SpaceXAI, OpenAI, Meta : la course aux modèles IA s'intensifie

Lancement de nouveaux modèles IA par SpaceXAI, OpenAI et Meta

Cette semaine a été particulièrement dynamique dans le domaine de l'intelligence artificielle avec le lancement de plusieurs modèles majeurs par des acteurs clés du secteur. SpaceXAI a dévoilé son modèle Grok 4.5, tandis qu'OpenAI a élargi l'accès à GPT-5.6, passant d'une prévisualisation restreinte à une disponibilité générale. De son côté, Meta a introduit Muse Spark 1.1. OpenAI a également présenté GPT-Realtime-2.1 ainsi qu'une version mini, qui améliorent la gestion des interruptions et la reconnaissance alphanumérique, tout en réduisant la latence p95 d'au moins 25 %.

Trois nouveaux concurrents de pointe ont émergé presque simultanément, marquant un tournant dans la compétition. Le développement le plus notable de la semaine concerne un réajustement des prix et des performances. Les modèles fermés, qui avaient déjà un avantage en termes d'intelligence brute, voient leur avantage en termes de coût par unité d'intelligence diminuer. GLM-5.2, un modèle à poids ouvert leader, obtient un score de 51 à un coût d'environ 0,37 $ par tâche de référence. En comparaison, Grok 4.5 atteint un score de 54 à un coût de 0,31 $, surpassant GLM tant en score qu'en coût. GPT-5.6 et Muse Spark 1.1 égalent GLM avec un score de 51, mais coûtent respectivement environ 0,21 $ et 0,26 $ par tâche. Les modèles Sol et Terra obtiennent des scores de 59 et 55, mais à un coût de tâche plus élevé. Les modèles fermés égalent ou surpassent désormais les modèles à poids ouverts en termes de coût par unité d'intelligence, un argument de vente majeur pour ces derniers.

Comparaison des coûts et performances des modèles IA

Le coût par tâche est devenu un indicateur plus pertinent que le prix par million de tokens. Par exemple, Grok 4.5 facture plus par token de sortie que GLM-5.2, mais utilise environ 14 000 tokens de sortie par tâche de référence contre 43 000 pour GLM. Cela signifie que l'intelligence par token de Grok compense un prix de token plus élevé. Un prompt SVG identique de Simon Willison a coûté 0,71 cents sur Luna avec le raisonnement désactivé et 48,55 cents sur Sol à l'effort maximum, révélant un écart de 68x dû uniquement aux paramètres.

État des lieux des modèles et de leur adoption

Il y a deux semaines, nous avions déjà évoqué la prévisualisation de GPT-5.6, y compris les modèles Sol, Terra, et Luna, ainsi que les prix, les restrictions de sécurité, et le mode Ultra. Le résultat difficile à interpréter de METR a également été mentionné. Les nouvelles de cette semaine sont plus solides : la famille est désormais généralement disponible, des tests indépendants ont confirmé les capacités et l'efficacité revendiquées par OpenAI. Sol est de nouveau en concurrence sérieuse avec Claude Fable 5. Il obtient un score de 59 sur l'Artificial Analysis Intelligence Index contre 60 pour Fable, et mène l'Index des Agents de Codage. Fable reste en tête sur SWE-Bench Pro, GDPval, Toolathlon, FrontierMath Tier 4, et d'autres comparaisons professionnelles. Le choix entre ces modèles dépendra de la tâche à accomplir. Sol est particulièrement performant en codage, utilisation informatique, présentations, et exécution structurée. Dans une utilisation personnelle, Fable est encore préféré pour l'écriture, comme le montre le classement préliminaire de Arena en écriture créative, avec un score de 1507 contre 1486 pour Sol, bien que l'incertitude chevauche ces résultats.

Luna pourrait être le lancement le plus utile de la famille. Il égale la frontière de l'intelligence à poids ouvert, obtient un score de 75 sur l'Index des Agents de Codage via Codex, fonctionne à plus de 200 tokens de sortie par seconde, et coûte moins par tâche mesurée que GLM-5.2. CodeRabbit met en garde contre l'autre extrémité de la famille : Sol a réussi 63,7 % de plus de 100 tâches de dépôt sans erreur d'exécution, mais sa précision de révision de code n'était que de 31,6 %. L'exécution à long terme s'améliore plus rapidement que la vérification.

L'adoption des nouveaux modèles a progressé presque aussi rapidement que leur développement. OpenAI a rapporté plus de 5 millions d'utilisateurs actifs hebdomadaires de Codex début juin. Après le lancement de ChatGPT Work et la fusion de Chat, Work, et Codex dans une seule application de bureau, le responsable de Codex a signalé 8 millions d'utilisateurs actifs à travers Codex et ChatGPT Work. Bien que les définitions diffèrent, cela indique une tendance positive. Plus d'un million de personnes utilisaient déjà Codex en dehors du développement logiciel avant le lancement de Work, et la nouvelle interface offre à ce public un accès plus convivial à la même infrastructure d'agent. Cela pourrait être le signal le plus fort du lancement : la couche de distribution rattrape la couche de capacité.

Performances et perspectives de Grok 4.5

Grok 4.5 a comblé l'écart plus rapidement que prévu. Il se situe désormais dans le même groupe large d'agents de codage que GPT-5.5 et Fable, tout en coûtant beaucoup moins. Il fonctionne à environ 80 tokens par seconde, obtient de bons scores sur SWE Marathon et Terminal-Bench, et utilise beaucoup moins de tokens que plusieurs pairs. Snorkel a mesuré un taux de réussite de 29 % sur l'ensemble des critères à travers environ 2 000 tâches professionnelles, devant GPT-5.5 et Opus 4.8. Grok a fonctionné dans son propre cadre Grok Build, tandis que les concurrents utilisaient un agent différent, ce qui doit être pris en compte comme une comparaison de systèmes. Il reste en retard par rapport à Fable et GPT-5.5 sur DeepSWE 1.1. Cursor a signalé un résultat contaminé sur CursorBench, et son taux d'hallucination de 54 % sur AA-Omniscience signifie qu'il nécessite une supervision. Grok est considéré comme un modèle de frontière crédible avec une excellente économie, bien qu'un niveau en dessous des tout meilleurs en codage.