GPT-5

GPT-5 a généré le premier commit d'un dépôt vide chez OpenAI, exécuté via Codex CLI et guidé par des templates. Ce dépôt est devenu, sur cinq mois, un produit bêta interne d'environ un million de lignes sans une seule ligne écrite à la main : trois ingénieurs, puis sept, dont les agents Codex ont ouvert, évalué et fusionné environ 1500 pull requests, soit une moyenne de 3,5 par ingénieur et par jour. Le compte rendu d'OpenAI sur ce travail situe la limite hors du modèle. Le goulot d'étranglement de la performance des agents tient généralement à la conception de l'environnement (règles de la couche de dépendances, linters personnalisés, documents d'architecture versionnés) plutôt qu'à l'intelligence du modèle qui le pilote.

Les mesures indiquent l'inverse. L'évaluation par paires de prompts d'Anthropic, 1350 paires de prompts sur 150 sujets, note GPT-5 à 89% en matière d'équilibre politique, derrière Gemini 2.5 Pro (97%), Grok 4 (96%), Claude Opus 4.1 (95%) et Claude Sonnet 4.5 (94%), devant Llama 4 (66%). GPT-5 se trouvait des deux côtés de cette étude : Anthropic s'en est servi pour vérifier son propre évaluateur, et ses scores concordaient avec ceux de Claude Sonnet 4.5 sur 92% des paires échantillonnées, corrélation de 0,86.

Dans le Magentic Marketplace de Microsoft, 100 clients simulés face à 300 entreprises, GPT-5 et Gemini 2.5 Flash faisaient exception au schéma général des agents se contentant d'une poignée de vendeurs. Face à six stratégies de manipulation, seul Claude Sonnet 4 a résisté à toutes les tentatives. L'évaluation de GPT-5 par METR : risque catastrophique faible, tendances préoccupantes.