sur l'ingénierie du harnais et la discipline des prompts. En référence à une autre vidéo de la chaîne, il dit que les fichiers de modèles pour Codex — AGENTS.md et spec.md — sont prêts à être remis. Cinq conseils distillés par la collaboratrice d'OpenAI Angel Brodin correspondent exactement au guide : autoriser l'autonomie d'emblée sauf pour les actions irréversibles, indiquer que vos instructions l'emportent en cas de conflit et demander au modèle de nommer le conflit, fournir vos propres échantillons d'écriture, garnir chaque prompt de critères de succès, de périmètre de discrétion, de priorité et d'un point d'arrêt, et bannir les formulations de remplissage. La recette de départ est simple : commencer au raisonnement medium, activer les notes dans Codex, respecter la limite de 272K, exécuter la première tâche comme une tâche navigateur en lecture seule de bout en bout, et ne jamais accorder d'accès en écriture là où vous ne pouvez pas revenir en arrière.