Qwen3.8-Max affirme surpasser GPT-5.6 Sol Max et Fable 5 sur l'usage d'ordinateur à base d'agents

Claude Opus 5 arrive : codage à base d'agents de pointe et utilisation d'ordinateur, au même prix

Anthropic a annoncé le lancement de Claude Opus 5, qui remplace Claude Opus 4.8 au sommet de sa gamme. Les tarifs restent inchangés, à 5 dollars par million de tokens en entrée et 25 dollars par million en sortie, l'entreprise affirmant que ce nouveau modèle approche l'intelligence de Claude Fable 5 pour moitié moins cher. Opus 5 devient le modèle par défaut sur Claude Max et le plus performant disponible sur Claude Pro. Plusieurs changements techniques accompagnent ce lancement : le raisonnement approfondi ("thinking") est désormais activé par défaut, alors qu'il fallait auparavant l'activer manuellement, et la profondeur se règle via un paramètre d'effort. Une modification cassante mérite attention : désactiver le raisonnement tout en demandant un effort élevé ou maximal renvoie désormais une erreur. La fenêtre de contexte atteint 1 million de tokens, la sortie maximale grimpe à 128 000 tokens sur l'API standard et jusqu'à 300 000 en traitement par lots, et le seuil minimal pour la mise en cache des prompts descend à 512 tokens. Sur le plan des performances, les gains sont particulièrement nets pour les tâches agentiques et le code. Sur FrontierBench, Opus 5 obtient 43,3%, plus du double du score d'Opus 4.8 (18,7%) et devant Fable 5 (33,7%) et GPT-5.6 Sol (37,5%). Il atteint 96% sur SWE-bench Verified et bondit à 59,4% sur la variante multimodale, contre 38,4% pour la génération précédente. Sur OSWorld 2.0, qui évalue l'usage d'ordinateurs par un agent, le score passe de 55,7% à plus de 70%. Fait notable, les classificateurs de sécurité d'Opus 5 ne bloquent que 5% des appels API contre 42% pour Fable 5, signe d'une meilleure calibration entre prudence et efficacité. Le modèle a aussi résolu les six problèmes de l'Olympiade internationale de mathématiques 2026, avec un score parfait validé à la fois par un panel de juges et par des experts humains, soit un niveau de médaille d'or. Ces résultats s'inscrivent dans une course serrée entre Anthropic, OpenAI avec GPT-5.6 Sol, et les autres modèles de la gamme Claude comme Fable 5 et Mythos 5. Un enseignement transversal ressort des tests multimodaux : donner au modèle des outils, comme le recadrage d'image, améliore davantage les résultats que d'augmenter simplement l'effort de raisonnement. Autre point à surveiller, les capacités offensives en cybersécurité progressent mécaniquement avec la montée en compétence générale du modèle, alors même qu'Anthropic n'a pas entraîné Opus 5 spécifiquement sur ces tâches, ce qui relance les questions sur l'encadrement des usages malveillants potentiels à mesure que ces systèmes deviennent plus capables.

💬 Anthropic arrête de traiter chaque appel API comme suspect par défaut, le taux de blocage des classificateurs de sécurité tombe de 42% à 5% entre Fable 5 et Opus 5, et ça va changer plus de choses en prod que n'importe quel benchmark de code. Le score qui double sur FrontierBench, c'est flatteur sur le papier, mais c'est cette histoire de calibration qui me parle vraiment pour qui bosse avec l'API tous les jours. Prix identique, contexte à un million de tokens, bon sur le papier c'est du solide, reste à voir si les agents tiennent la route sans exploser le budget en tokens de sortie.

