# GPT-5.6 Sol

> Fiche du modèle de langage GPT-5.6 Sol sur Quelle IA, édition du 28 septembre 2026. GPT-5.6 Sol (OpenAI) : score IA de 93,9, 8e sur 246. Scores par tâche, prix, exécution locale et liens pour le télécharger ou l'essayer.

Page : https://quelleia.com/modeles/gpt-5-6-sol/
Origine : OpenAI · États-Unis · sorti le 9 juillet 2026

## Score général

- Score IA : 93,9 (marge à 90 % : de 92,5 à 95,2)
- Rang : 8 (Groupe 3, ex æquo)
- Couverture : 100 % du poids des tâches, 49 mesures
- Échelle : 100 pour le meilleur modèle au lancement du site, 50 pour GPT-4o de novembre 2024.

## Scores par tâche

| Tâche | Score | Détail |
| --- | --- | --- |
| Raisonnement | 96,2 | Rang 3 · 89 % |
| Code | 91,3 | Rang 10 · 77 % |
| Agents | 93,6 | Rang 5 · 67 % |
| Usage | 91,8 | Rang 7 · 100 % |
| Maths | 96,0 | Rang 7 · 75 % |
| Sciences | 97,0 | Rang 1 · 80 % |
| Français | 94,1 | Rang 6 · 75 % |
| Vision | 94,9 | Rang 4 · 100 % |
| Écriture | 93,1 | Rang 8 · 100 % |
| Web | 92,6 | Rang 15 · 100 % |

## Artificial Analysis (hors du score)

Artificial Analysis évalue les modèles de son côté et publie son propre indice, l'Artificial Analysis Intelligence Index v4.3. C'est un autre indice, qui ne compte pas dans le score IA de Quelle IA et ne se compare pas directement à lui.

| Version évaluée | Indice v4.3 | Rang chez eux | Vitesse | Premier jeton | Prix par million de jetons (entrée / sortie) |
| --- | --- | --- | --- | --- | --- |
| [GPT-5.6 Sol (Max)](https://artificialanalysis.ai/models/gpt-5-6-sol) | 47,0 | 26e sur 193 | 79,6 jetons/s | 116,2 s | 4 $ / 20 $ |
| [GPT-5.6 Sol (Xhigh)](https://artificialanalysis.ai/models/gpt-5-6-sol-xhigh) | 44,0 | 40e sur 193 | 77,1 jetons/s | 46,1 s | 4 $ / 20 $ |
| [GPT-5.6 Sol (High)](https://artificialanalysis.ai/models/gpt-5-6-sol-high) | 42,4 | 45e sur 193 | 75,3 jetons/s | 14,9 s | 4 $ / 20 $ |
| [GPT-5.6 Sol (Medium)](https://artificialanalysis.ai/models/gpt-5-6-sol-medium) | 39,2 | 61e sur 193 | 69,8 jetons/s | 7,15 s | 4 $ / 20 $ |
| [GPT-5.6 Sol (Low)](https://artificialanalysis.ai/models/gpt-5-6-sol-low) | 33,5 | 87e sur 193 | 69,2 jetons/s | 2,39 s | 4 $ / 20 $ |
| [GPT-5.6 Sol (Non-reasoning)](https://artificialanalysis.ai/models/gpt-5-6-sol-non-reasoning) | 28,3 (estimé) | hors classement | 65,7 jetons/s | 1,08 s | 4 $ / 20 $ |

Médianes de leurs mesures : vitesse en jetons produits par seconde, délai avant le premier jeton en secondes. Prix en dollars par million de jetons, en entrée puis en sortie. Rang parmi les 193 modèles que leur indice classe ; un indice qu'ils estiment reste hors de ce classement. Relevé le 1er octobre 2026 sur leur site, reproduit avec leur accord.

Source : Artificial Analysis, https://artificialanalysis.ai/models/gpt-5-6-sol

## Exécution locale

Non. GPT-5.6 Sol est un modèle fermé : il s'utilise en ligne, par l'application de son éditeur ou par API.

