GPT 5.6 Terra est un modèle de langage de grande taille propriétaire développé par OpenAI. Il apparaît sur les classements de référence publics, notamment LMArena et BenchLM, avec plusieurs variantes telles que gpt-5.6-terra-xhigh et gpt-5.6-terra-xhigh (codex-harness). Selon les instantanés agrégés les plus récents, le modèle n'a pas été officiellement annoncé par OpenAI, et sa présence publique se limite aux entrées de classement et aux évaluations de la communauté. La date de sortie exacte et la documentation officielle ne sont pas publiquement disponibles, et le modèle ne figure pas sur les pages de l'API publique ou des produits d'OpenAI au moment de la rédaction.
Le modèle fait partie de la famille plus large GPT-5.6, qui suit la série GPT-5. Il est conçu pour des tâches généralistes de texte et de vision, avec des variantes optimisées pour différentes charges de travail, notamment les tâches agentiques et le développement web. Toutes les variantes connues sont propriétaires et à code source fermé, conformément au modèle de licence typique d'OpenAI.
Performance sur les classements
Sur le classement LMArena, la variante gpt-5.6-terra-xhigh atteint un rang global de document de 13 avec un score de 1471,58. Dans la catégorie vision pour les tâches de devoirs, elle se classe 23e avec un score de 1318,34. Pour les tâches de texte en japonais, elle se classe 26e avec un score de 1456,54. Dans la catégorie globale agentique, la variante GPT 5.6 Terra (xHigh) se classe 29e, bien qu'aucun score ne soit listé. Pour les tâches de vision en chinois, elle se classe 29e avec un score de 1338,42. La variante gpt-5.6-terra-xhigh (codex-harness), qui s'intègre au harnais Codex, se classe 31e dans la catégorie webdev image-vers-webdev avec un score de 1540,46. Dans les tâches expertes de texte, elle se classe 32e avec un score de 1491,97, et pour les tâches de texte en chinois, elle se classe 36e avec un score de 1513,37.
Sur le classement BenchLM, la variante GPT-5.6 Terra se classe 15e au total avec un score de 71,75. Ces classements sont basés sur des instantanés quotidiens agrégés provenant de classements publics et peuvent varier dans le temps.
Variantes et architecture
Les variantes connues incluent gpt-5.6-terra-xhigh, GPT-5.6 Terra et gpt-5.6-terra-xhigh (codex-harness). Le suffixe « xHigh » indique probablement une configuration à haute puissance de calcul ou à haute capacité, bien qu'OpenAI n'ait pas publié de détails techniques. La variante codex-harness est spécifiquement adaptée aux tâches de codage et d'ingénierie logicielle, en tirant parti de la plateforme Codex. Comme pour d'autres modèles basés sur transformers, GPT 5.6 Terra utilise probablement des mécanismes de attention multi-têtes et de encodage positionnel, mais ces détails ne sont pas publiquement confirmés.
Développement et sortie
OpenAI n'a pas publié de communiqué de presse officiel ni d'article technique pour GPT 5.6 Terra. L'apparition du modèle sur les classements suggère qu'il pourrait s'agir d'une version interne ou expérimentale, éventuellement utilisée pour des évaluations de apprentissage par renforcement à partir de retours d'IA ou d'autres formations. L'absence de documentation officielle signifie que les informations sur ses données d'entraînement, son nombre de paramètres et ses capacités spécifiques restent spéculatives. Selon l'instantané le plus récent, aucune date de sortie n'a été annoncée, et le modèle n'est pas disponible via les offres commerciales d'OpenAI.
Implications et contexte
La forte performance de GPT 5.6 Terra sur les classements multilingues et de vision indique des progrès dans les capacités de IA générative, en particulier dans des langues non anglaises comme le japonais et le chinois. Son classement dans les tâches agentiques suggère des améliorations dans la prise de décision autonome, un domaine clé pour la recherche en intelligence artificielle. Cependant, sans confirmation officielle, ces observations restent inférées à partir des données de classement. L'existence du modèle met en évidence le rythme rapide de développement dans le domaine, avec des concurrents comme Anthropic et Google DeepMind qui publient également des modèles avancés.