GPT-5.6 Sol d'OpenAI forme seul des modèles d'IA plus petits
Le tout dernier modèle expérimental d'OpenAI, le GPT-5.6 Sol, a démontré sa capacité à affiner de manière autonome un système d'IA plus petit – Luna – en utilisant uniquement une instruction formulée de façon lâche. L'entreprise qualifie cette instruction de « plutôt imprécise », mais Sol est parvenu à guider le processus de post-entraînement de Luna sans aucune intervention humaine. Selon le benchmark interne RSI d'OpenAI pour l'amélioration récursive, Sol a surpassé son prédécesseur, le GPT-5.5, de 16,2 points, marquant une avancée mesurable vers une recherche en IA entièrement automatisée.
Un pas vers le développement autonome de l'IA
Ce qui rend cette avancée remarquable n'est pas seulement la capacité de Sol à affiner un autre modèle, mais le fait qu'il y soit parvenu avec un minimum de directives. L'affinage traditionnel nécessite des jeux de données soigneusement élaborés, des instructions précises et une supervision humaine. Sol, en revanche, semble fonctionner avec un degré d'autonomie bien supérieur, laissant entrevoir la possibilité que les futurs systèmes d'IA puissent s'améliorer – ou s'entraider – avec bien moins d'intervention humaine. OpenAI présente cela comme un pas de plus vers sa vision d'un « chercheur automatisé », un système capable d'effectuer et d'itérer des tâches de recherche sans supervision constante.
En quoi la méthode de Sol diffère-t-elle ?
OpenAI n'a pas révélé les mécanismes exacts de sa méthode d'entraînement, mais l'entreprise souligne que le processus a été déclenché par une seule instruction non spécifiée. Cela implique un niveau d'abstraction dans l'interprétation des tâches que les modèles précédents ne possédaient pas. Bien que les améliorations exactes de Luna restent confidentielles, le transfert réussi de connaissances de Sol vers Luna souligne un changement potentiel dans la manière dont les modèles d'IA sont développés et mis à l'échelle.
Pourquoi est-ce important ?
Si l'affinage autonome de Sol se révèle fiable, il pourrait accélérer le rythme des avancées en IA en réduisant l'obstacle que représente l'affinage manuel des modèles. Pour les organisations déployant des modèles plus petits et spécialisés, cela pourrait signifier des itérations et des déploiements plus rapides, sans augmentation proportionnelle de la main-d'œuvre. Cependant, cette approche soulève également des questions sur le contrôle, la reproductibilité et la stabilité à long terme des systèmes auto-améliorants. Les résultats des benchmarks d'OpenAI suggèrent des progrès, mais la véritable épreuve consistera à vérifier si une telle autonomie peut être déployée en toute sécurité dans divers contextes.
Source : The Decoder. Synthèse éditoriale assistée par IA — TechnoExpress.