Le 17 novembre 2026, OpenAI a classé GPT-6.2 Astra « High » pour l’auto-amélioration de l’IA et GPT-6.2 Sol sous ce seuil. OpenAI présente ce niveau comme un jalon précoce pour préparer des garde-fous avant une éventuelle auto-amélioration récursive entièrement automatisée. La fiche système de GPT-6.2 Astra et Sol décrit une capacité à accélérer la recherche en IA, pas un processus déjà entièrement automatisé par Astra.
Cette question prolonge celle de la supervision abordée à propos du modèle antérieur : notre article sur GPT-6 Astra et la supervision.
Ce que signifie la classification High de GPT-6.2 Astra
La catégorie d’auto-amélioration de l’IA porte sur la capacité d’un modèle à accélérer la recherche en IA, y compris les travaux qui améliorent les capacités des modèles. La classification High situe GPT-6.2 Astra dans cette catégorie selon le Preparedness Framework d’OpenAI. Elle correspond à une étape de préparation des protections en amont d’une éventuelle automatisation récursive de la recherche.
Ce que mesurent les évaluations
OpenAI indique que cinq évaluations d’ingénierie de recherche ont contribué à sa classification. Deux tests initiaux portent sur le débogage d’expériences de recherche, avec Internal Research Debugging, et l’écriture et l’optimisation de noyaux de calcul, avec KernelGen 1P. GPT-6.2 Astra y a obtenu respectivement 81,85 % et 76,92 % de crédit moyen selon les grilles d’évaluation.
La deuxième étape comprend trois tests aux mesures différentes. OpenAI qualifie leurs seuils d’indicatifs.
| Évaluation | Ce que mesure le résultat | Résultat de GPT-6.2 Astra | Seuil indicatif publié |
| NanoGPT | Part moyenne du temps d’entraînement de référence économisée | 42,87 % | 80 % |
| PostTrainBench Lite | Part moyenne de l’écart de performance comblée | 74,79 % | 90 % |
| MLE-Bench Revised | Percentile moyen par rapport aux solutions de référence | 96,06e percentile | 90e percentile |
GPT-6.2 Astra se situe sous les seuils indicatifs de NanoGPT et de PostTrainBench Lite, et au-dessus de celui de MLE-Bench Revised. OpenAI dit que les cinq évaluations ont contribué à son appréciation globale.
Pour comprendre un score, regardez aussi la tâche et la population de référence auxquelles il se rapporte.
Sur MLE-Bench Revised, le 96,06 est une moyenne calculée sur 72 compétitions par rapport aux solutions de référence du benchmark. Il décrit la position moyenne des résultats d’Astra dans ce cadre précis.
Ce que l’évaluation publiée permet de conclure
Le classement High est l’évaluation d’OpenAI selon son Preparedness Framework, fondée sur des tâches de recherche et d’ingénierie définies. Les trois résultats de deuxième étape ne mesurent pas la même chose : gagner du temps d’entraînement, combler un écart de performance et se situer par rapport à des solutions de référence sont des critères distincts. La définition d’OpenAI situe le seuil en amont d’une possible auto-amélioration récursive entièrement automatisée.