# GPT-5.6 Terra

> Fiche du modèle de langage GPT-5.6 Terra sur Quelle IA, édition du 28 septembre 2026. GPT-5.6 Terra (OpenAI) : score IA de 92,0, 10e sur 246. Scores par tâche, prix, exécution locale et liens pour le télécharger ou l'essayer.

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

## Score général

- Score IA : 92,0 (marge à 90 % : de 90,3 à 93,8)
- Rang : 10 (Groupe 4, ex æquo)
- Couverture : 100 % du poids des tâches, 41 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 | 90,5 | Rang 13 · 78 % |
| Code | 91,8 | Rang 8 · 46 % |
| Agents | 91,0 | Provisoire · 33 % |
| Usage | 88,9 | Rang 18 · 100 % |
| Maths | 93,3 | Rang 9 · 62 % |
| Sciences | 94,4 | Rang 8 · 80 % |
| Français | 89,4 | Rang 10 · 100 % |
| Vision | 94,1 | Rang 5 · 100 % |
| Écriture | 87,9 | Rang 25 · 100 % |
| Web | 86,0 | Rang 38 · 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 Terra (Max)](https://artificialanalysis.ai/models/gpt-5-6-terra) | 42,1 | 48e sur 193 | 89,1 jetons/s | 185,5 s | 2 $ / 12 $ |
| [GPT-5.6 Terra (Xhigh)](https://artificialanalysis.ai/models/gpt-5-6-terra-xhigh) | 38,0 | 67e sur 193 | 79,7 jetons/s | 33,4 s | 2 $ / 12 $ |
| [GPT-5.6 Terra (High)](https://artificialanalysis.ai/models/gpt-5-6-terra-high) | 34,2 | 79e sur 193 | 72,3 jetons/s | 2,96 s | 2 $ / 12 $ |
| [GPT-5.6 Terra (Medium)](https://artificialanalysis.ai/models/gpt-5-6-terra-medium) | 30,1 | 95e sur 193 | 72,4 jetons/s | 2,01 s | 2 $ / 12 $ |
| [GPT-5.6 Terra (Low)](https://artificialanalysis.ai/models/gpt-5-6-terra-low) | 27,5 | 105e sur 193 | 73,4 jetons/s | 1,86 s | 2 $ / 12 $ |
| [GPT-5.6 Terra (Non-reasoning)](https://artificialanalysis.ai/models/gpt-5-6-terra-non-reasoning) | 20,8 | 135e sur 193 | 77,2 jetons/s | 0,81 s | 2 $ / 12 $ |

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. Relevé le 1er octobre 2026 sur leur site, reproduit avec leur accord.

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

## Exécution locale

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

## Fiche technique

- Prix : 2,17 € / 13,0 € (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 : E (sur une échelle de A à G)
- Hébergement en Europe : Possible
- Connaissances jusqu'à : Février 2026

