GPT-6 Astra : que vaut vraiment le nouveau modèle ? Fonctions, capacités, API, sortie JSON et guide ChatGPT

Aperçu

Point	Au 2026-09-03	Ce que ça change pour le développeur
ID modèle	gpt-6-astra ; palier Astra Pro en plus	Nouveaux projets : cet ID ; les appels d'outils passent par l'API Responses
Fenêtre / prix	1,05 million de tokens (environ 922 k en entrée + 128 k en sortie) ; tarif standard $10 / $50 par million	Au-delà de 272 k tokens en entrée, toute la requête est majorée ; seuls les préfixes mis en cache rentabilisent
JSON	Pour les nouveaux projets, OpenAI recommande Structured Outputs par défaut	text.format.json_schema + revalidation côté hôte

Le jour du lancement : d'abord Daybreak / Trusted Access ; Plus, Pro, Business, Enterprise, API, AWS, Azure « dans les jours suivants ». ChatGPT gratuit n'est pas sur la liste. Les chiffres bougent : se fier à developers.openai.com.

Qu'est-ce que GPT-6 Astra, et quand l'utiliser

Astra est le fleuron de la génération GPT-6 : il remplace les paliers Luna / Terra / Sol de GPT-5.6. Cutoff de connaissances : 30 avril 2026. Entrée texte et image, sortie texte. OpenAI le présente comme le modèle « le plus intelligent, et le plus aligné » : plus capable d'aller au bout d'un travail multi-étapes, et plus enclin à s'arrêter pour poser une question si la consigne est floue.

Le déploiement est échelonné. Le 3 septembre, d'abord Daybreak (orienté cybersécurité) et les entreprises Trusted Access ; dans les jours suivants, ChatGPT Plus / Pro / Business / Enterprise, puis API, Codex, AWS, Azure. Les workspaces Enterprise sont désactivés par défaut : un admin doit les ouvrir. Le palier gratuit de ChatGPT n'a pas Astra. Pro / Business / Enterprise ont aussi Astra Pro, avec un effort de raisonnement plus élevé.

C'est aussi le premier modèle marqué au « seuil critique de capacité cybersécurité » d'OpenAI : selon eux, il peut découvrir et exploiter des failles dans des systèmes durcis, presque sans guidage pas à pas. Les capacités offensives complètes restent dans Daybreak (Blue / Red) ; la version publique a des frontières de refus plus strictes, et un misalignment monitoring asynchrone (surveillance de désalignement). Pour qui écrit des agents : le modèle osera davantage finir le travail tout seul — et il faudra d'autant plus de Schema, de droits et d'approbations côté hôte.

Le « nous sommes à l'ère de l'AGI » de Brockman est une formule de keynote. Le System Card du même jour note aussi : la monitorabilité de la chaîne de pensée a baissé par rapport à GPT-5.6 Sol. Les deux phrases viennent d'OpenAI ; il faut les lire ensemble. Cet article ne débat pas de l'AGI : il ne couvre que ce que vous pouvez brancher dans un pipeline.

Fonctions et capacités : où il est fort, où il lâche

OpenAI insiste sur cinq blocs : computer use, browsing, software engineering, sciences, documents professionnels (des sites qu'on peut monter et faire tourner, plus des documents, tableaux et présentations plus complets). Pour qui écrit des pipelines JSON, l'intérêt réel : il tient mieux la chaîne « choisir l'outil → l'appeler → rendre un objet », et sur plusieurs benches il finit le même travail avec moins de tokens de sortie.

Chiffres des documents de lancement (tous au calibrage OpenAI 2026-09 ; un autre scaffold change déjà le score) :

• FrontierMath Tier 4 v2 97,6 % ; GPQA Diamond 96 % ; DeepSWE v1.1 74,1 % (113 problèmes d'ingénierie longue, cinq langages).
• ARC-AGI-3 : scaffold standard ARC Prize 62,7 %, OpenAI Provider Adapter 99,9 %. Même modèle, 37 points d'écart — l'écart vient surtout de la mémoire et de la compression de contexte, pas d'un « autre nom qui rend plus intelligent ».
• Face à GPT-5.6 Sol : SRE-Bench reverse 99,2 % pass@4 (Sol 68,7 %), environ un quart des tokens de sortie ; Sandbox Bench : 10 cibles résolues sur 22 (Sol : 1).

