- ▸ OpenAI sépare la vision de GPT-5.6 en trois modèles distincts
- ▸ 73 % contre 64,5 % : Sol reprend huit points et demi à la 5.5
- ▸ Détection, similarité, OCR : le tableau qui explique le classement
- ▸ La détection de mise en page progresse plus vite que la lecture de texte
Sol, le plus performant des trois modèles de vision de GPT-5.6, atteint 73,0 % au banc d’essai mené par Roboflow, contre 64,5 % à la génération précédente. Le gain se concentre sur la détection d’objets, qui triple, pendant que l’extraction de texte recule de plusieurs points. Nous décomposons le résultat métrique par métrique.
L’essentiel 1. Sol obtient 73,0 % au score global du benchmark vision de Roboflow, soit 8,5 points de plus que GPT-5.5 (64,5 %) et devant ses deux jumeaux Terra (67,6 %) et Luna (environ 66 %). 2. La détection d’objets passe de 13,8 à 46,2 en mAP@50 entre 5.5 et Sol : le score localisation est multiplié par 3,3, de loin le poste de progression le plus net. 3. Sur la similarité moyenne, Sol plafonne à 90,7 %, soit 0,5 point sous GPT-5.5 (91,2 %) : la reconnaissance brute n’a pas bougé, elle a légèrement reculé. 4. Sur l’extraction de texte, Sol tombe à 82,5 % contre environ 87 % pour la 5.5, et se fait même dépasser par Luna (81,4 % pour la place suivante) sur ce poste précis. 5. Le titre de « meilleur modèle de vision » se joue sur la localisation d’objets et la détection de mise en page, pas sur l’OCR ni sur la ressemblance sémantique.
OpenAI sépare la vision de GPT-5.6 en trois modèles distincts
La gamme GPT-5.6 n’arrive pas comme un modèle unique mais comme un trio : Sol, Terra et Luna. Trois moteurs déclinés d’une même génération, testés côte à côte sur les mêmes tâches visuelles. Cette segmentation change la façon de lire les résultats : on ne compare plus seulement une version N à une version N-1, on compare aussi trois variantes entre elles.
Le banc d’essai retenu par Roboflow, publié le 16 juillet 2026, couvre quatre familles de tâches : la détection d’objets, le comptage, la reconnaissance de caractères (OCR) et l’extraction de données structurées. Autrement dit, tout ce qui va de « où se trouve cet objet dans l’image » à « recopie-moi le contenu de ce tableau ». C’est un périmètre volontairement documentaire et opérationnel, pas une simple mesure de culture visuelle générale.
Sol y ressort en tête du classement agrégé. Mais le détail des sous-scores raconte une histoire plus nuancée que le titre promotionnel, et c’est cette histoire qui mérite qu’on s’y arrête.
73 % contre 64,5 % : Sol reprend huit points et demi à la 5.5
Le chiffre qui structure l’annonce est le score global : 73,0 % pour Sol, mesuré par Roboflow, contre 64,5 % pour GPT-5.5. Huit points et demi d’écart entre deux générations successives, c’est un intervalle large à ce stade de maturité des modèles de langage visuel — la plupart des sauts génération sur génération se comptent désormais en fractions de point sur les benchmarks saturés.
Les deux autres modèles de la gamme restent en retrait. Terra atteint 67,6 %, Luna se situe autour de 66 %. L’ordre interne est donc net : Sol domine, Terra suit à un peu plus de cinq points, Luna ferme la marche. Aucun des trois ne fait jeu égal avec Sol sur le score composite, ce qui justifie qu’OpenAI le présente comme la tête de série visuelle de la génération.
Un deuxième indicateur tempère l’enthousiasme. Sur la similarité moyenne — la mesure de ressemblance entre la réponse du modèle et la référence attendue —, Sol obtient 90,7 %. C’est 0,5 point en dessous de GPT-5.5, créditée de 91,2 %. Terra et Luna suivent autour de 88 %. Sur cette métrique, la génération 5.6 n’améliore rien : elle stagne, voire régresse d’un cheveu par rapport à la précédente.