## Fiche technique

- Prix : 3,51 € / 17,6 € (entrée / sortie, par million de jetons)
- Fenêtre de contexte : 1 050 000 jetons (environ 788 000 mots)
- Entrées : Texte, image, PDF
- Réflexion : Sans, faible, moyenne, élevée, très élevée, maximale (six niveaux réglables)
- Paramètres : Non communiqué
- Licence : Propriétaire (poids fermés, accès par l'éditeur)
- Classe énergétique : Non communiquée
- Hébergement en Europe : Non communiqué
- Connaissances jusqu'à : Février 2026

## Où le trouver

- Par API : [OpenRouter](https://openrouter.ai/openai/gpt-5.6-sol)
- Par API : [API OpenAI](https://platform.openai.com/docs)
- L'essayer : [ChatGPT](https://chatgpt.com)

## Dans les outils de code

- Disponible dans : [Cursor](https://quelleia.com/outils/#cursor) (inclus), [GitHub Copilot](https://quelleia.com/outils/#github-copilot) (offres payantes), [Devin Desktop (ex-Windsurf)](https://quelleia.com/outils/#devin-desktop) (à l'usage), [Codex](https://quelleia.com/outils/#codex), [Zed](https://quelleia.com/outils/#zed) (inclus), [Kiro](https://quelleia.com/outils/#kiro) (offres payantes), [OpenCode](https://quelleia.com/outils/#opencode) (à l'usage), [Droid (Factory)](https://quelleia.com/outils/#factory-droid), [Augment Code](https://quelleia.com/outils/#augment), [Warp](https://quelleia.com/outils/#warp)
- Utilisé par : [Amp](https://quelleia.com/outils/#amp)
- Mesuré dans : [Codex](https://quelleia.com/outils/#codex)
- Relevé du 30 septembre 2026 sur la page publique de chaque outil. Un modèle proposé par un outil figure dans la liste que son éditeur publie. Rien n'y est mesuré.

