Claude Opus 5 d’Anthropic a pris la première place rapportée sur ARC-AGI-3, un benchmark conçu pour tester la capacité des systèmes d’IA à gérer des problèmes interactifs inconnus plutôt qu’à restituer des schémas issus des données d’entraînement. Selon un reportage de The Decoder citant les résultats d’ARC Prize, Claude Opus 5 a obtenu 30,2 % sur ARC-AGI-3, loin devant le précédent meilleur score rapporté de 7,8 % de GPT-5.6 Sol (Max) d’OpenAI.

Cet écart est suffisamment important pour compter au-delà du simple bruit des classements. Pour les concepteurs d’IA et les équipes d’entreprise, ARC-AGI-3 est observé comme un proxy permettant de savoir si les modèles de pointe progressent en planification, en adaptation et en résolution de problèmes en plusieurs étapes dans de nouveaux environnements. Si le résultat reflète des gains de capacité plus larges plutôt qu’une optimisation étroite, cela suggérerait qu’Anthropic améliore le type de raisonnement nécessaire aux agents IA, aux systèmes de codage et aux outils de workflow qui doivent se remettre des erreurs sans échafaudage conçu à la main.

Ce qui a changé sur ARC-AGI-3

Le résultat rapporté provient de l’équipe ARC Prize, qui développe et maintient la famille de benchmarks ARC-AGI. Le nouveau benchmark ARC-AGI-3 est conçu comme un test interactif de type jeu : un modèle doit inférer des règles cachées, choisir des actions et les exécuter étape par étape. Cela le distingue de nombreux benchmarks statiques qui peuvent récompenser des formats mémorisés ou une simple reconnaissance superficielle de motifs.

D’après le reportage de The Decoder, Claude Opus 5 a résolu cinq environnements ARC-AGI-3 auparavant insolubles. Quatre d’entre eux auraient été résolus à un niveau égal ou supérieur à celui des humains. ARC Prize a également indiqué que six des 25 environnements de démonstration publics ont désormais été résolus au total, avec des résultats publics, des replays et du code disponibles.

L’article affirme aussi que Claude Opus 5 a surpassé les modèles « Fable-class » d’Anthropic, qu’ARC Prize placerait autour de 20 % sur ARC-AGI-3. Cela rend le bond notable non seulement par rapport à GPT-5.6 Sol, mais aussi au sein de la propre gamme récente de modèles d’Anthropic.

Sur les anciennes versions de la famille de benchmarks, les gains semblent moins spectaculaires. Selon The Decoder, Claude Opus 5 a atteint 90,4 % sur ARC-AGI-2 et 97,5 % sur ARC-AGI-1, égalant les meilleurs scores précédents, mais à un coût légèrement supérieur, d’après l’analyse d’ARC Prize. En d’autres termes, l’amélioration mise en avant se concentre sur la version la plus récente et sans doute la plus difficile du test.

Pourquoi les chercheurs estiment que ce score est important

L’interprétation la plus forte du résultat vient des chercheurs d’ARC Prize plutôt que directement d’Anthropic. Comme cité et résumé par The Decoder, l’équipe du benchmark attribue cette avance à un raisonnement logique plus solide, qui favorise une exploration, une planification et une exécution plus autonomes dans des environnements inconnus.

Le détail le plus frappant est qualitatif plutôt que numérique. Lors des tests, Claude Opus 5 aurait traduit des tâches en notation algébrique et formulé de manière autonome des « équations de réflexion », un comportement que les chercheurs d’ARC Prize disent ne pas avoir observé auparavant chez un autre modèle dans ce contexte. Si cette description résiste à un examen plus large, elle suggère que le modèle ne fait pas seulement plus d’actions, mais construit des représentations internes de problèmes plus explicites.

Cela compte parce que la promesse centrale de systèmes comme Claude Opus 5 ne se limite pas à une meilleure qualité de chat. Il s’agit de la perspective de modèles capables d’examiner un nouvel environnement, d’en découvrir les règles, de revoir une stratégie défaillante et de continuer. Ce sont précisément les propriétés nécessaires à des agents IA fiables dans le développement logiciel, le travail sur les données, l’assistance à la recherche et l’automatisation des fonctions administratives.

Cependant, le benchmark lui-même porte une philosophie qui influence la lecture de ces résultats. ARC Prize distingue la capacité brute d’un modèle de langage et la performance dopée par un système externe. Certains systèmes peuvent mieux réussir ces tâches avec un logiciel d’orchestration supplémentaire, mais le score officiel ARC-AGI met l’accent sur la performance propre du modèle. The Decoder note qu’ARC Prize soutient que les futurs systèmes de type AGI ne devraient pas avoir besoin d’aide extérieure pour des tâches réellement inédites.

