La famille GPT-6 a reçu le 14 octobre 2026 un nouveau retour d'expérience venu d'OpenAI elle-même. Le blog développeurs de l'entreprise a publié ce jour-là le bilan de son équipe Core Experimentation : avec GPT-6 Astra et GPT-6.1 Sol associés à Codex pour entretenir une grande base de code, cinq ingénieurs, en deux semaines et à temps partiel, ont fusionné plus de 1 400 demandes de nettoyage et supprimé plus de 800 000 lignes de code. Il ne s'agit pas d'un projet de démonstration, mais du code de production qu'OpenAI fait tourner chaque jour.
Nettoyer le code mort : consigne large, preuves exigées
À l'époque de GPT-5.6 Sol, les ingénieurs devaient d'abord délimiter le périmètre de recherche et écrire les critères de validation pour que le modèle puisse travailler. Avec Astra, l'équipe a volontairement donné une consigne unique et vague, pour voir si le modèle saurait décider où chercher et quelle preuve justifie une suppression. Il a passé en revue d'anciennes demandes de fusion, des fils de discussion internes et des suivis de projet, puis vérifié dans les tables de profilage de production que le code visé n'était jamais exécuté, en joignant une justification à chaque suppression, ce qui a accéléré la relecture humaine. Le gain est concret : l'image de conteneur d'un service est passée de 3,31 Go à 1,72 Go, soit environ 48 % de moins, et quelque 400 variantes d'instantanés visuels ont été retirées de la suite de tests. Cette façon de travailler sur un long contexte en assemblant sa propre chaîne de preuves rejoint la ligne des tâches longues portée par le contexte par défaut de 500k de GPT-6.1 Sol.
Les expériences obsolètes sont plus délicates : le difficile est de juger, pas de supprimer
Le code mort peut être restauré en cas d'erreur ; les expériences obsolètes, non sans risque, car leur code peut encore tourner en production et leurs conditions d'activation peuvent changer à tout moment, ce qui rend l'analyse statique faillible. L'équipe a donc laissé Astra préparer des modifications dans des garde-fous prédéfinis, toujours accompagnées de preuves, la décision finale revenant aux relecteurs humains. Un exemple illustre cet enjeu : un ancien indicateur interne, capable d'écraser tous les autres indicateurs de nouvelles fonctions à des fins de test, se projetait sur l'ensemble des fonctions et provoquait une forte dispersion de la consommation CPU à l'exécution. Marqué comme permanent dans la console d'administration, il n'a pas été supprimé d'office : Astra a repéré son coût anormal et a remonté le cas en relecture humaine ; après confirmation, son retrait a permis d'économiser environ 0,42 % de CPU dans le service le plus touché. Au total, des centaines d'expériences et d'indicateurs obsolètes ont été retirés.
Le calcul de l'offre moins chère : 92 % des résultats pour 14 % du coût
L'équipe a aussi mené un comparatif à consigne identique sur un sous-répertoire de plus de 6 000 fichiers et un million de lignes de code, audité pour ses expériences obsolètes. Astra Ultra a produit 142 résultats pour un coût d'API de 109,06 dollars aux tarifs standard ; GPT-6.1 Sol Ultra en a produit 131 pour 15,12 dollars, soit environ 92 % des résultats pour près de 14 % du coût ; Sol Medium en a produit 86 pour 5,27 dollars seulement. Sol a surtout manqué des indicateurs constants dont dépendaient d'autres indicateurs, un biais corrigeable dans la consigne une fois repéré. Côté intégration continue, une trentaine de demandes d'optimisation ont ramené le temps médian d'exécution d'environ 10 minutes à 4,5 minutes, et une suite de 63 tests est passée de 592,6 à 29,8 secondes, sans perdre un seul test.
Pour les équipes qui utilisent déjà des agents de programmation, l'enseignement transférable n'est pas une consigne magique, mais un ordre des opérations : pilote sur un petit répertoire, preuves exigées pour chaque modification, retours de relecture réinjectés dans la consigne, puis seulement élargissement du périmètre. Pour le choix du modèle, mesurer d'abord le taux de réussite de l'offre la moins chère et réserver le modèle le plus coûteux aux audits les plus durs. Réserve de rigueur : tous ces chiffres proviennent des rapports internes d'OpenAI, sans reproduction par un tiers, et les gains seront probablement moindres sur une autre base de code.
