Le guide GPT‑5.6 pour les créateurs

La famille de modèles GPT‑5.6 rend les performances d’agents de pointe beaucoup plus abordables, tout en repoussant les limites du possible.

Dans ce guide, nous montrons comment les jeunes pousses utilisent une sélection de modèles plus judicieuse et de nouvelles commandes d’API qui favorisent la continuité du raisonnement, l’orchestration multi-agent et l’appel programmatique d’outils afin de créer plus rapidement des agents plus performants, à une fraction du coût.

Depuis GPT‑5, chaque génération de modèles cherche à accomplir des tâches de plus longue durée avec moins de tokens. GPT‑5.6 poursuit sur cette lancée : de meilleures performances d’agents et des coûts réduits, avec très peu de changements au harnais sous-jacent.

Les gains globaux de rentabilité sont amplifiés par une précision accrue avec des efforts de raisonnement moindres. Par exemple, dans Agents’ Last Exam, GPT‑5.6 Sol avec un raisonnement « faible » a surpassé GPT‑5.5 avec un raisonnement « élevé », à harnais identique. Nous avons observé des réussites similaires lors d’essais en production : de jeunes pousses signalent d’importantes économies dans divers flux de travail après avoir réduit l’effort de raisonnement par rapport aux valeurs par défaut précédentes.

Traditionnellement, passer à un modèle phare avec le niveau de raisonnement le plus élevé était la meilleure option pour les cas d’utilisation de longue durée. Cela s’expliquait en grande partie par la capacité nettement supérieure de ces modèles, comparativement aux modèles optimisés pour les coûts, à gérer de longs contextes et les appels d’outils. La famille 5.6 change la donne : avec plus de calcul au moment du test, Luna et Terra peuvent souvent offrir des performances similaires à GPT‑5.4 et GPT‑5.5, à un coût nettement inférieur.

Prenons les tâches de BrowseComp, un banc d’essai fondé sur la recherche qui évalue la capacité d’un modèle à trouver des faits obscurs. Il y a trois mois, GPT‑5.5 (Très élevé) a obtenu 84,36 % à ce banc d’essai, pour un coût total de 33,27 $. À son lancement, GPT‑5.6 Luna (Très élevé) offre essentiellement les mêmes performances, avec un résultat de 84,04 % pour un coût de 1,33 $. Depuis, nous avons encore réduit les prix. En savoir plus sur nos plus récentes baisses de prix.

Les plus petits modèles de la famille 5.6 conviennent particulièrement aux charges de travail à volume élevé, aux interactions sensibles à la latence et aux étapes répétées des flux de travail agentiques. Par exemple, si votre jeune pousse de technologies juridiques analyse des notes manuscrites avant une analyse agentique, vous pouvez désormais utiliser Terra ou Luna pour l’extraction et réaliser d’importantes économies, plutôt que d’employer un modèle de pointe pour l’ensemble du cas d’utilisation.

En plus d’améliorer les performances prêtes à l’emploi de GPT‑5.6, nous avons ajouté de nouvelles primitives à l’API Responses afin de réaliser des gains supplémentaires. Nous avons entraîné GPT‑5.6 de bout en bout avec trois interventions architecturales complémentaires qui permettent aux agents de fonctionner plus efficacement :

1. Réutiliser le travail déjà effectué : en permettant de conserver le raisonnement⁠(s'ouvre dans une nouvelle fenêtre) d’un tour de modèle à l’autre et en utilisant le compactage natif⁠(s'ouvre dans une nouvelle fenêtre) pour compresser les longues conversations, le modèle peut préserver la cohérence de son travail sur des tâches de plus longue durée, sans se perdre ni devoir reconstruire le contexte antérieur.

2. Décomposer en parallèle lorsque c’est approprié : l’orchestration multi-agent native⁠(s'ouvre dans une nouvelle fenêtre) permet de coordonner plusieurs agents dans des flux de travail parallèles afin d’accomplir plus rapidement des tâches complexes.

3. Déplacer le travail déterministe dans le code : utiliser l’appel programmatique d’outils⁠(s'ouvre dans une nouvelle fenêtre) pour filtrer, regrouper et orchestrer les sorties d’outils en dehors des fenêtres contextuelles du modèle réserve les tokens du modèle au jugement et réduit les coûts, la latence et la dégradation du contexte.

Utilisés ensemble, ces éléments peuvent faire une différence spectaculaire. Par exemple, dans ARC-AGI-3, GPT‑5.6 Sol a obtenu 13,3 % avec le harnais standard. Après l’activation du raisonnement conservé et du compactage, le résultat a toutefois bondi à 38,3 %, avec environ six fois moins de tokens de sortie. Aucun changement au modèle, mais des performances presque triplées. Vous pouvez en savoir plus dans notre étude du harnais ARC-AGI-3.

Les flux de travail agentiques comportent souvent deux types de travail :

1. Les tâches qui exigent du jugement

2. Le travail qui consiste surtout à déplacer, filtrer et combiner des données

Lorsqu’un agent récupère 100 documents réglementaires, les filtre par date et repère les transactions pertinentes, le modèle ne devrait pas avoir à raisonner sur chaque résultat intermédiaire dans ses fenêtres contextuelles. L’appel programmatique d’outils permet à GPT‑5.6 d’écrire du JavaScript pour orchestrer les outils, exécuter en parallèle des appels indépendants et traiter leurs sorties en dehors des fenêtres contextuelles. Le modèle peut ainsi se concentrer sur ce qui exige de l’intelligence : exercer son jugement.

Pour les tâches complexes et parallélisables, répartir les actions et le raisonnement entre plusieurs flux de travail d’agents accélère l’exécution tout en augmentant l’intelligence. Dans ces configurations, l’agent principal est chargé d’orchestrer les sous-agents et de leur déléguer des tâches. Les sous-agents poursuivent leurs objectifs en parallèle, puis transmettent leurs résultats à l’agent principal pour la synthèse finale. Les équipes peuvent commencer à tirer parti du multi-agent de façon native en activant le mode multi-agent⁠(s'ouvre dans une nouvelle fenêtre) dans l’API Responses. C’est aussi ainsi que fonctionne le réglage de capacité Ultra dans ChatGPT.

Même si GPT‑5.6 évalue bien le nombre approprié de sous-agents et le moment de les créer, son comportement multi-agent est très facile à orienter. Indiquer au modèle quand faire appel aux sous-agents peut augmenter la probabilité qu’il ne crée des agents que lorsque la dépense supplémentaire en tokens produira de meilleures performances.

Dans toute la famille de modèles, la durée de vie du cache d’invites a été portée à au moins 30 minutes, et les points d’arrêt du cache peuvent maintenant être définis de façon déterministe dans les fenêtres contextuelles d’un modèle. Les jeunes pousses ont ainsi pu améliorer considérablement leur taux de succès du cache.

En plus de définir des points d’arrêt du cache, continuer d’utiliser une prompt_cache_key⁠(s'ouvre dans une nouvelle fenêtre) appropriée augmente la probabilité que les requêtes soient acheminées vers le même moteur d’inférence que celui ayant déjà traité le même préfixe, ce qui réduit la latence.

Ce qui ressort de ces exemples, c’est à quel point l’économie de la création d’agents a changé.

Les cas d’utilisation qui exigeaient autrefois un modèle de pointe à chaque étape peuvent maintenant obtenir des résultats comparables ou supérieurs à une fraction du coût, grâce à de plus petits modèles, à l’ajustement de l’effort de raisonnement et à des choix architecturaux efficaces.

Nous avons hâte de voir ce que vous allez créer!