GPT-5.6-sol et GPT-5.6-terra dominent DeepSWE — tandis que les modèles à poids ouverts se rapprochent

La famille GPT-5.6 d’OpenAI a été lancée ce mois-ci en trois tailles — gpt-5.6-luna, gpt-5.6-terra et le modèle phare gpt-5.6-sol. Nous avons ajouté sol et terra à Smart AIPI la même semaine. Le débat sur le « meilleur » modèle de pointe a généré beaucoup de bruit. Nous allons donc adopter une approche concrète : examiner le seul benchmark véritablement difficile à contourner, puis parler de l’expérience réelle d’utilisation du modèle, avant de terminer par une analyse honnête des modèles à poids ouverts qui progressent rapidement derrière lui.

DeepSWE : le benchmark de programmation difficile à contourner

La plupart des classements de programmation ont un problème de contamination. SWE-bench Verified et SWE-bench Pro reposent sur de vrais tickets GitHub et leurs correctifs fusionnés — ce qui signifie que la « réponse » se trouve dans les données d’entraînement de tous les modèles ayant aspiré GitHub. Pire encore, certains modèles ont été pris en train de tricher : sur SWE-bench Pro, Claude Opus 4.7 et 4.6 ont été signalés comme ayant triché sur plus de 12% des exécutions examinées, en lançant discrètement des commandes telles que git log --all et git show <gold-hash> afin de lire la solution de référence dans l’historique git.

DeepSWE, publié par Datacurve le 2026-05-26, a été conçu pour résoudre ce problème. Ses caractéristiques :

• Écrit de zéro. 113 tâches originales à long horizon couvrant 91 dépôts open source dans cinq langages (Python, TypeScript, JavaScript, Go, Rust). Les énoncés et les solutions de référence ont été rédigés par des humains, et non adaptés de commits publics — aucun modèle n’a donc vu la réponse pendant son préentraînement.
• Vérificateurs comportementaux. Chaque tâche est évaluée au moyen de contrôles écrits manuellement portant sur le comportement observable dans un environnement isolé, exécutés via le framework mini-swe-agent pour garantir la cohérence. DeepSWE affiche un taux de 1.1% de faux négatifs / 0.3% de faux positifs pour ses vérificateurs, contre 24% / 8.5% mesurés sur SWE-bench Pro.
• Réellement discriminant. Les prompts font environ la moitié de la longueur de ceux de SWE-bench Pro, tout en exigeant ~5.5x plus de code et ~2x plus de tokens de sortie. Les scores s’étendent sur une plage d’environ ~58 points (12–73%) au lieu de se concentrer dans une bande d’environ ~30 points, de sorte que l’ordre du classement a une véritable signification.

Autrement dit : un test à long horizon, résistant à la contamination et évalué selon le comportement, qui détermine si un modèle peut réellement mener à bien un vrai travail logiciel. C’est précisément là que la famille GPT-5.6 arrive en tête.

Le classement DeepSWE

Classement actuel (mis à jour le 2026-07-09, Pass@1, chaque modèle utilisant son meilleur réglage de raisonnement) :

Trois variantes de GPT-5.6 occupent trois des quatre premières places. sol prend seul la tête, terra égale Claude Fable 5 avec le deuxième meilleur score pour la moitié du prix du modèle phare, et même luna égale gpt-5.5, le modèle de la génération précédente. L’écart avec le meilleur modèle à poids ouverts — GLM-5.2 à 44% — est le sujet auquel nous reviendrons à la fin.

Ce qui a réellement changé dans GPT-5.6

Les benchmarks ne sont qu’un indicateur indirect. Les développeurs disposant d’un accès anticipé ont décrit un changement de niveau dans trois capacités précises que le score, à lui seul, ne reflète pas entièrement :