Les faiblesses sont tout aussi précises. Sur des cibles pleinement durcies, le labo indépendant Irregular a vu 0 attaque réussie ; ProtocolQA Open-Ended : 41,36 %, sous le 80e percentile doctorat à 54 %. Dans la simulation supply chain de l'AISI britannique : sans limite de périmètre, 60 dépassements sur 499 ; avec limites écrites, 2 sur 500. Le scaffold et les contraintes valent plus que le pourcentage du classement.

OpenAI liste aussi quelques capacités runtime nouvelles — c'est ça, le « plus utilisable que la génération d'avant » :

1. Appels d'outils asynchrones (async tool calling). Sur un function / custom tool, async: true : le modèle peut continuer à raisonner, appeler d'autres outils, ou répondre d'abord le morceau indépendant ; votre appli renvoie le résultat avec le même call_id.
2. Mid-turn steering. Pendant que le modèle travaille, un correctif ou un changement de besoin via WebSocket ; l'API Responses garde ce qui est déjà fait et enchaîne la suite avec la mise à jour.
3. Changer l'effort de raisonnement en cours de conversation. Un item configuration_update monte ou baisse reasoning.effort, sans réécrire tout le préfixe de prompt — le cache tient.
4. Misalignment monitoring. Le système surveille le trafic d'outils en asynchrone et alerte au besoin. Ce n'est pas le validateur de votre appli : ça ne remplace pas un Schema.

Tout ce que GPT-5.6 savait déjà est encore là : computer use, Structured Outputs, streaming, Programmatic Tool Calling, multi-agents, prompt cache, persisted reasoning, compaction, pro mode. Les limites sont écrites noir sur blanc : pas de palier de raisonnement none ; en résidence de données UE, pas de Fast mode ni de service_tier: "priority". Fast mode n'a pas de SLA de latence.

API : quelle interface, quels paramètres changer

Pour un nouveau projet, model = gpt-6-astra, via l'API Responses. Chat Completions passe encore, mais les appels d'outils exigent Responses. C'est la direction déjà écrite dans nos prévisions DevDay 2026 : les agents de prod ont convergé vers Responses + Agents SDK ; l'API Assistants a été retirée le 26 août.

Une requête minimale ressemble à ceci :

{
  "model": "gpt-6-astra",
  "input": [
    { "role": "user", "content": "把这段工单分类，只返回 JSON。" }
  ],
  "reasoning": { "effort": "low" }
}

Migration depuis GPT-5.x, cette checklist d'abord :

• Palier de raisonnement. Si vous êtes encore en none / minimal, passez d'abord à low puis comparez. Le reste : gardez le palier qui marchait. Responses : reasoning.effort ; Chat Completions : reasoning_effort. Valeurs : low, medium, high, xhigh, max.
• Paramètres à retirer. Enlevez temperature, top_p, top_logprobs. Chat Completions : retirez aussi logprobs ; Responses : n'incluez plus message.output_text.logprobs via include.
• Cache. Depuis GPT-5.5 et avant : remplacez prompt_cache_retention par prompt_cache_options.ttl, par ex. "30m". Ne faites pas osciller reasoning.effort au niveau requête : passez par configuration_update, sinon le préfixe rate le cache.
• Outils. Utilisez tools[] de Responses. Pour les tâches longues, préférez les outils asynchrones : toute la chaîne de raisonnement ne doit pas rester bloquée sur un aller-retour HTTP.

Prix (palier standard, par million de tokens, 2026-09-03) : entrée $10, lecture cache $1, écriture cache $12.50, sortie $50 (tokens de raisonnement inclus). Au-delà de 272,000 tokens d'entrée, toute la requête : entrée ×2, sortie ×1,5. Batch / Flex ≈ la moitié du standard, Fast ≈ le double. Un préfixe mis en cache une seule fois et jamais réutilisé coûte plus cher que sans cache ($12.50 vs $10). Fourrer tout le dépôt dans une requête et dépasser 272 k : la facture frôle le double. Plus fiable de traiter 272K comme un budget dur dans l'orchestrateur que d'espérer que le modèle se restreigne tout seul.

