OpenAI dissout à nouveau son équipe robotique : GPT-6 Astra résout 74,8 % des tâches en simulation contre 51 %
OpenAI dissout à nouveau une équipe robotique dédiée et parie sur GPT-6 Astra, un modèle généraliste capable, selon cette stratégie, de piloter directement un robot, sans modèle « robotique » spécialisé. Dans une étude de Nvidia, un agent basé sur Astra a accompli 74,8 % des tâches en simulation, contre 51 % pour les meilleurs modèles spécialisés. Mais le test a été mené sur le robot virtuel DROID, et non sur du matériel réel. Les modèles généralistes gagnent donc à être testés comme « cerveau » de planification, tandis que les modèles étroits restent préférables pour les actions rapides.
Traité par IA depuis The Decoder ; édité par Hamidun News
Selon Fortune, OpenAI dissout pour la deuxième fois une équipe robotique dédiée. La raison : l'idée qu'un réseau de neurones « robotique » séparé pourrait être superflu, car le modèle généraliste GPT-6 Astra saurait peut-être piloter un robot directement. Pour l'illustrer simplement : auparavant, on écrivait pour un bras robotique un modèle étroit qui apprenait uniquement à déplacer le manipulateur.
Désormais, le même grand modèle qui écrit du code et répond aux questions observe lui-même la scène et décide où tendre le bras. Dans une étude de Nvidia, un agent basé sur Astra a accompli 74,8 % des tâches, contre 51 % pour les meilleurs modèles spécialisés. Précision importante : les tests ont été menés sur le robot virtuel DROID, c'est-à-dire en simulation, et non sur du matériel réel.
Pour ceux qui conçoivent des robots ou des agents, c'est le signe d'un possible basculement du marché, mais pas encore une preuve.
Ce qui change concrètement chez OpenAI
Les chercheurs en robotique rejoignent l'équipe de recherche principale, dirigée par le directeur de la recherche Mark Chen. Les groupes applicatifs et matériels de robotique intègrent l'organisation Applied, placée sous la responsabilité de Greg Brockman. La décision a été prise si brusquement que la société avait déjà réservé un stand à la conférence Conference on Robot Learning (CoRL) à Austin, et que celui-ci est resté vide.
En 2020, OpenAI avait déjà fermé ce domaine. À l'époque, selon le cofondateur Wojciech Zaremba, les données d'entraînement manquaient, et les grands modèles de langage semblaient être une voie plus rapide vers l'AGI. L'équipe avait été reconstituée en 2024. Aujourd'hui, la motivation est différente : l'entreprise ne renonce pas à la robotique, mais veut accélérer en diluant ses spécialistes dans d'autres équipes.
Ce que montrent les tests
Outre l'étude de Nvidia, il existe un nouveau benchmark, StationeryBench. Astra y a été comparé au modèle MolmoAct2 d'Ai2 sur cinq tâches impliquant des objets de bureau. Les tâches ont été exécutées par des robots bimanuels YAM, pour un total de 200 essais. Astra a entièrement réussi 7 tâches sur 100, MolmoAct2 aucune. Le score moyen de progression atteint 46 pour Astra contre 12 pour MolmoAct2. L'avantage existe, mais la fiabilité reste lointaine : sur 100 tâches, Astra n'est pas allé au bout de 93 d'entre elles.
Dans un autre test, Astra, installé sur un robot humanoïde, se déplaçait dans une cuisine et y rangeait des objets. Yoav Artzi, de Cornell University et de Google DeepMind, qualifie le modèle de saut important dans la compréhension de l'espace. Selon lui, sur le benchmark REMAP, encore non publié, Astra affiche une précision proche de celle d'un humain. Il suppose qu'OpenAI a pu l'entraîner sur un volume important de données 3D, par exemple des scènes issues de Blender. On ignore exactement quelle quantité de données robotiques OpenAI et les autres laboratoires ont utilisée. Des progrès sur les tâches robotiques sont également signalés pour les grands modèles d'Anthropic et de Google.
