GPT-6-Astra fait le plein de points sur les benchmarks de robotique, mais trébuche sur de vrais robots

Un mois après la sortie de GPT-6-Astra, qu'OpenAI a présenté comme « le modèle le plus intelligent et le plus fidèle aux intentions humaines au monde », il a été testé en intelligence incarnée. Le média chinois Jiqizhixin (机器之心) résume le résultat ainsi : les benchmarks traditionnels sont réussis au maximum, mais sur de vrais robots, le modèle se heurte sans cesse à des obstacles. Précision importante : le fragment disponible de l'article ne mentionne ni les noms des tests, ni les modèles de robots, ni les taux de réussite. Nous ne reprenons donc ci-dessous que les affirmations confirmées et leur contexte.

Ce qui s'est passé avec VLA et WAM

Avant la sortie de GPT-6-Astra, la communauté de l'IA incarnée débattait de deux voies architecturales. VLA (Vision-Language-Action) part d'un modèle vision-langage et l'entraîne à produire des actions. WAM (World Action Model) s'appuie sur un modèle du monde qui prédit les conséquences des actions. Les deux écoles ont investi dans les données issues de robots, dans la simulation et dans des architectures spécialisées.

Puis un modèle généraliste, qui travaille principalement par le texte, a obtenu de bons résultats sur des tâches considérées comme le domaine réservé des systèmes spécialisés. Jiqizhixin décrit cela comme une « frappe par réduction de dimension » : un LLM généraliste contourne le débat sur la forme du modèle, car il planifie, raisonne et analyse les instructions au niveau du langage. D'où la question que se posent les chercheurs : où se situe le plafond des capacités incarnées de GPT-6-Astra, et que doit faire désormais la communauté ?

Pourquoi un score maximal sur les benchmarks ne garantit rien

L'écart entre les évaluations et la réalité est connu de longue date en robotique. La plupart des benchmarks testent la planification étape par étape, la compréhension de la scène et le respect des instructions. Il s'agit souvent de simulations ou d'images statiques, où la physique est simplifiée et où l'erreur ne coûte rien. Un modèle doté d'un solide raisonnement linguistique y obtient facilement des scores plafonds.

Un bras manipulateur réel évolue dans un autre monde. Les capteurs sont bruités, la pince glisse, l'objet ne se trouve pas là où le modèle l'a vu, et la latence entre la décision et le mouvement fait échouer un plan pourtant bien construit. L'interface textuelle masque la précision du contact, la force, la géométrie et la dynamique. Des échecs sur du matériel physique malgré des scores parfaits n'ont donc rien d'étonnant : le benchmark mesurait une seule capacité, alors que le robot en exige plusieurs autres.

Du fragment publié, on peut tirer l'ensemble de faits suivant :

• Modèle : GPT-6-Astra, publié par OpenAI en septembre 2026.
• Positionnement : « le plus intelligent et le plus fidèle aux intentions humaines ».
• Benchmarks traditionnels d'IA incarnée : scores maximaux.
• Robots réels : heurts fréquents avec des limites.
• Contexte : le débat VLA contre WAM, que le modèle généraliste a déplacé vers la modalité textuelle.
• Non communiqué : les tests précis, les plateformes de robots, les taux de tentatives réussies.

Que doivent faire les équipes qui construisent des robots

Le premier enseignement concerne l'évaluation. Lorsqu'un benchmark est saturé, il ne distingue plus les modèles. Il faut alors comparer sur des scénarios physiques à long horizon, avec du bruit et des reprises après erreur. La métrique « taux de réussite sur un robot réel » est plus utile que n'importe quel score global obtenu en simulation.

Le deuxième enseignement concerne l'architecture. Un LLM généraliste performant convient comme couche supérieure : définition des tâches, décomposition, analyse de l'intention de l'utilisateur. La couche basse, c'est-à-dire le contrôle, le retour d'information et le contact avec l'objet, exige toujours des politiques spécialisées et des données issues de matériel réel. Un hybride « LLM planificateur plus exécuteur entraîné » paraît plus opérationnel qu'une tentative de remplacer l'un par l'autre.

Le troisième enseignement s'adresse aux clients et aux investisseurs : ne prenez ni les démonstrations ni les benchmarks pour une preuve de préparation à la production. Demandez des rapports sur des essais réels, avec le nombre de tentatives, les types de défaillances et les conditions d'environnement. Tant que de telles données sur GPT-6-Astra ne sont pas publiques, la principale question, celle du plafond de ses capacités incarnées, reste sans réponse.