La question du ciblage des benchmarks n’a pas disparu

Le résultat est impressionnant, mais il ne tranche pas la question de longue date de savoir si les modèles de pointe deviennent globalement plus intelligents ou simplement mieux adaptés à des tests spécifiques.

The Decoder rapporte qu’Anthropic n’a pas expliqué publiquement l’origine du gain. Plusieurs mécanismes plausibles sont évoqués : un étiquetage de données ciblé, le reinforcement learning, et le fait que Claude Opus 5 a été développé après ARC-AGI-3 et que son format est devenu public. Ce calendrier compte. Une fois le format d’un benchmark connu, les développeurs de modèles peuvent s’entraîner sur les types d’abstractions, de boucles d’interaction et de structures d’énigmes qu’il récompense, sans nécessairement s’entraîner sur les tâches exactes mises de côté.

Cela n’invaliderait pas le résultat, mais cela limiterait ce qu’on peut en conclure. Une meilleure performance sur ARC-AGI-3 pourrait refléter une réelle montée en capacité d’exploration et d’inférence de règles. Elle pourrait aussi refléter une optimisation concentrée sur une catégorie de tâches désormais visible. Ces deux explications ne s’excluent pas mutuellement.

La tension devient plus claire dans un second test cité par The Decoder : Witness, un benchmark privé du chercheur Guanghan Ning pour des jeux de puzzle interactifs. Sur Witness, Claude Opus 5 aurait obtenu 43,4, à égalité statistique avec Kimi K3 et Fable 5. Le gain rapporté par rapport à Opus 4.8 y était bien plus faible que sur ARC-AGI-3, et Opus 5 aurait été en retrait par rapport à Opus 4.8 sur au moins un jeu aux mécaniques moins familières.

Ning a déclaré à The Decoder que ce schéma pouvait correspondre à un entraînement sur des données propres au genre, tout en précisant plus tard que Claude Opus 5 avait bien généralisé à Witness, mais beaucoup moins fortement qu’à ARC-AGI-3. Greg Kamradt, identifié par The Decoder comme l’un des chercheurs derrière ARC-AGI-3, a soutenu qu’un résultat plus faible ne l’emportait pas sur l’amélioration plus large et que le chevauchement de conception entre Witness et des puzzles de type ARC-AGI-3 pouvait refléter un transfert réel.

Pour l’instant, la lecture la plus juste est que Claude Opus 5 semble nettement plus fort sur au moins un benchmark important de raisonnement interactif, tandis que l’ampleur de ce gain sur des tâches non liées reste une question ouverte.

Preuves, affirmations et ce qui est vérifié

La base de preuves ici est plus étroite que ne le laisserait penser le titre. L’ensemble repose sur une couverture médiatique de The Decoder, s’appuyant sur les résultats d’ARC Prize. Aucun billet technique direct d’Anthropic dans les éléments fournis n’explique les changements du modèle, les méthodes d’entraînement ou les conditions d’évaluation.

Plusieurs faits semblent relativement solides d’après le reportage : Claude Opus 5 a obtenu 30,2 % sur ARC-AGI-3 ; le précédent meilleur score rapporté de GPT-5.6 Sol (Max) était de 7,8 % ; et ARC Prize a publié des résultats publics, des replays et le code de benchmark. Ce sont des faits rapportés par le benchmark, tels que relayés par The Decoder.

D’autres points importants relèvent de l’interprétation, et non de causes établies. L’idée selon laquelle l’avance reflète un « raisonnement réellement meilleur » est le jugement d’ARC Prize. La suggestion selon laquelle un étiquetage de données ciblé ou le reinforcement learning explique le gain est l’analyse de The Decoder sur des causes plausibles, et non une divulgation confirmée d’Anthropic. De même, la crainte que des formats de benchmark publics encouragent une optimisation spécifique à la tâche est une précaution méthodologique raisonnable, mais pas une preuve de surapprentissage ou de contamination.

Les acheteurs et les concepteurs doivent aussi se rappeler que les victoires en benchmark ne se traduisent pas directement en performance de production. Un modèle peut dominer ARC-AGI-3 tout en étant moins performant en latence, coût, usage des outils, contrôlabilité ou contraintes d’intégration qui comptent en production. The Decoder note que Claude Opus 5 a égalé les meilleurs résultats précédents sur ARC-AGI-1 et ARC-AGI-2 à un coût légèrement supérieur, rappelant que capacité et efficacité n’augmentent pas toujours ensemble.