OpenAI le dit aussi : Astra pose plus de questions, suit mieux les instructions, aime listes et tableaux, et teste davantage sur le code. Pour qu'il aille au bout tout seul, le system prompt doit dire clairement « action par défaut, d'abord un résultat relisable, ensuite seulement les questions » ; sinon il s'arrête sur « on continue ? ». Les consignes contradictoires dans les fichiers de skills et AGENTS.md le bloquent plus que la génération d'avant — auditez ces fichiers avant de blâmer le modèle « désobéissant ».

Sortie JSON : Structured Outputs est le défaut, pas « merci de renvoyer du JSON »

La doc Structured Outputs d'OpenAI est nette : les nouveaux projets commencent à gpt-6-astra. Structured Outputs garantit que la sortie colle au JSON Schema que vous fournissez — clé required manquante, enum inventé : d'après la doc, ça ne devrait plus arriver. Ce qu'il a de plus que JSON mode : suivre le Schema, pas seulement « c'est du JSON valide ». Dans l'API Responses, le point d'accroche est text.format.

Forme REST ci-dessous (mêmes champs que l'exemple officiel de tutorat maths, adaptés au triage de tickets) :

{
  "model": "gpt-6-astra",
  "input": [
    { "role": "system", "content": "只按 Schema 分类，不要散文。" },
    { "role": "user", "content": "订单 A-1042 迟到两天，用户要退 99 元。" }
  ],
  "text": {
    "format": {
      "type": "json_schema",
      "name": "ticket_triage",
      "strict": true,
      "schema": {
        "type": "object",
        "properties": {
          "intent": { "type": "string", "enum": ["refund", "exchange", "human"] },
          "order_id": { "type": "string", "pattern": "^A-[0-9]{4,}$" },
          "amount": { "type": "number", "exclusiveMinimum": 0 },
          "confidence": { "type": "number", "minimum": 0, "maximum": 1 }
        },
        "required": ["intent", "order_id", "amount", "confidence"],
        "additionalProperties": false
      }
    }
  }
}

Le SDK Python : Pydantic + responses.parse, résultat dans output_parsed ; JS : Zod + zodTextFormat. Un refus de sécurité n'est pas forcément conforme au Schema ; la réponse porte un champ refusal — l'hôte le lit d'abord, puis seulement JSON.parse.

Deux choses n'ont pas changé ; Astra plus fort ne les fera pas à votre place :

• strict: true ne contraint que le côté modèle. Les arguments d'outil peuvent encore être une chaîne. L'hôte fait toujours parse → validate → execute. On l'a déjà écrit dans Pourquoi les agents IA ont besoin de JSON Schema : sans validation hôte, un changement d'instantané ou strict coupé, et le contrat disparaît.
• Les résultats d'outils et les handoffs ont aussi besoin d'un Schema. Astra ira plus loin tout seul : une forme erronée a plus de chances d'être prise pour un fait par le saut suivant. Entrée, sortie, handoff, checkpoint : les quatre couches se documentent en fichiers — pas seulement « merci de renvoyer du JSON » dans le system prompt.

Pour déboguer le JSON imbriqué que le modèle recrache, formatez et contrôlez la syntaxe en local dans le navigateur, puis faites un Diff avec le Schema qui tournait la semaine dernière. Ne collez pas une réponse contenant données utilisateur ou secrets sur un site JSON public.

Guide ChatGPT : choisir le modèle, formuler la tâche, récupérer du JSON

Le produit et l'API ne sont pas le même tuyau. Dans ChatGPT, Astra consomme le quota payant ; pour un Schema stable, ça finit sur l'API. Les premiers jours après le lancement, on peut faire comme suit.

1. Vérifiez que votre palier le voit. Plus : Astra standard, sur le quota existant ; Pro / Business / Enterprise peuvent voir Astra Pro. Workspace Enterprise : demandez d'abord à l'admin s'il est ouvert. Le sélecteur de modèle doit afficher GPT-6 Astra, pas encore GPT-5.6 Sol. S'il n'apparaît pas, ne touchez pas aux prompts de prod : attendez le déploiement.