Notre lecture : la progression de Sol n’est pas uniforme. Elle est concentrée sur un type de tâche bien précis. Là où le modèle doit dire quoi, il fait à peine aussi bien qu’avant. Là où il doit dire où, il change de catégorie. Le reste de ce dossier consiste à mesurer cet écart.
Détection, similarité, OCR : le tableau qui explique le classement
Pour comprendre d’où vient l’avance de Sol, il faut décomposer le score global en ses postes. Le tableau ci-dessous rassemble les métriques disponibles à ce jour, telles que publiées par Roboflow. Les valeurs marquées « n.c. » n’ont pas été communiquées dans le détail par modèle.
| Tâche | GPT-5.5 | Sol | Terra | Luna |
|---|---|---|---|---|
| Score global du benchmark | 64,5 % | 73,0 % | 67,6 % | ~66 % |
| Similarité moyenne | 91,2 % | 90,7 % | ~88 % | ~88 % |
| Extraction de texte | ~87 % | 82,5 % | ~79 % | 81,4 % |
| Détection d’objets (mAP@50) | 13,8 | 46,2 | n.c. | n.c. |
Le poste qui fait basculer le classement saute aux yeux : la détection d’objets. GPT-5.5 y plafonnait à 13,8 en mAP@50 ; Sol atteint 46,2. Rappelons ce que mesure cet indicateur : le mAP@50, ou mean Average Precision à un seuil de recouvrement de 50 %, évalue la capacité du modèle à encadrer correctement les objets d’une image — la bonne boîte, au bon endroit, avec le bon libellé, tant qu’elle chevauche la vérité terrain à au moins 50 %. Un passage de 13,8 à 46,2, c’est un facteur 3,3. À l’échelle d’une seule génération, ce type de saut est rare.
Ce contraste éclaire le paradoxe des deux premières lignes du tableau. Sur la similarité moyenne et sur l’extraction de texte, Sol ne fait pas mieux que la 5.5 — il fait légèrement moins bien. Mais ces reculs de fraction de point sont plus que compensés, dans le score composite, par le bond de la localisation. Un modèle peut donc « perdre » sur deux métriques et « gagner » huit points et demi au total, simplement parce que la troisième métrique a triplé.
L’extraction de texte mérite un arrêt spécifique, car c’est là que l’écart joue contre Sol. Le modèle y obtient 82,5 %, contre environ 87 % pour GPT-5.5 : le décrochage atteint près de cinq points. Plus révélateur encore, Sol se fait doubler à l’intérieur même de la gamme sur ce poste — Luna capte 81,4 % pour la place suivante du classement d’extraction, et Terra suit autour de 79 %. Sur la lecture fine de caractères, la tête de série visuelle d’OpenAI n’est donc pas la mieux placée de sa propre génération.
Que retenir de cette dispersion ? Que la génération 5.6 n’a pas amélioré la vision « en général ». Elle a réparti ses gains de manière très inégale : massifs sur la localisation d’objets, nuls ou négatifs sur la reconnaissance de contenu textuel. Le titre de « meilleur modèle de vision » d’OpenAI tient debout au niveau agrégé, mais il repose sur une seule jambe.
La détection de mise en page progresse plus vite que la lecture de texte
Cette asymétrie n’est pas un accident statistique. Elle recoupe une distinction que les praticiens du traitement documentaire connaissent bien : localiser une zone dans une page et lire son contenu sont deux compétences séparées, qui ne progressent pas au même rythme.
Roboflow identifie la détection de mise en page — repérer les blocs, les colonnes, les tableaux, les figures d’un document — comme l’un des points forts les plus clairs de GPT-5.6. C’est cohérent avec le triplement du mAP@50 : encadrer une zone, c’est exactement l’exercice que le modèle a le plus progressé à réaliser. La bonne boîte au bon endroit, appliquée à une facture ou à un formulaire, revient à isoler « ici le total », « là les coordonnées du client », « ici le tableau des lignes ».