Ce que cela signifie pour les concepteurs et les équipes d’entreprise

Pour les équipes qui construisent des agents IA, le résultat de Claude Opus 5 est surtout pertinent comme signal de récupération autonome dans des workflows inconnus. Si un modèle est meilleur pour inférer des règles cachées et ajuster sa stratégie en cours de route, cela peut améliorer les performances des assistants de codage, de l’automatisation navigateur, de l’extraction de données et des systèmes d’IA d’entreprise qui doivent naviguer dans des interfaces fragiles.

Pour les équipes produit comparant Anthropic à OpenAI, l’écart direct de benchmark face à GPT-5.6 Sol va renforcer les questions de sélection de modèle. Mais la bonne leçon n’est pas simplement de changer de fournisseur sur la base d’un seul score. Les équipes devraient tester Claude Opus 5, GPT-5.6 Sol et des alternatives comme Kimi K3 sur leurs propres modes d’échec : tâches à long horizon, instructions ambiguës, erreurs d’outils et cas limites inédits.

Pour les acheteurs d’IA en entreprise, le débat sur le harness compte également. De nombreux déploiements commerciaux reposent sur des couches d’orchestration, de récupération, de mémoire externe et des wrappers d’outils. L’accent mis par ARC-AGI-3 sur la capacité brute du modèle est utile parce qu’il isole le modèle, mais les systèmes de production fonctionnent rarement ainsi. Un bon score brut peut simplifier la conception du système, mais il n’élimine pas le besoin de garde-fous, de surveillance et d’évaluation spécifique au workflow.

L’autre implication stratégique est concurrentielle. Si Anthropic peut montrer à plusieurs reprises des gains en raisonnement interactif, et pas seulement en finesse conversationnelle, cela renforce la position de l’entreprise dans le codage, les workflows agentiques et les tâches d’entreprise à forte confiance. C’est là que la domination des benchmarks peut influencer les décisions de plateforme, même lorsque les scores absolus restent loin d’être parfaits.

Ce qu’il faut surveiller ensuite

Le prochain signal à surveiller est la réplication indépendante. Les chercheurs voudront voir si les replays publics et le code soutiennent l’affirmation selon laquelle Claude Opus 5 découvre des règles d’une manière matériellement différente, et non simplement en prenant de meilleures étapes de recherche ciblée.

Deuxièmement, surveillez le transfert plus large. Les résultats sur Witness et d’autres benchmarks privés ou continuellement renouvelés compteront davantage qu’un autre passage sur ARC-AGI-3 seul. Si Claude Opus 5 montre des gains similaires sur des tâches aux mécaniques différentes, l’argument en faveur d’une véritable amélioration du raisonnement devient plus fort.

Troisièmement, surveillez les divulgations d’Anthropic. Tout détail technique sur les changements d’entraînement, la configuration du reinforcement learning ou la curation des données aiderait le marché à déterminer si le bond provient d’un travail de capacité générale ou d’une préparation centrée sur le benchmark.

Enfin, surveillez la réaction de la concurrence. OpenAI, ARC Prize et les évaluateurs indépendants seront probablement soumis à plus de pression pour publier des tests plus difficiles et plus dynamiques à mesure que les laboratoires de pointe s’adaptent plus vite aux formats de benchmark connus.

Perspective Creati.ai

Le score de Claude Opus 5 sur ARC-AGI-3 est important parce qu’il indique des progrès dans une catégorie de capacité que l’industrie a eu du mal à mesurer proprement : l’adaptation à des problèmes interactifs inconnus. C’est plus pertinent pour de vrais produits que de nombreux benchmarks textuels saturés. Mais le résultat doit être lu comme un point de données fort, pas comme un verdict selon lequel la « vraie intelligence » serait résolue.

La leçon la plus profonde concerne l’évaluation. À mesure que des benchmarks comme ARC-AGI deviennent des cibles importantes, les laboratoires de pointe vont les optimiser. Cela rend indispensables un reporting transparent, une conception de tests renouvelée et une validation croisée entre benchmarks. Pour les fondateurs et les équipes d’entreprise, l’action pratique est simple : considérez Claude Opus 5 comme nouvellement crédible pour les tâches de type agent, mais validez-le dans vos propres environnements avant de traiter un bond de benchmark comme une vérité de production.