OpenAI affirme avoir amélioré de manière significative les performances de GPT-5.6 sur le benchmark ARC-AGI-3 en activant deux réglages d’API plutôt qu’en modifiant les poids sous-jacents du modèle, un résultat qui attire une nouvelle attention sur la configuration au moment de l’inférence comme levier majeur de performance.

Selon un billet d’OpenAI intitulé « How enabling two settings tripled our scores on the ARC-AGI-3 benchmark », la combinaison de retained reasoning et de compaction a amélioré à la fois les scores et l’efficacité de GPT-5.6 sur ARC-AGI-3. La manière dont l’entreprise présente les choses est importante, car les discussions sur les benchmarks se concentrent souvent sur les sorties de modèles et l’échelle d’entraînement ; ici, OpenAI soutient que les choix de déploiement à l’intérieur de l’API peuvent modifier de façon significative la capacité mesurée.

Ce qu’OpenAI dit avoir changé

Le billet officiel d’OpenAI décrit le gain comme venant de deux réglages : retained reasoning et compaction. D’après le résumé de l’entreprise, OpenAI dit que ces changements ont triplé son score sur ARC-AGI-3 tout en améliorant aussi l’efficacité. Le matériel source disponible n’inclut pas le texte complet du billet, donc certains détails d’implémentation restent flous, notamment la façon exacte dont OpenAI définit chaque réglage en termes de production, la configuration de référence utilisée pour la comparaison, et si le résultat reflète une seule exécution optimale ou un cadre d’évaluation plus large.

Même avec ces limites, l’événement est notable pour une raison simple : il déplace une partie de la conversation sur la performance du entraînement du modèle vers l’orchestration à l’exécution. Si un score de benchmark peut évoluer fortement parce que le modèle est autorisé à conserver davantage de son état intermédiaire de raisonnement et à compresser cet état plus efficacement, alors l’unité pratique de concurrence n’est plus seulement le modèle de base. C’est le modèle de base plus la politique d’inférence.

Cette distinction est particulièrement pertinente pour les équipes qui construisent sur l’API OpenAI. Les développeurs considèrent souvent le choix du modèle comme la variable principale et laissent les réglages par défaut inchangés. L’affirmation d’OpenAI suggère que cette hypothèse est peut-être désormais trop simpliste, au moins pour les tâches qui récompensent le raisonnement en plusieurs étapes ou la résolution adaptative de problèmes.

Pourquoi ARC-AGI-3 compte

ARC-AGI-3 appartient à la famille des tests d’abstraction et de raisonnement associés à l’évaluation de type ARC. Ces benchmarks sont suivis de près parce qu’ils visent à tester la généralisation et le raisonnement de motifs plutôt que la simple mémorisation ou un ajustement étroit à une tâche. En pratique, cela signifie qu’ils révèlent souvent des différences entre des modèles qui semblent similaires sur les tâches standard de codage, d’écriture ou de recherche d’informations.

Pour OpenAI, mettre en avant un résultat sur ARC-AGI-3 sert deux objectifs. Premièrement, cela soutient l’argument de l’entreprise selon lequel GPT-5.6 peut mieux performer lorsque la pile de service préserve une plus grande partie de son processus interne de raisonnement. Deuxièmement, cela permet à OpenAI d’évoquer des améliorations de performance sans annoncer un nouveau foundation model.

Cela pourrait compter sur un marché où les lancements de modèles sont coûteux et où les mises à jour fréquentes des benchmarks peuvent rapidement se perdre dans le bruit. Si les fournisseurs peuvent débloquer des gains mesurables grâce à la configuration d’inférence, ils pourraient améliorer les charges de travail réelles plus rapidement qu’en attendant le prochain grand cycle d’entraînement.

Cela dit, l’importance d’un benchmark dépend de sa reproductibilité et de son périmètre. Les sources fournies ici n’incluent pas la méthodologie exacte d’ARC-AGI-3, les critères de réussite, ni l’ensemble de comparaison plus large. Cela signifie que les lecteurs externes doivent faire attention à ne pas généraliser à partir d’une seule affirmation de benchmark à tous les workflows d’entreprise.