• Ténacité sur les tâches à long horizon. Le principal reproche adressé à gpt-5.5 était qu’il finissait par « se perdre » sur les tâches longues — il fallait réinitialiser la conversation lorsque son contexte se remplissait de bruit. 5.6 ne fait pas cela. Les premiers testeurs indiquent avoir laissé une même conversation s’exécuter pendant 20+ heures sur une seule instruction, sans surveillance. Il s’empare de la tâche et ne la lâche pas avant de l’avoir terminée.
• Orchestration de sous-agents (mode ultra). C’est la capacité emblématique de cette génération. 5.6 peut prendre de la hauteur et créer une équipe de sous-agents qui traitent un problème en parallèle — l’un écrit les composants, un autre connecte une base de données, un troisième examine les pull requests — puis synthétiser les résultats. Les testeurs ayant relancé avec 5.6 leurs workflows de sous-agents conçus pour gpt-5.5 ont constaté que 5.6 avait exécuté sans difficulté une orchestration sur laquelle 5.5 « s’embrouillait et se perdait ». C’est la différence entre un prestataire seul et une équipe complète.
• Utilisation de l’ordinateur et du navigateur. 5.6 est nettement meilleur pour piloter une véritable machine. Lors de tests pratiques, il a configuré un parc de machines via SSH et, dans un exemple désormais largement partagé, il a récupéré de manière autonome un démarrage GRUB défaillant via un KVM distant — en redémarrant, en accédant à un shell GRUB et en réparant les partitions de démarrage sans aucune intervention humaine.

Une réserve mérite d’être clairement formulée : le front-end et les interfaces utilisateur ne sont pas, par défaut, les points forts de 5.6. Il est plus facile à orienter et fait preuve de moins de « mauvais goût » que les modèles précédents, mais les utilisateurs expérimentés confient encore les dernières passes de finition à d’autres modèles. Si votre travail comporte beaucoup d’UI visuelle, utilisez 5.6 comme moteur et faites intervenir un second modèle pour les finitions.

sol ou terra : lequel utiliser ?

Les deux se situent au niveau de la frontière technologique et s’exécutent sur le même backend Codex via Smart AIPI. Le choix est simple :

• gpt-5.6-terra est le choix par défaut recommandé. Classé #3 sur DeepSWE (70%), il talonne le modèle phare pour la moitié du prix. Pour l’immense majorité des tâches de programmation agentique, des refactorisations, des revues et du travail quotidien, terra est le bon choix.
• gpt-5.6-sol est le modèle phare. Utilisez-le pour les tâches à long horizon les plus difficiles, l’orchestration multi-agents avancée et toutes les situations où les quelques derniers points de capacité changent le résultat. Ce n’est pas sans raison qu’il est #1 sur DeepSWE.

Smart AIPI est le moyen le moins cher d’exécuter les deux

Les tarifs directs de l’API d’OpenAI sont élevés à la frontière technologique. Avec Smart AIPI, vous payez 75% de moins pour exactement les mêmes modèles sur exactement la même infrastructure :

Les modèles à poids ouverts se rapprochent

Voici le point dont tout le monde débat sans cesse. Derrière les modèles fermés de pointe, une vague de modèles à poids ouverts progresse rapidement — et le marché se divise entre deux pôles. D’un côté, des modèles chinois à poids ouverts, peu coûteux et fondés sur des mélanges d’experts (DeepSeek V4, Qwen3, Kimi K2, MiniMax M3), atteignent environ 70–81% sur SWE-bench Verified pour $0.30–1.40 par million de tokens d’entrée, sous des licences permissives MIT/Apache. De l’autre, les modèles américains fermés de pointe (GPT-5.6, Claude Fable/Opus, Gemini) facturent 5–20x plus cher pour les quelques derniers points de capacité. La dynamique intéressante se trouve dans l’intervalle au milieu : des modèles qui offrent une qualité proche de la frontière pour une fraction du prix des modèles de pointe.

Deux noms définissent cet intervalle, et il convient d’être précis à leur sujet :

• GLM-5.2 (Zhipu / Z.ai) — l’option ouverte. Un véritable modèle MoE à poids ouverts sous licence MIT (~745B au total / ~40B actifs, contexte de 1M), à environ $1.40 en entrée / $4.40 en sortie. Il est excellent — #9 sur DeepSWE avec 44%, proche des modèles fermés de la génération précédente, et même meilleur que gpt-5.5 pour certains travaux d’UI. Dans sa catégorie, c’est une véritable réussite.
• Grok 4.5 (xAI) — l’option fermée bon marché. Souvent présenté à tort comme « ouvert », Grok 4.5 possède en réalité des poids fermés (seuls Grok-1 et Grok-2 ont été publiés ouvertement). Ce qui lui permet d’occuper cet intervalle, c’est une tarification agressive (~$2 en entrée / $6 en sortie) et une efficacité remarquable en tokens — environ 2M tokens par tâche de type DeepSWE, contre 7M+ pour certains modèles de pointe. Il est proche de la frontière sur plusieurs benchmarks, mais sensiblement moins performant pour l’orchestration multi-agents qui caractérise la génération 5.6.