## Mesures

| Benchmark | Tâche | Publié | Niveau suggéré | État | Source |
| --- | --- | --- | --- | --- | --- |
| OTIS Mock AIME 2024-2025 | Maths | 100 % | 93,8 | saturé | https://epoch.ai/benchmarks |
| ARC-AGI-1 | Raisonnement | 97,5 % | 95,5 | saturé | https://arcprize.org/leaderboard |
| ARC-AGI-1 | Raisonnement | 97,5 % | 95,5 | saturé | https://arcprize.org/leaderboard |
| ARC-AGI-1 | Raisonnement | 97 % | 94,4 | saturé | https://arcprize.org/leaderboard |
| EuroEval, Allociné (sentiment) | Français | 96,7 % | 78,7 | saturé | https://euroeval.com/leaderboards/Monolingual/french/ |
| ARC-AGI-1 | Raisonnement | 96,5 % | 93,5 | saturé | https://arcprize.org/leaderboard |
| OTIS Mock AIME 2024-2025 | Maths | 95,6 % | 83,3 | saturé | https://epoch.ai/benchmarks |
| DTBench | Raisonnement | 96 % | 99,5 | saturé | https://conceptualreasoning.ai/dtbench |
| Surface Evolver Bench | Sciences | 93,1 % | 103,2 | saturé | https://yhenon.github.io/surface-evolver-llm-eval/ |
| DTBench | Raisonnement | 95,7 % | 98,5 | saturé | https://conceptualreasoning.ai/dtbench |
| ARC-AGI-2 | Raisonnement | 92,5 % | 96,1 | saturé | https://epoch.ai/benchmarks |
| ARC-AGI-1 | Raisonnement | 92,5 % | 88,8 | saturé | https://arcprize.org/leaderboard |
| DTBench | Raisonnement | 95,5 % | 97,6 | saturé | https://conceptualreasoning.ai/dtbench |
| DTBench | Raisonnement | 95,5 % | 97,6 | saturé | https://conceptualreasoning.ai/dtbench |
| DTBench | Raisonnement | 95,2 % | 96,7 | saturé | https://conceptualreasoning.ai/dtbench |
| GPQA Diamond | Sciences | 93,5 % | 88,4 | actif | https://epoch.ai/benchmarks |
| ARC-AGI-2 | Raisonnement | 90 % | 94,8 | saturé | https://epoch.ai/benchmarks |
| ARC-AGI-2 | Raisonnement | 90 % | 94,8 | saturé | https://epoch.ai/benchmarks |
| DTBench | Raisonnement | 93,9 % | 92,9 | saturé | https://conceptualreasoning.ai/dtbench |
| WeirdML (v2) | Code | 89,4 % | 110,7 | actif | https://htihle.github.io/weirdml.html |
| FrontierMath, paliers 1 à 3 (v2) | Maths | 89,1 % | 97,8 | actif | https://epoch.ai/benchmarks |
| WeirdML (v2) | Code | 88,8 % | 109,5 | actif | https://htihle.github.io/weirdml.html |
| WeirdML (v2) | Code | 87 % | 106,7 | actif | https://htihle.github.io/weirdml.html |
| GPQA Diamond | Sciences | 89,9 % | 82,6 | actif | https://epoch.ai/benchmarks |
| ARC-AGI-2 | Raisonnement | 85,4 % | 92,9 | saturé | https://epoch.ai/benchmarks |
| EuroEval, INCLUDE (connaissances) | Français | 84,1 % | 101,3 | actif | https://euroeval.com/leaderboards/Monolingual/french/ |
| EuroEval, MultiLoKo (connaissances locales) | Français | 83,3 % | 107,6 | actif | https://euroeval.com/leaderboards/Monolingual/french/ |
| ProofBench | Maths | 83 % | 94,1 | saturé | https://www.vals.ai/benchmarks/proof_bench |
| FrontierMath, palier 4 (v2) | Maths | 82,9 % | 97,1 | saturé | https://epoch.ai/benchmarks |
| EuroEval, HellaSwag (bon sens) | Français | 80,9 % | 85,2 | actif | https://euroeval.com/leaderboards/Monolingual/french/ |
| FrontierMath, palier 4 (v2) | Maths | 80,5 % | 96,4 | saturé | https://epoch.ai/benchmarks |
| EuroEval, ELTeC (noms propres) | Français | 80,4 % | 123,3 | actif | https://euroeval.com/leaderboards/Monolingual/french/ |
| GPQA Diamond | Sciences | 82,8 % | 75,1 | actif | https://epoch.ai/benchmarks |
| ARC-AGI-1 | Raisonnement | 74,5 % | 80,3 | saturé | https://arcprize.org/leaderboard |
| Code Arena, WebDev | Web | 1 619,3 Elo | 92,2 | actif | https://arena.ai/leaderboard |
| DTBench | Raisonnement | 83,7 % | 76,1 | saturé | https://conceptualreasoning.ai/dtbench |