## Où le trouver

- Par API : [OpenRouter](https://openrouter.ai/openai/gpt-5.6-terra)
- 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) (inclus), [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 | 99,7 % | 93,8 | saturé | https://epoch.ai/benchmarks |
| ARC-AGI-1 | Raisonnement | 96,5 % | 93,5 | saturé | https://arcprize.org/leaderboard |
| EuroEval, Allociné (sentiment) | Français | 95,1 % | 59,5 | saturé | https://euroeval.com/leaderboards/Monolingual/french/ |
| ARC-AGI-1 | Raisonnement | 94 % | 90,2 | saturé | https://arcprize.org/leaderboard |
| ARC-AGI-1 | Raisonnement | 94 % | 90,2 | saturé | https://arcprize.org/leaderboard |
| ARC-AGI-1 | Raisonnement | 92 % | 88,4 | saturé | https://arcprize.org/leaderboard |
| GPQA Diamond | Sciences | 93,3 % | 88,1 | actif | https://epoch.ai/benchmarks |
| DTBench | Raisonnement | 93,3 % | 91,6 | saturé | https://conceptualreasoning.ai/dtbench |
| OTIS Mock AIME 2024-2025 | Maths | 88,9 % | 76,6 | saturé | https://epoch.ai/benchmarks |
| DTBench | Raisonnement | 92,5 % | 89,8 | saturé | https://conceptualreasoning.ai/dtbench |
| FrontierMath, paliers 1 à 3 (v2) | Maths | 86 % | 95,6 | actif | https://epoch.ai/benchmarks |
| DTBench | Raisonnement | 91,2 % | 87,1 | saturé | https://conceptualreasoning.ai/dtbench |
| ARC-AGI-2 | Raisonnement | 83,9 % | 92,3 | saturé | https://epoch.ai/benchmarks |
| Surface Evolver Bench | Sciences | 83,8 % | 94,9 | saturé | https://yhenon.github.io/surface-evolver-llm-eval/ |
| DTBench | Raisonnement | 90,1 % | 85,2 | saturé | https://conceptualreasoning.ai/dtbench |
| DTBench | Raisonnement | 90,1 % | 85,2 | saturé | https://conceptualreasoning.ai/dtbench |
| GPQA Diamond | Sciences | 87,4 % | 79,6 | actif | https://epoch.ai/benchmarks |
| EuroEval, ELTeC (noms propres) | Français | 78,8 % | 115,6 | actif | https://euroeval.com/leaderboards/Monolingual/french/ |
| WeirdML (v2) | Code | 78,3 % | 96,3 | actif | https://htihle.github.io/weirdml.html |
| EuroEval, HellaSwag (bon sens) | Français | 77,9 % | 79,3 | actif | https://euroeval.com/leaderboards/Monolingual/french/ |
| ARC-AGI-1 | Raisonnement | 77 % | 81,1 | saturé | https://arcprize.org/leaderboard |
| EuroEval, INCLUDE (connaissances) | Français | 75,6 % | 81,8 | actif | https://euroeval.com/leaderboards/Monolingual/french/ |
| ARC-AGI-2 | Raisonnement | 74,2 % | 89,7 | saturé | https://epoch.ai/benchmarks |
| ARC-AGI-2 | Raisonnement | 74,2 % | 89,7 | saturé | https://epoch.ai/benchmarks |
| ProofBench | Maths | 74 % | 92,0 | saturé | https://www.vals.ai/benchmarks/proof_bench |
| FrontierMath, palier 4 (v2) | Maths | 70,7 % | 94,1 | saturé | https://epoch.ai/benchmarks |
| GPQA Diamond | Sciences | 77,3 % | 70,6 | actif | https://epoch.ai/benchmarks |
| DeepSWE | Code | 69,6 % | 92,8 | actif | https://deepswe.datacurve.ai/ |
| EuroEval, FQuAD (compréhension) | Français | 69,3 % | 66,1 | actif | https://euroeval.com/leaderboards/Monolingual/french/ |
| ARC-AGI-2 | Raisonnement | 67,1 % | 88,2 | saturé | https://epoch.ai/benchmarks |
| EuroEval, MultiLoKo (connaissances locales) | Français | 66,6 % | 91,6 | actif | https://euroeval.com/leaderboards/Monolingual/french/ |
| LMCA | Raisonnement | 54,95 | 92,1 | actif | https://conceptualreasoning.ai/lmca |
| DTBench | Raisonnement | 78,7 % | 70,6 | saturé | https://conceptualreasoning.ai/dtbench |
| Arena, questions d'experts | Sciences | 1 505,0 Elo | 86,2 | actif | https://arena.ai/leaderboard |
| LMCA | Raisonnement | 52,23 | 89,8 | actif | https://conceptualreasoning.ai/lmca |
| compar:IA | Français | 1 105,0 Elo | 108,4 | actif | https://arene.comparia.beta.gouv.fr/ranking |
| Code Arena, WebDev | Web | 1 519,5 Elo | 85,4 | actif | https://arena.ai/leaderboard |
| Arena, questions de maths | Maths | 1 479,2 Elo | 85,7 | actif | https://arena.ai/leaderboard |
| LMCA | Raisonnement | 51,37 | 89,1 | actif | https://conceptualreasoning.ai/lmca |
| DeepSWE | Code | 60,2 % | 89,7 | actif | https://deepswe.datacurve.ai/ |
| ARC-AGI-1 | Raisonnement | 60,2 % | 76,4 | saturé | https://arcprize.org/leaderboard |
| Arena, questions en français | Français | 1 495,3 Elo | 85,8 | actif | https://arena.ai/leaderboard |
| Arena, questions de code | Code | 1 515,3 Elo | 84,9 | actif | https://arena.ai/leaderboard |
| Arena, texte | Usage | 1 465,1 Elo | 84,5 | actif | https://arena.ai/leaderboard |
| LMCA | Raisonnement | 49,64 | 87,7 | actif | https://conceptualreasoning.ai/lmca |
| APEX-Agents | Agents | 58,2 % | 91,9 | actif | https://epoch.ai/benchmarks |
| LMCA | Raisonnement | 49,3 | 87,4 | actif | https://conceptualreasoning.ai/lmca |