Le signal plus profond : les réglages d’inférence deviennent des fonctionnalités produit

Le principal enseignement du billet d’OpenAI n’est peut-être pas le score lui-même. C’est l’idée que les contrôles de raisonnement deviennent des fonctionnalités produit à part entière. Autrement dit, le modèle n’est qu’une couche ; la mémoire des étapes de raisonnement précédentes, la compression de ce raisonnement et d’autres contrôles d’exécution peuvent modifier de façon tangible les résultats.

Cela a des implications directes sur la manière dont les équipes évaluent GPT-5.6. Une équipe qui teste un modèle pour un flux de travail d’agents IA, un assistant de codage ou un outil interne complexe d’aide à la décision peut désormais devoir comparer plusieurs configurations de service plutôt qu’un seul endpoint par défaut. Une même famille de modèles peut se comporter différemment en termes de coût, de latence et de qualité selon que retained reasoning est activé et selon la manière dont compaction est appliquée.

Pour les acheteurs d’IA d’entreprise, cela peut avoir deux effets. Du côté positif, de meilleurs réglages peuvent offrir des résultats plus solides sans migration de modèle, sans effort complet de fine-tuning ni sur-optimisation des prompts. Du côté plus difficile, les équipes achats et plateformes doivent comparer les fournisseurs sur la transparence opérationnelle, pas seulement sur des captures d’écran de classements. Si les meilleures performances d’un fournisseur dépendent de réglages d’exécution cachés ou spécialisés, les acheteurs voudront savoir si ces réglages sont largement disponibles, combien ils coûtent et à quel point ils sont stables sous trafic de production.

C’est aussi un signal pour les plateformes concurrentes. Des entreprises comme Anthropic, Google et Microsoft parlent déjà différemment de la gestion du contexte, du comportement de raisonnement et des workflows agentiques. L’accent mis par OpenAI sur retained reasoning et compaction ajoute une autre dimension à cette course : qui expose les contrôles d’inférence les plus utiles sans rendre le déploiement trop complexe.

Preuves, benchmarks et ce qui reste à vérifier

L’affirmation centrale de cette histoire provient du fournisseur. Le récit détaillé vient de OpenAI News, et la reprise plus générale renvoie à ce même cadrage d’OpenAI. Il n’y a pas d’évaluation indépendante par un tiers dans les éléments fournis, et le matériel source disponible ici n’inclut ni tableaux de scores bruts, ni conditions de test, ni réplication externe.

Ce qui peut être affirmé avec confiance est limité mais clair : OpenAI dit que GPT-5.6 a mieux performé sur ARC-AGI-3 après l’activation de retained reasoning et de compaction, et l’entreprise présente ce changement comme un triplement des scores accompagné d’une amélioration de l’efficacité.

Ce qui ne peut pas être confirmé à partir des preuves fournies est tout aussi important. Il n’est pas encore possible ici de vérifier le score absolu, la référence de départ, la distribution des résultats sur plusieurs essais, ni combien de latence supplémentaire ou de budget de calcul les nouveaux réglages ont exigé avant que les gains de compaction soient pris en compte. Il n’est pas non plus clair si ces réglages sont largement accessibles dans l’API OpenAI ou seulement disponibles dans certaines configurations.

Cela n’invalide pas le résultat, mais cela détermine la manière dont il doit être lu. Il vaut mieux le comprendre comme un signal produit et ingénierie de la part d’OpenAI plutôt que comme un classement arrêté du marché dans son ensemble. Pour les chercheurs et les équipes de plateforme, l’étape suivante est la réplication. Pour les clients, l’étape suivante consiste à tester si le même schéma apparaît dans leurs propres charges de travail.