| DeepSWE | Code | 72,7 % | 94,0 | actif | https://deepswe.datacurve.ai/ |
| DeepSWE | Code | 70,7 % | 93,2 | actif | https://deepswe.datacurve.ai/ |
| SimpleQA Verified | Données | 69,7 % | 100,9 | actif | https://epoch.ai/benchmarks |
| LMCA | Raisonnement | 59,21 | 95,9 | actif | https://conceptualreasoning.ai/lmca |
| DeepSWE | Code | 69,4 % | 92,7 | actif | https://deepswe.datacurve.ai/ |
| OTIS Mock AIME 2024-2025 | Maths | 68,9 % | 67,8 | saturé | https://epoch.ai/benchmarks |
| LMCA | Raisonnement | 58,49 | 95,2 | actif | https://conceptualreasoning.ai/lmca |
| LMCA | Raisonnement | 58,43 | 95,2 | actif | https://conceptualreasoning.ai/lmca |
| EuroEval, FQuAD (compréhension) | Français | 67,8 % | 58,1 | actif | https://euroeval.com/leaderboards/Monolingual/french/ |
| ARC-AGI-2 | Raisonnement | 67,1 % | 88,2 | saturé | https://epoch.ai/benchmarks |
| LMCA | Raisonnement | 56,94 | 93,8 | actif | https://conceptualreasoning.ai/lmca |
| LMCA | Raisonnement | 56,4 | 93,3 | actif | https://conceptualreasoning.ai/lmca |
| SimpleBench | Raisonnement | 71,7 % | 91,5 | actif | https://lmcouncil.ai/benchmarks |
| SimpleBench | Raisonnement | 71,7 % | 91,5 | actif | https://epoch.ai/benchmarks |
| LMCA | Raisonnement | 55,89 | 92,9 | actif | https://conceptualreasoning.ai/lmca |
| Arena, questions d'experts | Sciences | 1 534,5 Elo | 91,9 | actif | https://arena.ai/leaderboard |
| Arena, écriture créative | Écriture | 1 468,9 Elo | 92,1 | actif | https://arena.ai/leaderboard |
| Arena, questions de maths | Maths | 1 493,1 Elo | 88,6 | actif | https://arena.ai/leaderboard |
| Arena, questions de code | Code | 1 533,7 Elo | 88,9 | actif | https://arena.ai/leaderboard |
| Chess Puzzles | Raisonnement | 64 % | 99,6 | actif | https://epoch.ai/benchmarks |
| LMCA | Raisonnement | 52,75 | 90,2 | actif | https://conceptualreasoning.ai/lmca |
| Arena, questions en français | Français | 1 509,1 Elo | 88,7 | actif | https://arena.ai/leaderboard |
| Arena, texte | Usage | 1 483,8 Elo | 88,8 | actif | https://arena.ai/leaderboard |
| DeepSWE | Code | 61,1 % | 89,9 | actif | https://deepswe.datacurve.ai/ |
| BALROG | Agents | 60 % | 96,0 | actif | https://balrogai.com/ |
| Arena, vision | Vision | 1 286,8 Elo | 89,7 | actif | https://arena.ai/leaderboard |
| SimpleBench | Raisonnement | 64,8 % | 86,6 | actif | https://epoch.ai/benchmarks |
| SimpleBench | Raisonnement | 64,8 % | 86,6 | actif | https://lmcouncil.ai/benchmarks |
| SciCode | Code | 57,1 % | 91,6 | actif | https://artificialanalysis.ai/evaluations/scicode |
| SciCode | Code | 56,9 % | 91,4 | actif | https://artificialanalysis.ai/evaluations/scicode |
| SciCode | Code | 56,5 % | 90,9 | actif | https://artificialanalysis.ai/evaluations/scicode |
| SciCode | Code | 56 % | 90,3 | actif | https://artificialanalysis.ai/evaluations/scicode |
| SciCode | Code | 55,4 % | 89,6 | actif | https://artificialanalysis.ai/evaluations/scicode |
| Mystery Game Puzzles | Raisonnement | 58 % | 95,8 | actif | https://epoch.ai/benchmarks |
| Chess Puzzles | Raisonnement | 55 % | 95,6 | actif | https://epoch.ai/benchmarks |
| Vending-Bench 2 | Agents | 9 619 $ | 90,2 | actif | https://epoch.ai/benchmarks |
| GBAEval | Code | 52,6 % | 90,3 | actif | https://gbaeval.com/model/codex-gpt-5-6-sol |
| APEX-Agents | Agents | 51,4 % | 88,6 | actif | https://epoch.ai/benchmarks |
| FrontierCode | Code | 47,5 % | 93,6 | actif | https://cognition.com/frontiercode |
| SciCode | Code | 47,1 % | 79,8 | actif | https://artificialanalysis.ai/evaluations/scicode |
| DeepSWE | Code | 45,4 % | 85,1 | actif | https://deepswe.datacurve.ai/ |
