L’essentiel
- GPT-5.6 Sol, le nouveau modèle phare d’OpenAI, a post-entraîné seul le plus petit modèle Luna à partir d’un prompt volontairement sous-spécifié passé via Codex.
- Sur l’indice interne d’auto-amélioration récursive (RSI), Sol devance GPT-5.5 de 16,2 points, selon OpenAI.
- Un ingénieur d’OpenAI chiffre le gain : la tâche aurait sinon mobilisé deux chercheurs pendant environ deux semaines.
Un chercheur d’OpenAI a tapé quelques consignes volontairement floues dans Codex, sa plateforme d’agents de programmation, puis il a laissé faire. À l’arrivée, GPT-5.6 Sol avait post-entraîné tout seul Luna, le plus petit modèle de la même famille : trouver les bonnes configurations, sélectionner les GPU (processeurs graphiques) adaptés, lancer le script d’entraînement, vérifier que tout tournait correctement. Le genre de chantier qui mobilisait jusque-là une équipe de chercheurs chevronnés.
Petit rappel pour situer l’enjeu. Le post-entraînement (post-training), c’est la phase qui suit le pré-entraînement d’un modèle : on ne lui apprend plus à prédire du texte en général, on le spécialise sur des compétences et des comportements précis. C’est un travail d’artisan, fait de réglages, d’essais et d’arbitrages. Et c’est exactement cette partie qu’OpenAI dit avoir déléguée à une machine.
Un prompt vague, un modèle affiné
La démonstration est spectaculaire, mais il faut la lire avec la précision qu’elle mérite. Jason Liu, ingénieur chez OpenAI, a tenu à recadrer : Sol n’a pas inventé une recette d’entraînement à partir de rien. L’essentiel de la configuration existait déjà, héritée du propre post-entraînement de Sol. La vraie tâche consistait à adapter ce dispositif au format plus petit de Luna, puis à mener le run à son terme.
Ce n’est pas un détail, mais ça ne désamorce pas l’affaire pour autant. Selon Liu, ce même travail aurait sinon occupé « deux chercheurs pendant peut-être deux semaines de plus ». Deux semaines-homme d’expertise rare, absorbées par un agent lancé sur une consigne approximative. « Auparavant, c’est le genre de chose sur laquelle une équipe de chercheurs seniors aurait travaillé, et là on a vraiment le sentiment que le chercheur automatisé n’est plus très loin », résume Kathy Shi, chercheuse chez OpenAI, lors de la présentation.
Seize points sur l’échelle qui inquiète les labos
Pour objectiver ces capacités, OpenAI a bâti une suite d’évaluation interne calquée sur de vraies tâches de recherche : déboguer des systèmes, optimiser des noyaux de calcul et des recettes d’entraînement, faire tourner des expériences, et améliorer un autre modèle. Sur cet indice agrégé, baptisé RSI (Recursive Self-Improvement, l’auto-amélioration récursive), Sol marque 16,2 points de plus que GPT-5.5.
Le terme n’est pas neutre. L’auto-amélioration récursive décrit un système capable de se rendre lui-même meilleur, chaque gain le rendant plus apte à progresser encore : une boucle de rétroaction. C’est un concept central de la recherche sur la sûreté de l’IA, car un système qui s’améliore ainsi pourrait, en théorie, déclencher une accélération brutale de ses capacités. Anthropic le formulait début juin : la RSI complète n’est pas atteinte, mais elle « pourrait arriver plus tôt que la plupart des institutions ne sont prêtes à l’affronter ». Le laboratoire précisait alors que les humains ne tranchent déjà plus qu’un pourcentage à un chiffre des décisions d’orientation dans son propre travail.
La productivité double, la trajectoire s’accélère
Plus que le benchmark, c’est l’usage interne qui frappe. Les chercheurs d’OpenAI disent s’appuyer sur Sol tout au long du cycle de développement, du débogage à la lecture des résultats d’expériences. Pendant les seuls tests internes, le volume moyen de tokens produits par chercheur actif chaque jour a plus que doublé, dépassant le précédent record établi avec GPT-5.5. Le nombre de pull requests et d’expériences par personne a lui aussi grimpé.
L’outil qui accélère la recherche sert maintenant à accélérer la recherche sur l’outil. La boucle théorique commence à se lire dans les statistiques de production d’un laboratoire. On n’y est pas encore, mais la pente est là, et elle est raide.
Le moment où valider ne voudra plus dire comprendre
La démonstration a une date de péremption courte. Faire régler un modèle par un autre modèle va cesser d’être un exploit qu’on met en scène pour devenir une routine chiffrée au budget d’un laboratoire : Luna a été affiné, l’économie de temps est mesurée, la méthode se reproduit.
Ce qui compte se déplace alors vers un autre terrain. Tant que Sol adapte une recette écrite par des humains, chaque ligne reste vérifiable. Le basculement viendra quand l’agent proposera des recettes que personne dans l’équipe n’aurait songé à écrire, et que l’écart entre celui qui valide et la machine qui propose sera trop large pour un contrôle réel. Valider cessera alors de vouloir dire comprendre. Le premier laboratoire qui racontera honnêtement ce passage nous apprendra davantage que dix records annoncés.
Mon avis
Ce qui me frappe ici n’est pas la vitesse, c’est le déplacement de la responsabilité. Quand les humains ne signent plus que quelques pour cent des décisions d’architecture, le contrôle ne se joue plus au déploiement : il se joue en amont, dans la boucle d’entraînement elle-même. Le prochain grand débat de sécurité se logera là, dans une question toute simple : qui a validé, et surtout compris, la recette qui a produit le modèle ? Le jour où plus personne ne sait y répondre, nous aurons franchi une ligne sans nous en apercevoir.