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

Pour les développeurs utilisant l’API OpenAI, la leçon immédiate est de revoir la pratique d’évaluation. Si retained reasoning et compaction peuvent influencer de manière significative GPT-5.6 sur ARC-AGI-3, alors les comparaisons en un seul essai entre modèles peuvent manquer la question plus pratique : quelle configuration offre le meilleur rapport qualité-prix pour une tâche précise ?

Cela est surtout important pour les charges de travail avec de longues chaînes de réflexion, un usage itératif d’outils ou une recherche structurée d’alternatives. Les agents IA qui planifient sur de nombreuses étapes, un assistant de codage qui révise plusieurs solutions candidates, ou des systèmes d’IA d’entreprise qui comparent des scénarios de politique, juridiques ou opérationnels peuvent davantage bénéficier de retained reasoning que de simples pipelines de chat ou d’extraction.

Il y a aussi un angle de discipline des coûts. OpenAI dit que les réglages ont amélioré l’efficacité, pas seulement le score brut. Si cela se confirme dans un usage plus large, compaction pourrait devenir importante pour les équipes qui cherchent à contrôler la croissance des tokens ou les coûts d’exécution dans des tâches en plusieurs étapes. Mais les entreprises ne doivent pas supposer que l’efficacité d’un benchmark se traduit automatiquement par des économies en production. Les tests internes devront toujours mesurer la latence de bout en bout, les plafonds budgétaires, la reprise après incident et la cohérence sous trafic réel.

Pour les responsables produit, c’est un autre rappel que les stacks d’évaluation doivent mûrir. Choisir entre GPT-5.6 et un autre modèle ne suffit plus. Les équipes peuvent avoir besoin de profils de configuration versionnés, de suites de benchmarks liées aux tâches métier et d’observabilité pour savoir quand le raisonnement supplémentaire aide et quand il ajoute simplement du coût.

Ce qu’il faut surveiller ensuite

Le prochain signal utile sera de savoir si OpenAI publie davantage de détails techniques sur ARC-AGI-3, notamment les conditions de référence, le détail des scores et la mécanique de retained reasoning et de compaction. Sans cela, l’affirmation reste informative mais incomplète.

Il sera également important de voir si les réglages sont exposés clairement dans l’API OpenAI avec une tarification et une documentation stables. S’ils sont faciles à adopter, cela pourrait influencer la manière dont les équipes comparent OpenAI à Anthropic, Google et Microsoft pour les déploiements d’IA d’entreprise.

Une autre question de suivi est la portabilité. Les équipes voudront savoir si les gains observés sur ARC-AGI-3 se retrouvent dans des cas d’usage adjacents comme les agents IA, les workflows d’assistants de codage et d’autres tâches gourmandes en raisonnement. Si l’effet est étroit, c’est une histoire de benchmark. Si l’effet est large, cela devient une histoire de plateforme.

Enfin, il faudra surveiller la réplication indépendante. Des laboratoires tiers, des mainteneurs de benchmarks et des équipes d’ingénierie clientes testeront probablement si GPT-5.6 montre des améliorations similaires en dehors du reporting d’OpenAI. Cela déterminera si retained reasoning et compaction deviennent des leviers d’évaluation standard dans l’IA d’entreprise.

Perspective de Creati.ai

L’annonce d’OpenAI concerne moins un benchmark unique que l’évolution de la concurrence. Le centre de gravité des performances des modèles se déplace des poids statiques vers un comportement d’inférence géré. Pour les bâtisseurs d’IA, cela signifie que l’avantage produit peut de plus en plus venir de la manière dont un modèle pense au fil des étapes, de l’état qu’il conserve et de l’efficacité avec laquelle cet état est compressé et réutilisé.

L’implication pratique est simple : les entreprises doivent cesser de traiter les benchmarks des modèles comme des chiffres fixes uniques. À l’ère de GPT-5.6, ARC-AGI-3, retained reasoning et compaction, les performances deviennent dépendantes de la configuration. Les gagnants seront les équipes capables d’évaluer toute la pile de service, et pas seulement le nom du modèle mis en avant dans l’API OpenAI.