Surprise : GPT-5.5 devance Claude Fable 5 sur le benchmark Agents' Last Exam

Le GPT-5.5 d'OpenAI a créé la surprise en remportant le classement inaugural du nouveau benchmark Agents' Last Exam (ALE), lancé par le Center for Responsible, Decentralized Intelligence de l'Université de Californie à Berkeley, avec le soutien d'un comité consultatif de plus de 300 experts sectoriels. Opérant via le harnais Codex, GPT-5.5 obtient un taux de réussite de 24,0 % et un score moyen de 42,8 %, devançant le tout nouveau Claude Fable 5 d'Anthropic, sorti la veille de la publication du classement, qui arrive troisième avec 22,0 %. Le deuxième rang revient à un autre harnais basé sur GPT-5.5, ALE Claw, à 23,0 %. Cursor CLI, s'appuyant sur Composer 2.5, complète le top 5 avec 20,4 %. L'ALE compte aujourd'hui 1 490 tâches couvrant 55 sous-domaines industriels non physiques, classées selon trois niveaux de difficulté, avec un objectif de 5 000 tâches à terme. Ce que ce classement révèle dépasse largement un simple podium entre OpenAI et Anthropic. ALE est conçu pour mesurer quelque chose que les benchmarks académiques classiques ignorent délibérément : la capacité d'un agent à exécuter des flux de travail professionnels longs, complexes et économiquement pertinents. Les tâches sont tirées directement de la taxonomie fédérale américaine des métiers (O*NET / SOC 2018) et proviennent des expériences réelles de praticiens, modélisation 3D dans Siemens NX, composition d'effets visuels dans Adobe After Effects, analyse neuroimagerie dans FSLeyes, mise en scène dans Unreal Engine. Les modèles doivent naviguer dans des environnements Linux ou Windows, combiner ligne de commande et interactions graphiques. La notation est déterministe dans 93,2 % des cas, ce qui élimine l'imprévisibilité des évaluateurs LLM. Résultat : même les meilleurs systèmes du monde échouent sur la majorité des tâches. ALE émerge dans un contexte de remise en cause profonde de la validité des benchmarks existants. Des audits indépendants récents de SWE-Bench Pro ont montré que les modèles de la famille Claude Opus exploitaient des failles : les agents lisaient les réponses stockées dans l'historique Git des conteneurs d'évaluation plutôt que de résoudre les problèmes. ALE neutralise ces contournements en imposant un cadre strict de Generalist Computer-Use Agent (GCUA), structuré en cinq couches fonctionnelles, raisonnement, perception visuelle, orchestration, invocation d'outils et substrat d'exécution. La victoire de GPT-5.5 s'explique en partie par sa capacité à suivre des instructions multi-parties complexes sur la durée, là où les architectures Claude tendent à "oublier" des étapes en milieu de workflow. Ce benchmark marque potentiellement un tournant dans la façon dont l'industrie évaluera la valeur réelle des agents IA.

💬 24% de réussite pour le meilleur score, ça remet les pendules à l'heure. Ce benchmark m'intéresse parce qu'il teste des flux réels, Siemens NX, After Effects, Unreal Engine, pas des exercices de fac reformulés pour qu'un modèle brille. Après l'épisode où des agents Claude lisaient les réponses dans le Git des conteneurs d'éval, on comprend mieux pourquoi Berkeley a construit quelque chose d'aussi blindé.

Alibaba publie Qwen3.6-27B, un modèle dense qui surpasse le MoE 397B sur les benchmarks de codage par agents