La lecture, elle, plafonne. Le recul de Sol à 82,5 % sur l’extraction de texte indique que transcrire fidèlement des caractères — chiffres serrés, polices basse résolution, écritures manuscrites — reste le maillon qui n’a pas suivi. Le modèle sait de mieux en mieux découper une page, sans lire pour autant son contenu de façon plus fiable.
Ce déséquilibre a une conséquence pratique directe. Beaucoup de chaînes de traitement documentaire commencent par localiser les parties pertinentes d’une page avant de lancer l’OCR ou l’extraction proprement dite. Un modèle qui excelle au découpage mais reste moyen à la lecture s’insère parfaitement en amont de cette chaîne : il pré-segmente, puis passe le relais à un moteur d’OCR spécialisé pour l’étape de transcription. Vouloir en faire un extracteur de bout en bout, en revanche, se heurte au plafond des 82,5 %.
Ce que 46,2 de mAP change pour les agents et le traitement documentaire
Un triplement du score de détection ne reste pas confiné au tableau de benchmark. Il déplace la frontière de ce qu’on peut confier à un modèle sans supervision humaine constante.
OpenAI met en avant deux cas d’usage pour cette génération : les agents d’interface (UI agents) et les visualisations 3D détaillées. Le lien avec la localisation d’objets est direct. Un agent qui pilote une interface doit repérer, sur une capture d’écran, où se trouve tel bouton, tel champ, tel menu — puis cliquer au bon pixel. C’est un problème de détection avant d’être un problème de raisonnement. Passer de 13,8 à 46,2 en mAP@50, c’est réduire d’autant le taux de clics à côté de la cible.
Pour le traitement documentaire, l’enchaînement est le même à un cran de distance. Repérer d’abord, transcrire ensuite : un modèle qui encadre correctement les régions d’un document divise le travail de l’OCR aval, qui n’a plus qu’à lire des zones propres au lieu de fouiller une page entière. Le gain se mesure moins en précision finale qu’en robustesse de la chaîne : moins de zones oubliées, moins de fragments hors sujet remontés au moteur de lecture.
Reste une limite que le score global masque. Un agent d’interface ou un pipeline documentaire ne tolère pas les mêmes marges d’erreur qu’un benchmark. À 46,2 de mAP@50, presque une localisation sur deux reste imparfaite au seuil de recouvrement retenu. Pour une démonstration, c’est spectaculaire. Pour une automatisation en production qui déclenche des actions irréversibles — valider un paiement, soumettre un formulaire —, cela impose encore une couche de vérification. Le modèle réduit la charge humaine ; il ne la supprime pas.
C’est le point où l’annonce commerciale et la réalité d’intégration divergent. « Meilleur modèle de vision » décrit une position relative sur un classement. La question opérationnelle n’est pas « lequel est premier », mais « à quel taux d’erreur puis-je lui déléguer telle tâche sans filet ». Sur ce terrain, 46,2 marque un progrès net sans franchir le seuil de l’autonomie complète.
Scènes denses : le point où le comptage d’objets déraille encore
GPT-5.6 se comporte bien, selon Roboflow, sur les scènes denses — ces images où de nombreux objets se chevauchent ou se serrent. C’est précisément le régime où les modèles de vision antérieurs s’effondraient. Mais le mécanisme même de fonctionnement d’un modèle de langage visuel y introduit une fragilité structurelle qu’aucun score global ne fait disparaître.
Le problème tient à la forme de la sortie. Un modèle de langage produit sa réponse mot après mot, token après token. Quand le nombre d’objets à détecter augmente, la réponse s’allonge mécaniquement : plus d’objets, plus de coordonnées à énumérer, plus de texte à générer. Or, à mesure que cette liste s’étire, le risque d’objets manqués, de doublons ou d’erreurs de coordonnées croît. Ce n’est pas une faiblesse de reconnaissance, c’est une conséquence du format génératif lui-même.