2. Traitez-le comme un exécutant, pas comme une barre de recherche. OpenAI dit qu'il va plus loin sur les tâches multi-étapes : monter un site, modifier un dépôt, produire docs et tableaux. Dans le prompt : objectif, définition du « terminé », frontières à ne pas toucher (prod, secrets, envois externes). Il aime poser des questions par défaut ; si vous voulez qu'il fasse d'abord : « D'abord un brouillon relisable, ensuite seulement la question sur l'étape irréversible. »

3. Pour du JSON, collez le Schema dans le dialogue. ChatGPT n'a pas la contrainte dure de Responses. Minimum viable :

只输出一个 JSON 对象，不要 Markdown 围栏，不要解释。
必须符合：
{
  "type": "object",
  "properties": {
    "intent": { "enum": ["refund", "exchange", "human"] },
    "order_id": { "type": "string" },
    "confidence": { "type": "number" }
  },
  "required": ["intent", "order_id", "confidence"],
  "additionalProperties": false
}

Après copie, formatez en local et confrontez au Schema. « Ça ressemble à du JSON » dans le chat ne suffit pas : types, enums, clés en trop doivent passer le validateur. Le même Schema se branchera plus tard sur text.format de l'API, sans réécriture.

4. Le long contexte est un budget, pas une poubelle. 1,05 million de tokens de fenêtre ne veut pas dire coller tout le dépôt et un an de tickets. Côté ChatGPT vous ne voyez pas la ligne de majoration à 272K, mais plus le collage est long, plus il dévie sur des détails hors sujet. D'abord rechercher, ensuite coller les fichiers pertinents ; pour comparer deux JSON, un Diff local — pas « dis-moi de mémoire ce qui a changé ».

5. Défauts de sécurité. Pas de secrets, cookies, PII clients dans ChatGPT. Les capacités réseau et outils d'Astra sont plus fortes : le coût d'un dépassement aussi. Le System Card officiel simule déjà l'accident « droits à fond, plus d'approbation pas à pas ». Protection minimale côté humain : moindre privilège, confirmation des actions irréversibles, résultats d'outils traités comme entrée non fiable.

6. Avec Codex / Agent. Le hint officiel de migration : $openai-docs migrate this project to GPT-6 Astra. Un « demander avant de faire » dans les skills le bloquera plus souvent. Changez les skills, plutôt que de recoller le même avertissement à chaque tour.

Checklist développeur : figer le calibre JSON avant de brancher Astra

Au changement de modèle, le plus coûteux : « le prompt tourne, la forme de l'objet tient à la chance ». Gestes immédiats, indépendants du calendrier de déploiement :

• Dans le dépôt : schemas/tools/, schemas/handoffs/, schemas/outputs/. Chaque fichier a un $id et une version.
• Le même Schema s'exporte en Function Calling parameters, MCP inputSchema, Responses text.format. Pas de deuxième définition « à peu près pareille » écrite à la main pour Astra. Écarts de protocole : MCP vs Function Calling et A2A Extensions.
• La CI valide avec ajv (ou équivalent) : exemples, fixtures historiques, échantillons de prod (après anonymisation). Au changement d'instantané Astra : Diff Schema et fixtures d'abord, ensuite seulement le prompt.
• Nouveaux objets : additionalProperties: false et enum explicite par défaut. Pour une extension ouverte, un metadata à part.
• Dans l'orchestrateur, limites dures : budget d'entrée sous 272K ; cache réservé aux préfixes système réutilisés ; palier de raisonnement via configuration_update, pas via le champ au niveau requête.
• Les payloads à secrets ou données utilisateur se regardent uniquement en local dans le navigateur : formater, Diff, zéro envoi.

Pour les mots-clés, le tutoriel JSON Schema tient toujours. Astra n'invente pas un nouveau langage de champs ; il rend seulement plus rares les sorties hors Schema, et plus fréquents les « je continue tout seul ». Plus le calibre est stable, moins l'upgrade coûte.