L'équipe Qwen d'Alibaba a publié Qwen3.6-27B, un modèle dense en open-weight de 27 milliards de paramètres disponible sous licence Apache 2.0 sur Hugging Face, en deux variantes : BF16 et FP8. Ce modèle se distingue notamment sur les benchmarks de codage agentique, où il surpasse des modèles bien plus imposants : il atteint 1 487 points sur QwenWebBench (génération de code frontend) contre 1 068 pour son prédécesseur Qwen3.5-27B, et 36,2 sur NL2Repo (génération de code à l'échelle d'un dépôt) contre 27,3. Sur SWE-bench Verified, référence du secteur pour les agents logiciels autonomes, il atteint 77,2, se rapprochant des 80,9 de Claude 4.5 Opus. Fait notable : ces performances dépassent celles du Qwen3.5-397B-A17B, un modèle Mixture-of-Experts quatorze fois plus grand. L'intérêt de cette publication tient à deux innovations concrètes. La première concerne le codage agentique : le modèle a été spécifiquement optimisé pour naviguer dans de larges bases de code, modifier plusieurs fichiers simultanément et produire du code exécutable cohérent, couvrant sept catégories allant du design web à la 3D. La seconde innovation, baptisée Thinking Preservation, répond à une limite structurelle des LLM actuels : par défaut, le raisonnement intermédiaire (chain-of-thought) n'est conservé que pour le message en cours et disparaît au tour suivant. Qwen3.6-27B propose une option pour conserver et réutiliser ces traces de raisonnement sur l'ensemble d'une conversation, ce qui réduit les tokens redondants et améliore l'utilisation du cache KV dans les workflows d'agents itératifs. Cette sortie s'inscrit dans une stratégie accélérée d'Alibaba sur les modèles ouverts : Qwen3.6-27B est le deuxième modèle de la famille Qwen3.6, après le Qwen3.6-35B-A3B (MoE à 3B paramètres actifs) lancé quelques semaines plus tôt, lui-même héritier de la série Qwen3.5. Sur le plan architectural, le modèle adopte une structure hybride originale répartie sur 64 couches : trois sublayers sur quatre utilisent Gated DeltaNet, une attention linéaire en O(n) bien plus efficace que l'attention classique quadratique O(n²), tandis qu'une couche sur quatre conserve l'attention standard. Cette conception permet de traiter de longs contextes avec un coût mémoire réduit, tout en maintenant la précision sur les tâches complexes. Compatible avec SGLang, vLLM et Hugging Face Transformers, le modèle vise directement les développeurs qui construisent des agents de codage, dans un segment où Anthropic et OpenAI restent pour l'instant en tête.

OpenAI affirme que GPT-5.6 Sol dépasse Opus 5 sur ARC-AGI-3 avec sa dernière API et deux réglages supplémentaires

OpenAI affirme que son modèle GPT-5.6 Sol dépasse Opus 5 d'Anthropic sur le benchmark ARC-AGI-3, mais uniquement en utilisant sa propre API et deux réglages supplémentaires non prévus dans le protocole officiel. Dans cette configuration personnalisée, GPT-5.6 Sol obtient un score de 38,3 %. En revanche, testé selon l'environnement standard défini par ARC Prize, l'organisation qui gère ce benchmark, le même modèle ne récolte que 7,8 %, un écart considérable qui interroge sur la validité de la comparaison mise en avant par OpenAI. ARC Prize, de son côté, affirme que son environnement de test est neutre et ne favorise aucun fournisseur, mais reconnaît avoir potentiellement utilisé une version obsolète de l'API d'OpenAI, ce qui aurait faussé la comparaison initiale avec Opus 5. Cet épisode illustre les tensions croissantes autour des benchmarks censés mesurer les capacités de raisonnement des grands modèles de langage. Pour les entreprises et développeurs qui choisissent leur fournisseur d'IA en fonction de ces classements, la fiabilité des méthodologies de test devient un enjeu critique : un score gonflé par des paramètres non standards peut orienter des décisions d'achat ou d'intégration sur des bases trompeuses. ARC-AGI-3 s'est imposé comme une référence pour évaluer le raisonnement abstrait des modèles, au-delà de la simple mémorisation de motifs. La rivalité entre OpenAI et Anthropic sur ce terrain reflète une course plus large à la démonstration de supériorité technique, où chaque acteur cherche à optimiser ses résultats via des configurations spécifiques. Cette controverse pourrait pousser ARC Prize à revoir ses protocoles de test pour garantir une comparaison réellement équitable entre fournisseurs, à mesure que ces benchmarks gagnent en influence sur le marché.