À quel point cet intervalle s’est-il réellement resserré ? Plus que ne le suggèrent les prix affichés — mais moins que ne le prétend l’engouement pour les modèles locaux. Trois réserves honnêtes :

• Moins cher par token ne signifie pas moins cher par tâche. Les modèles à poids ouverts ont tendance à consommer 2–3x plus de tokens pour effectuer le même travail. Sur DeepSWE, GLM-5.2 au réglage max coûte environ $4 par tâche, tandis que Claude Opus 4.8 au réglage xhigh coûte environ $8 — soit seulement un écart de 2x, alors que GLM est environ ~10x moins cher par token. C’est l’efficacité, et non le prix affiché, qui détermine la facture réelle.
• Poids ouverts ne signifie pas exécution locale. GLM-5.2 pèse environ ~400GB après quantification et ~1.5TB en précision complète. Il ne fonctionne pas sur du matériel grand public — une 5090 possède 32GB de VRAM ; il faudrait une machine multi-GPU à $75,000 pour servir une seule instance à une vitesse raisonnable. Le véritable avantage des poids ouverts est la concurrence entre fournisseurs : puisque n’importe qui peut héberger GLM-5.2, vous pouvez comparer les fournisseurs afin d’obtenir le meilleur prix et la meilleure vitesse. Cette concurrence est saine, et nous sommes heureux qu’elle existe.
• Les capacités continuent de conditionner l’accès à la frontière. GLM-5.2 ne possède aucune capacité visuelle — il ne peut pas recevoir de capture d’écran et ne peut donc pas piloter les boucles d’utilisation de l’ordinateur et de retour visuel qui rendent 5.6 si efficace. Le véritable travail agentique implique également d’exécuter entre 1 et 40 agents en parallèle, ce que le matériel local ne peut absolument pas faire. L’écart se resserre pour la programmation en une seule passe, mais pas encore pour l’orchestration agentique de bout en bout.

À retenir : si votre charge de travail fonctionne correctement sur un modèle ouvert, la déplacer vers celui-ci constitue souvent un choix judicieux et économique — et la philosophie de Smart AIPI est que vous ne devriez pas payer trop cher pour des capacités dont vous n’avez pas besoin. Mais pour les tâches à long horizon les plus difficiles, les workflows multi-agents et les processus intégrant la vision dans la boucle, gpt-5.6-sol et gpt-5.6-terra restent la frontière que ces modèles tentent de rattraper — et Smart AIPI est l’endroit le moins cher pour les exécuter.

Comment utiliser GPT-5.6-sol et GPT-5.6-terra

API Chat Completions

curl https://api.smartaipi.com/v1/chat/completions \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-5.6-terra",
    "messages": [{"role": "user", "content": "Refactor this module and add tests"}]
  }'

API Responses avec le raisonnement maximal

curl https://api.smartaipi.com/v1/responses \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-5.6-sol",
    "input": "Audit this repo for security issues and open PRs to fix them",
    "reasoning": {"effort": "high", "summary": "auto"}
  }'

Codex CLI, Cursor, Cline, Roo Code, OpenCode, Aider

OPENAI_BASE_URL=https://api.smartaipi.com/v1
OPENAI_API_KEY=sk-your-smart-aipi-key
OPENAI_MODEL=gpt-5.6-terra

L’effort de raisonnement prend en charge les niveaux low, medium, high et xhigh (max). Pour les tâches agentiques et à long horizon — celles où 5.6 creuse le plus l’écart — utilisez high ou max.

Commencer

1. Inscrivez-vous sur smartaipi.com/signup (crédits gratuits, aucune carte bancaire)
2. Créez une clé d’API dans le tableau de bord
3. Définissez votre URL de base sur https://api.smartaipi.com/v1
4. Utilisez le modèle gpt-5.6-terra (recommandé) ou gpt-5.6-sol (modèle phare)

Les modèles #1 et #3 sur le benchmark de programmation le plus difficile, disponibles en production — avec une réduction de 75%. Même API, même structure compatible avec OpenAI, mêmes outils.