| EuroEval, ScaLA (grammaire) | Français | 45,4 % | 57,1 | actif | https://euroeval.com/leaderboards/Monolingual/french/ |
| EBR-bench (Earthborne Rangers) | Agents | 44,8 % | 94,2 | actif | https://epoch.ai/benchmarks |
| ARC-AGI-2 | Raisonnement | 42,5 % | 83,7 | saturé | https://epoch.ai/benchmarks |
| CursorBench | Code | 41,7 % | 90,8 | actif | https://cursor.com/cursorbench |
| Furniture Assembly | Vision | 56,7 % | 95,0 | actif | https://epoch.ai/benchmarks |
| CursorBench | Code | 37,7 % | 88,0 | actif | https://cursor.com/cursorbench |
| EuroEval, OrangeSum (résumé) | Français | 37,3 % | 58,2 | actif | https://euroeval.com/leaderboards/Monolingual/french/ |
| EnigmaEval | Raisonnement | 37,1 % | 95,7 | actif | https://labs.scale.com/leaderboard/enigma_eval |
| PostTrainBench | Agents | 36,2 % | 95,1 | actif | https://epoch.ai/benchmarks |
| CursorBench | Code | 35,7 % | 86,6 | actif | https://cursor.com/cursorbench |
| Blueprint-Bench 2 | Vision | 33,6 % | 93,1 | actif | https://andonlabs.com/evals/blueprint-bench-2 |
| CritPt | Sciences | 32,3 % | 96,4 | actif | https://epoch.ai/benchmarks |
| FrontierSWE | Code | 32,2 % | 91,7 | actif | https://www.frontierswe.com/ |
| CursorBench | Code | 31,1 % | 83,2 | actif | https://cursor.com/cursorbench |
| GDP.pdf | Données | 30,7 % | 97,1 | actif | https://surgehq.ai/benchmarks/gdp-pdf |
| GDP.pdf | Données | 30,7 % | 97,1 | actif | https://surgehq.ai/benchmarks/gdp-pdf |
| CritPt | Sciences | 28,6 % | 94,8 | actif | https://epoch.ai/benchmarks |
| OSWorld 2.0 | Agents | 27,3 % | 94,3 | actif | https://osworld-v2.xlang.ai/ |
| Mystery Game Puzzles | Raisonnement | 33 % | 88,3 | actif | https://epoch.ai/benchmarks |
| CritPt | Sciences | 25,7 % | 93,4 | actif | https://epoch.ai/benchmarks |
| CursorBench | Code | 24,6 % | 77,9 | actif | https://cursor.com/cursorbench |
| Chess Puzzles | Raisonnement | 27 % | 82,3 | actif | https://epoch.ai/benchmarks |
| CritPt | Sciences | 22,9 % | 92,0 | actif | https://epoch.ai/benchmarks |
| MirrorCode | Code | 20 % | 89,8 | actif | https://epoch.ai/benchmarks |
| Mystery Game Puzzles | Raisonnement | 26 % | 85,5 | actif | https://epoch.ai/benchmarks |
| WeirdML v3 | Code | 15 % | 93,7 | actif | https://htihle.github.io/weirdml.html |
| CritPt | Sciences | 14,9 % | 87,2 | actif | https://epoch.ai/benchmarks |
| CritPt | Sciences | 5,1 % | 76,5 | actif | https://epoch.ai/benchmarks |
| Chess Puzzles | Raisonnement | 7 % | 55,5 | actif | https://epoch.ai/benchmarks |
| FrontierMath Erdős | Maths | 0 % | 99,6 | actif | https://epoch.ai/benchmarks |

## En bref

**Quel est le score de GPT-5.6 Sol ?** GPT-5.6 Sol obtient un score IA de 93,9, avec une marge de 92,5 à 95,2, dans l'édition du 28 septembre 2026. Il est classé 8e sur 246 modèles, à partir de 49 mesures.

**Dans quelles tâches GPT-5.6 Sol est-il le plus fort ?** Ses deux meilleures tâches sont sciences (97,0) et raisonnement (96,2). Sa tâche la plus faible est code (91,3).

**GPT-5.6 Sol peut-il tourner en local ?** Non. GPT-5.6 Sol est un modèle fermé : il s'utilise en ligne, par l'application de son éditeur ou par API.

**Combien coûte GPT-5.6 Sol ?** 3,51 € par million de jetons en entrée et 17,6 € en sortie, au tarif affiché par les fournisseurs. Le coût réel d'une tâche dépend du nombre de jetons que le modèle consomme.

**Qui édite GPT-5.6 Sol ?** GPT-5.6 Sol est édité par OpenAI (États-Unis), et il est sorti le 9 juillet 2026. C'est un modèle fermé.

Source : Quelle IA, édition du 28 septembre 2026. https://quelleia.com