GPT-6.1 Terra mise sur le raisonnement visuel et l'usage de l'ordinateur

OpenAI sort GPT-6.1 Terra, un modèle rapide et efficient qui associe raisonnement visuel détaillé et usage précis de l’ordinateur à une écriture plus claire et naturelle ². L’annonce le positionne comme un progrès significatif sur GPT-5.6 Terra sur les tâches de communication et d’ordinateur qui remplissent la journée de travail, de la rédaction de propositions à l’interprétation de dessins techniques, en passant par le remplissage de formulaires et le montage vidéo ².

Simon Willison note que Terra occupe la même position que Sonnet dans la collection Anthropic : ni le moins cher ni le plus cher, ce qui complique le choix de quand l’utiliser ². Il cite l’usage de l’ordinateur comme exemple de tâche qui profite d’un modèle moins cher, puisqu’on peut le lancer sur des tâches automatisées et répétitives ².

Ubicloud indique avoir maintenu son propre fork de vLLM pour atteindre 100 % de précision de schéma d’appels d’outils avec Kimi et DeepSeek ¹⁶. vLLM 0.31 ajoute le décodage contraint, une technique qui garantit le respect du schéma, et l’activer suffit pour atteindre 100 % de précision avec les modèles Kimi et DeepSeek récents ¹⁶.

Avec Kimi K2.6 servi sur vLLM 0.28, le schéma d’appel attendu n’était produit que 92 % du temps, soit 2 appels sur 25 en échec ¹⁶. L’auteur du billet relève que les appels d’outils imprécis font s’accumuler un contexte incohérent, ce qui dégrade les résultats des charges agentiques multi-tours ¹⁶.

MLE-World est un world model affiné depuis Qwen3.5-4B qui prédit la sortie terminale d’un programme (traces d’erreur, logs d’entraînement, scores de validation) à partir de son code et de la description des données, sans l’exécuter, avec un score de confiance sur l’exactitude de la prédiction ¹⁴. Une prédiction coûte un appel d’inférence au lieu d’un entraînement, ce qui rend le test-time scaling abordable pour les agents de recherche ¹⁴.

Cinq politiques de TTS guidées par MLE-World comparent plusieurs candidats par étape sur leurs sorties prédites : révision séquentielle, Best-of-N, jugement par paires, fusion, et une règle de type UCB ajoutant un bonus d’exploration issu du score de confiance ¹⁴.

VibeVideoBench évalue les agents multimodaux qui écrivent du code pour rendre chaque image et synthétiser chaque son, une route alternative aux modèles de diffusion vidéo qui ne rendent pas de façon fiable une formule exacte, un graphique correct, un jeu cohérent avec ses règles ou une narration synchronisée à l’écran ¹¹. Le benchmark compte 239 tâches autonomes en anglais et en chinois réparties en 12 catégories, du récit de données au cours en classe, chaque agent tournant dans son harnais natif en sandbox sans modèle de génération d’image ou de vidéo et devant livrer un MP4 avec son en une heure ¹¹.

L’évaluation est hiérarchique et fondée sur des preuves : contrôles programmatiques de la spécification de livraison, environ 13 000 vérifications de rubrique spécifiques aux tâches tracées aux exigences qu’elles appliquent, et cinq dimensions de qualité notées par trois panels de juges VLM ¹¹. Les meilleurs systèmes satisfont les exigences de base sur la plupart des tâches mais échouent fréquemment sur une mauvaise gestion du temps ¹¹.