| Arena, écriture créative | Écriture | 1 426,0 Elo | 82,4 | actif | https://arena.ai/leaderboard |
| Arena, vision | Vision | 1 267,9 Elo | 85,3 | actif | https://arena.ai/leaderboard |
| SciCode | Code | 55 % | 89,1 | actif | https://artificialanalysis.ai/evaluations/scicode |
| LMCA | Raisonnement | 46,51 | 85,2 | actif | https://conceptualreasoning.ai/lmca |
| DeepSWE | Code | 53,8 % | 87,7 | actif | https://deepswe.datacurve.ai/ |
| OTIS Mock AIME 2024-2025 | Maths | 53,3 % | 63,3 | saturé | https://epoch.ai/benchmarks |
| BALROG | Agents | 53,2 % | 88,5 | actif | https://balrogai.com/ |
| Vending-Bench 2 | Agents | 7 343 $ | 89,3 | actif | https://epoch.ai/benchmarks |
| SciCode | Code | 51,6 % | 85,1 | actif | https://artificialanalysis.ai/evaluations/scicode |
| Chess Puzzles | Raisonnement | 54 % | 95,2 | actif | https://epoch.ai/benchmarks |
| EuroEval, ScaLA (grammaire) | Français | 50,2 % | 67,3 | actif | https://euroeval.com/leaderboards/Monolingual/french/ |
| SciCode | Code | 50,1 % | 83,4 | actif | https://artificialanalysis.ai/evaluations/scicode |
| SciCode | Code | 49,7 % | 82,8 | actif | https://artificialanalysis.ai/evaluations/scicode |
| SciCode | Code | 49,2 % | 82,3 | actif | https://artificialanalysis.ai/evaluations/scicode |
| SciCode | Code | 44,6 % | 76,8 | actif | https://artificialanalysis.ai/evaluations/scicode |
| SimpleQA Verified | Données | 43,2 % | 83,0 | actif | https://epoch.ai/benchmarks |
| FrontierCode | Code | 41,3 % | 90,8 | actif | https://cognition.com/frontiercode |
| CursorBench | Code | 41,3 % | 90,5 | actif | https://cursor.com/cursorbench |
| SimpleBench | Raisonnement | 48,9 % | 75,8 | actif | https://lmcouncil.ai/benchmarks |
| SimpleBench | Raisonnement | 48,9 % | 75,8 | actif | https://epoch.ai/benchmarks |
| ARC-AGI-2 | Raisonnement | 37,5 % | 82,8 | saturé | https://epoch.ai/benchmarks |
| EuroEval, OrangeSum (résumé) | Français | 37,4 % | 60,4 | actif | https://euroeval.com/leaderboards/Monolingual/french/ |
| DeepSWE | Code | 35,1 % | 81,8 | actif | https://deepswe.datacurve.ai/ |
| Furniture Assembly | Vision | 54,2 % | 94,6 | actif | https://epoch.ai/benchmarks |
| CursorBench | Code | 33,6 % | 85,1 | actif | https://cursor.com/cursorbench |
| Blueprint-Bench 2 | Vision | 30,8 % | 92,0 | actif | https://andonlabs.com/evals/blueprint-bench-2 |
| CursorBench | Code | 30,7 % | 82,9 | actif | https://cursor.com/cursorbench |
| CritPt | Sciences | 30 % | 95,4 | actif | https://epoch.ai/benchmarks |
| Mystery Game Puzzles | Raisonnement | 35 % | 89,0 | actif | https://epoch.ai/benchmarks |
| CursorBench | Code | 27,6 % | 80,5 | actif | https://cursor.com/cursorbench |
| CritPt | Sciences | 27,1 % | 94,1 | actif | https://epoch.ai/benchmarks |
| CursorBench | Code | 25,2 % | 78,4 | actif | https://cursor.com/cursorbench |
| GDP.pdf | Données | 24,7 % | 92,8 | actif | https://surgehq.ai/benchmarks/gdp-pdf |
| GDP.pdf | Données | 24,7 % | 92,8 | actif | https://surgehq.ai/benchmarks/gdp-pdf |
| DeepSWE | Code | 24,1 % | 77,8 | actif | https://deepswe.datacurve.ai/ |
| CritPt | Sciences | 22,9 % | 92,0 | actif | https://epoch.ai/benchmarks |
| ARC-AGI-2 | Raisonnement | 18,8 % | 78,6 | saturé | https://epoch.ai/benchmarks |
| Chess Puzzles | Raisonnement | 22 % | 79,0 | actif | https://epoch.ai/benchmarks |
| CritPt | Sciences | 17,4 % | 88,9 | actif | https://epoch.ai/benchmarks |
| Mystery Game Puzzles | Raisonnement | 19 % | 81,5 | actif | https://epoch.ai/benchmarks |
| CritPt | Sciences | 9,4 % | 82,5 | actif | https://epoch.ai/benchmarks |
| Mystery Game Puzzles | Raisonnement | 14 % | 76,6 | actif | https://epoch.ai/benchmarks |
| CritPt | Sciences | 2 % | 67,6 | actif | https://epoch.ai/benchmarks |
| Mystery Game Puzzles | Raisonnement | 10 % | 65,7 | actif | https://epoch.ai/benchmarks |
| Chess Puzzles | Raisonnement | 5 % | 47,6 | actif | https://epoch.ai/benchmarks |

## En bref

**Quel est le score de GPT-5.6 Terra ?** GPT-5.6 Terra obtient un score IA de 92,0, avec une marge de 90,3 à 93,8, dans l'édition du 28 septembre 2026. Il est classé 10e sur 246 modèles, à partir de 41 mesures.

**Dans quelles tâches GPT-5.6 Terra est-il le plus fort ?** Ses deux meilleures tâches sont sciences (94,4) et vision (94,1). Sa tâche la plus faible est web (86,0).

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

**Combien coûte GPT-5.6 Terra ?** 2,17 € par million de jetons en entrée et 13,0 € 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 Terra ?** GPT-5.6 Terra 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