Ce qui n'est pas encore démontré
Les modèles étroits peuvent conserver des avantages en matière de coût, de fiabilité, de vitesse et de consommation énergétique, même s'ils généralisent moins bien. Pour un robot en entrepôt ou en usine, c'est déterminant : un énorme modèle généraliste coûte plus cher en calcul et réagit plus lentement. Les résultats en simulation ne garantissent pas les mêmes performances sur des robots physiques, et une partie des benchmarks vient tout juste d'apparaître ou n'a pas encore été publiée.
Le contexte économique compte aussi. Sam Altman viserait, selon les informations rapportées, une première démonstration publique d'un robot en 2027, et OpenAI souhaite à long terme concevoir ses propres robots domestiques. Mais l'entreprise subit une forte pression financière et doit se concentrer sur son activité principale d'IA, où elle a nettement perdu du terrain face à Anthropic. La réorganisation peut donc aussi relever d'une volonté d'économiser ses forces, et pas seulement d'un pari technologique.
Ce que cela signifie pour les praticiens
Si vous développez un produit robotique, inutile de jeter sans attendre vos modèles spécialisés : sur le prix, la vitesse et la prévisibilité, ils peuvent encore l'emporter. Mais il est déjà pertinent de tester les modèles généralistes comme « cerveau » pour la planification et la compréhension de la scène, en réservant les modèles étroits aux actions bas niveau rapides. La grande question de l'année à venir : les résultats obtenus en simulation se confirmeront-ils sur des robots réels, et combien coûtera une telle approche en exploitation ?
- 21 nov. 2026Les offres FDE ont été multipliées par 4,6 en un an : ce que fait un ingénieur chez le client
- 21 nov. 2026La capitaine d'une équipe de nageurs a confié trois tâches planifiées à ChatGPT et divisé sa charge de travail par plusieurs
- 21 nov. 2026OpenAI GPT-6 Cyber a trouvé une trentaine de failles dans les iPhone, Mac et autres appareils Apple
- 21 nov. 202622 agents Claude ont cherché pendant six semaines des réponses sur les trous noirs — et ont résolu deux problèmes
Questions clés sur cet article
Que sait-on sur Ce qui change concrètement chez OpenAI ?
Les chercheurs en robotique rejoignent l'équipe de recherche principale, dirigée par le directeur de la recherche Mark Chen. Les groupes applicatifs et matériels de robotique intègrent l'organisation Applied, placée sous la responsabilité de Greg Brockman. La décision a été prise si brusquement que la société avait déjà réservé un stand à la conférence Conference on Robot Learning (CoRL) à Austin, et que celui-ci est resté vide. En 2020, OpenAI avait déjà fermé ce domaine.
Que sait-on sur Ce que montrent les tests ?
Outre l'étude de Nvidia, il existe un nouveau benchmark, StationeryBench. Astra y a été comparé au modèle MolmoAct2 d'Ai2 sur cinq tâches impliquant des objets de bureau. Les tâches ont été exécutées par des robots bimanuels YAM, pour un total de 200 essais. Astra a entièrement réussi 7 tâches sur 100, MolmoAct2 aucune. Le score moyen de progression atteint 46 pour Astra contre 12 pour MolmoAct2.
Que sait-on sur Ce qui n'est pas encore démontré ?
Les modèles étroits peuvent conserver des avantages en matière de coût, de fiabilité, de vitesse et de consommation énergétique, même s'ils généralisent moins bien. Pour un robot en entrepôt ou en usine, c'est déterminant : un énorme modèle généraliste coûte plus cher en calcul et réagit plus lentement. Les résultats en simulation ne garantissent pas les mêmes performances sur des robots physiques, et une partie des benchmarks vient tout juste d'apparaître ou n'a pas encore été publiée.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
L'essentiel de l'IA — une fois par semaine
Sept actus qui ont vraiment compté, choisies à la main. Sans bruit ni communiqués.
C'est fait ! Vérifiez votre boîte mail pour la confirmation.