gpt-5.6-terra-xhigh (codex-harness) est un modèle de langage de grande taille développé par OpenAI, publié pour la première fois en septembre 2026. Il s'agit d'une variante de la famille gpt-5.6, optimisée pour la génération et l'exécution de code via un harnais spécialisé. Le modèle s'est constamment classé en tête ou à proximité du sommet des classements publics de référence, notamment LMArena et LiveBench, selon sa dernière version datée du 19 septembre 2026.
La désignation « terra-xhigh » fait référence à une configuration à haute puissance de calcul avec un nombre estimé de paramètres de 1,2 billion, entraînée sur un mélange de données textuelles et de code. Le suffixe codex-harness indique une intégration avec une boucle d'utilisation d'outils permettant au modèle d'exécuter du code dans un environnement sandboxé, d'affiner itérativement les sorties et de gérer des tâches à long horizon.
Architecture et entraînement
Le modèle s'appuie sur l'architecture transformeur, intégrant des couches d'attention multi-têtes et d'attention croisée. Il utilise un schéma de encodage positionnel avec des incorporations rotatives apprises. L'entraînement a employé un programme de taux d'apprentissage avec échauffement et décroissance cosinusoïdale, combiné à du écrêtage de gradient et de la normalisation de couche pour la stabilité. L'ensemble de données comprenait des référentiels de code publics, de la documentation et des données synthétiques générées par des modèles antérieurs.
L'entraînement a été mené sur des clusters Amazon Web Services et Microsoft Azure, utilisant des GPU AWS Trainium et NVIDIA H100. La dépense totale de calcul était d'environ 3,2 exaFLOPS, répartie sur 180 jours. Reinforcement Learning from AI Feedback (RLAIF) a été utilisé pour aligner le modèle sur les préférences humaines en matière de correction et de sécurité du code.
Performances de référence
Sur la version du 19 septembre 2026, gpt-5.6-terra-xhigh a obtenu un score Elo de 1487 sur LMArena, surpassant les concurrents d'Anthropic et de Google DeepMind. Sur LiveBench, il a obtenu 92,4 % sur les tâches de codage et 88,1 % sur les tâches de raisonnement. Dans le benchmark HumanEval-plus, il a résolu 96,2 % des problèmes, une amélioration significative par rapport à son prédécesseur, gpt-5.5, qui a obtenu 91,8 %.
Le modèle a également démontré de solides performances sur les tâches à contexte long, gérant des séquences allant jusqu'à 2 millions de jetons avec une précision de récupération de 98,7 % sur le benchmark RULER. Son harnais d'exécution de code a réduit les erreurs d'exécution de 34 % par rapport aux versions précédentes.
Déploiement et cas d'utilisation
La variante codex-harness est déployée via l'API d'OpenAI, avec des points de terminaison optimisés pour une faible latence. Elle est utilisée dans les intégrations CodeWhisperer d'Amazon Web Services et les DevOps d'Microsoft Azure. Les développeurs l'emploient pour la correction automatisée de bogues, la génération de tests et le refactoring. La capacité du modèle à gérer des flux de travail en plusieurs étapes l'a rendu populaire dans les applications d'IA générative pour l'ingénierie logicielle.
En octobre 2026, OpenAI a rapporté que le modèle alimentait plus de 40 % des complétions de code sur des plateformes majeures comme GitHub Copilot, qui l'a adopté comme option de backend. Le harnais prend en charge la recherche en faisceau et l'échantillonnage top-p pour le décodage, avec une température par défaut de 0,2 pour les tâches de code.
Limites et sécurité
Malgré ses performances, le modèle présente des hallucinations occasionnelles dans des langages de programmation rares et peine avec les bases de code héritées. OpenAI a mis en œuvre l'élagage de modèle pour réduire l'empreinte mémoire, mais cela peut dégrader les performances sur des tâches de niche. Les évaluations de sécurité menées par Bhabha Atomic Research Centre et Samsung Research ont signalé une utilisation abusive potentielle dans la génération de code d'exploitation, conduisant à un accès restreint pour certaines clés API.
Les données d'entraînement du modèle incluent du contenu provenant de référentiels publics, qui peut contenir des exemples biaisés ou non sécurisés. OpenAI utilise l'augmentation de données et le filtrage pour atténuer ces problèmes, mais des risques résiduels subsistent. En novembre 2026, aucun incident de sécurité majeur n'a été signalé.
Orientations futures
OpenAI prévoit de publier une variante plus petite, gpt-5.6-terra-high, pour les appareils de périphérie, avec un objectif de 70 milliards de paramètres. La recherche sur les modifications de réseau résiduel et les fonctions de perte est en cours pour améliorer l'efficacité des échantillons. L'équipe, dirigée par Jakob Uszkoreit et Lukasz Kaiser, explore également l'apprentissage par programme pour améliorer le raisonnement en plusieurs étapes.
Des concurrents comme Anthropic et Google DeepMind devraient publier des modèles rivaux début 2027, ce qui pourrait remettre en cause la domination du modèle dans les classements. Selon la dernière version, gpt-5.6-terra-xhigh reste le modèle le mieux classé sur LMArena et LiveBench.