Les 3 articles les plus chauds de la veille du 18 novembre 2026. 🔥

🔥 Top 3

1. GPT‑6.2 Astra and GPT‑6.2 Sol

Deux modèles le même jour, et une baisse de prix qui en dit long. OpenAI sort GPT‑6.2 Astra pour les tâches lourdes et GPT‑6.2 Sol pour le quotidien, tous deux accessibles via l’API sous les noms gpt-6.2-astra et gpt-6.2-sol.

Le chiffre qui compte : Astra coûte 8 dollars par million de tokens en entrée et 40 en sortie, contre 10 et 50 pour la version précédente. La remise est encore plus nette sur le cache, à 0,40 dollar le million au lieu de 1. Sur des sessions d’agents qui tournent des heures, la facture change d’échelle. Sol reste à 2 et 10 dollars, comme son prédécesseur.

Côté performances, le tableau est moins flatteur. Simon Willison a testé les deux modèles sur son prompt fétiche : une animation Three.js où Yonkers se transforme en mécha géant et piétine Manhattan, Queens et Brooklyn à partir des données OpenStreetMap. Aucun des deux n’a réussi la métamorphose correctement, là où Claude Fable 5.2 et Gemini 4 Carbon y arrivent mieux. Astra traîne aussi des plaintes sur son style de communication.

L’exemple le plus parlant vient de Théo Browne, qui a envoyé ses retours à OpenAI avant la sortie. Sur une longue tâche, le modèle gère bien ses sous-agents, puis s’arrête pour poser une question absurde : faut-il nommer un fichier 24_g521.mp4 ou 24_p11.mp4 ? Deux heures sur un niveau d’Outer Wilds, bloquées sur un détail que personne ne peut trancher.

Des modèles moins chers, donc, mais qui demandent encore qu’on surveille leurs raisonnements.

🔗 Simon Willison


2. Higher-Scoring Coding Models Did Not Get More Work Done

Une interdiction d’exportation américaine a offert aux chercheurs le test le plus propre qu’on pouvait espérer sur la productivité des modèles de code. Le 12 juin 2026, l’accès à Claude Fable 5 a été coupé pendant 19 jours. Les utilisateurs sont revenus vers Opus 4.8, un modèle qui perd 11 points sur SWE-Bench Pro, un benchmark qui mesure la capacité à résoudre des tickets logiciels réels.

Même personnes, mêmes projets, seul le modèle change. L’équipe a suivi les pull requests (les propositions de modification de code) de 297 utilisateurs de Fable 5 avant, pendant et après la suspension, avec 8 908 développeurs restés sur Opus 4.8 comme groupe de contrôle. Modèle statistique en double différence, effets fixes par développeur et par date.

Résultat : accéder à Fable 5 a fait grimper le taux de fusion à 7 jours de 1,4 point de pourcentage [-1,4 ; +4,3]. Pas significatif. Le nombre de pull requests fusionnées par semaine ? +2,4 %, avec un intervalle qui traverse zéro.

Les chercheurs ont aussi comparé cinq montées de version de modèles en 2026, sur 1 208 développeurs et 15 442 pull requests. Moyenne pondérée : -0,9 point. Les cinq estimations sont négatives. Aucune différence significative entre elles.

Autrement dit, les benchmarks classent les modèles, mais ne prédisent pas le travail livré. Un écart de 11 points se traduit par un bruit statistique dans les commits. Soit les développeurs compensent, soit la mesure du benchmark capte autre chose que la valeur en production.

Reste une question gênante pour les équipes qui achètent des licences : sur quoi signez-vous, si le chiffre en haut de la fiche produit ne dit rien du débit de livraison ?

🔗 arXiv


3. External sandboxes for coding agents

Un agent de code qui se trompe peut formater un disque. C’est le problème que Simon Willison a décidé de contourner, avec le labo Prime Radiant, en publiant trois serveurs de sandbox externe en accès libre.

Le principe est simple à énoncer et plus subtil à mettre en oeuvre : le code produit par l’agent s’exécute dans un bac à sable dédié, mais l’agent lui-même reste à l’extérieur. Il envoie des appels API vers le sandbox au lieu d’agir directement sur la machine. Trois implémentations sont fournies : la première fait tourner Alpine Linux dans du WebAssembly via v86, la deuxième utilise une instance Apple Containers, la troisième s’appuie sur Quicksand, la bibliothèque de Microsoft qui emballe QEMU et Alpine dans un paquet Python. Les trois exposent la même API locale, donc on branche Pi, Claude Code ou Codex dessus sans changer grand-chose.

Deux détails font la différence. Un proxy avec liste blanche HTTP/HTTPS filtre les hôtes que le code a le droit de contacter. Et un mécanisme de remplacement d’identifiants permet de lancer des appels authentifiés sans jamais donner le secret à l’agent. De quoi tester des modèles locaux sans craindre qu’une injection de prompt transforme une expérimentation en incident.

Reste une question que personne n’a tranchée : un sandbox qui parle à l’extérieur garde une surface d’attaque, et la liste blanche ne vaut que ce que valent les hôtes qu’on y met.

🔗 Simon Willison


📦 Le reste de la veille

… et 58 autres articles consultés.