Concrètement, un modèle qui compte parfaitement cinq objets peut se tromper sur cinquante, non parce qu’il « voit » moins bien, mais parce que la sortie devient trop longue pour rester cohérente de bout en bout. La densité de la scène agit comme un multiplicateur d’incertitude. C’est la différence entre lire une étagère de dix livres et inventorier un entrepôt.
Cette limite pèse directement sur les cas d’usage industriels les plus attendus : inventaire visuel, contrôle qualité sur ligne de production, comptage de pièces ou de personnes. Ce sont exactement les scènes les plus denses, donc les plus exposées à l’allongement de la réponse. Le progrès de Sol sur la détection est réel ; il reste borné par la façon dont le modèle formule ce qu’il détecte.
Faut-il en conclure que le trio 5.6 marque un plafond ? Non — mais il indique où se déplace le prochain front. Tant que la sortie restera séquentielle, l’enjeu ne sera plus de mieux voir, mais de mieux structurer la restitution de ce qui est vu. La qualité de la vision et la fiabilité de son énoncé sont deux problèmes distincts, et c’est le second qui borne désormais l’usage.
Ce qu’il faut lire dans le classement de Sol
Sol domine le benchmark vision de GPT-5.6, c’est établi : 73,0 % contre 64,5 % pour la génération précédente, et devant Terra et Luna au sein de sa propre gamme. Mais ce classement agrégé récompense un profil très typé, pas un progrès général. La localisation d’objets triple ; la ressemblance sémantique stagne ; la lecture de texte recule. Un modèle « meilleur » sur le total peut être moins bon sur deux tiers de ses sous-tâches.
Pour une direction technique, la conséquence est opérationnelle avant d’être symbolique. Sol est un excellent segmenteur de page et un bon détecteur d’interface, à placer en amont d’un pipeline. Ce n’est pas, sur les chiffres publiés à ce jour, le meilleur transcripteur de texte de sa génération — Luna le devance sur ce poste précis. Choisir « le meilleur modèle de vision » sans regarder le sous-score correspondant à sa propre tâche revient à optimiser une moyenne qui ne décrit personne.
FAQ
GPT-5.6 Sol est-il meilleur que Gemini ou Claude en vision ?
Les données publiées par Roboflow comparent Sol, Terra et Luna entre eux et à GPT-5.5. Des tests face à d’autres familles de modèles sont évoqués, mais les métriques détaillées disponibles à ce jour portent sur cette comparaison interne. Sur la seule base des chiffres fournis, aucun classement chiffré face à Gemini ou Claude n’est établi.
Quelle est la principale faiblesse de Sol d’après ces résultats ?
L’extraction de texte. Sol y obtient 82,5 %, contre environ 87 % pour GPT-5.5, et se fait dépasser à l’intérieur de sa propre gamme : Luna atteint 81,4 % pour la place suivante du classement d’extraction. Sur la lecture fine de caractères, la tête de série visuelle d’OpenAI n’est ni au niveau de la génération précédente, ni la mieux placée des trois modèles 5.6.
Encadré méthode – Toutes les métriques citées proviennent du banc d’essai de Roboflow publié le 16 juillet 2026, seule source primaire disponible à ce jour sur ces mesures. – Les valeurs « environ » et « n.c. » signalent des sous-scores partiellement communiqués ; aucun chiffre n’a été extrapolé. – Le mAP@50 mesure la précision de localisation d’objets à un seuil de recouvrement de 50 % ; la « similarité moyenne » mesure la ressemblance entre réponse et référence.
Source citée – Roboflow, GPT 5.6 Sol is the best « vision » model OpenAI ever released, 16 juillet 2026 — blog.roboflow.com/openai-gpt-5-6
Pour prolonger : comment lire un benchmark de modèle multimodal sans se faire piéger par la moyenne, et OCR contre détection de mise en page : deux compétences que l’on confond trop souvent.