Pièges fréquents

• Prendre « l'ère de l'AGI » pour un critère de choix. On choisit sur le taux de tâches finies, les tokens, la latence et le taux de dépassement. Une phrase de keynote n'entre pas dans un RFC.
• Croire que Chat Completions + gpt-6-astra suffit pour les outils. Les appels d'outils exigent Responses. Le chat seul peut rester tel quel pour l'instant.
• Continuer à envoyer temperature. La doc demande de le retirer. Le laisser : au mieux ignoré, au pire la requête entière échoue.
• Traiter la fenêtre de 1,05 million comme un repas gratuit. Après 272 k, toute la requête est majorée ; l'écriture cache coûte plus cher que l'absence de cache. Le long contexte est une capacité — et une facture.
• Demander du JSON dans ChatGPT et l'appeler contrat de prod. Le produit n'a pas de strict. En prod : API + validation hôte.
• Couper la validation hôte parce qu'« Astra obéit mieux ». Mieux obéir = mieux transmettre une forme erronée au saut suivant. Le monitoring est à OpenAI ; le sas, c'est le vôtre.
• Résidence UE et Fast / priority quand même. Astra ne le supporte pas. Restez en Standard.

FAQ

Peut-on déjà utiliser Astra sur ChatGPT gratuit ?

Non. La liste publique : Plus, Pro, Business, Enterprise, plus API / Codex / cloud, et le déploiement est jour par jour. Pas dans le sélecteur : ce n'est pas encore le tour de votre compte.

Quelle différence entre GPT-6 Astra et Astra Pro ?

Astra est le fleuron standard ; Plus est sur ce palier. Astra Pro : Pro / Business / Enterprise, effort de raisonnement plus élevé, plus cher. L'ID dans la doc API est gpt-6-astra ; pour le palier Pro, l'ID qui apparaît réellement sur votre compte fait foi.

Si je veux seulement du JSON, faut-il encore Structured Outputs ?

Oui. JSON mode garantit du JSON valide ; Structured Outputs garantit les clés, types, enums. Les nouveaux projets : OpenAI recommande le second. Côté hôte, le même Schema se revalide encore une fois.

Les prix vont-ils bouger vite ?

Oui. Les chiffres de cet article sont le palier standard au 2026-09-03 : $10 / $50 / million, lecture cache $1, écriture $12.50, majoration après 272K. Ouvrez la page Pricing officielle avant de commander.

Comment déboguer le mauvais JSON que recrache Astra ?

D'abord un refusal ?, puis formatage local, confrontez au Schema : quel required manque, quel enum dépasse, puis Diff avec la version d'avant. JSONSort n'envoie rien. Ne collez pas une réponse à secrets sur un site public.

Conclusion

GPT-6 Astra est fort pour finir les longs travaux : ingénierie, computer use, browsing, documents professionnels, et un raisonnement plus économe en tokens de sortie. Il est faible dès que le scaffold change (le score bouge), il ne perce toujours pas les cibles pleinement durcies, et la chaîne de pensée est plus difficile à surveiller. Pour un développeur JSON, la checklist d'upgrade est courte : ID modèle gpt-6-astra, outils via Responses, sortie en json_schema, l'hôte continue de valider, 272K comme plafond de budget.

Dans ChatGPT, vous pouvez d'abord l'utiliser pour un brouillon, un dépôt, un JSON collé au Schema ; pour la prod, le même Schema se branche sur l'API. Les modèles changeront encore ; le calibre, lui, doit d'abord tenir.

Pour aller plus loin

• Pourquoi les agents IA ont désormais besoin de JSON Schema Contrat runtime des outils, handoffs et évaluations
• Prévisions OpenAI DevDay 2026 Comment les trois couches se referment sur un tuyau JSON
• MCP Tool Schema vs Function Calling Frontière de protocole du JSON d'outils
• A2A Extensions et le protocole JSON Troisième couche d'interop multi-agents
• Qu'est-ce que JSON Schema ? Usage et tutoriel Mots-clés, required et additionalProperties
• Boîte à outils locale JSONSort Formater, valider, Diff
• Tous les articles Plus de notes JSON et développement IA

Journal : 2026-09-04 première version. Faits et prix selon la documentation OpenAI du jour.