Il s'agit de l'instantané daté de l'API GPT-5 Search originale, figé à la version du 14 octobre 2025. Épingler un modèle ancré dans la recherche est opérationnellement différent d'épingler un modèle de génération. Les poids du modèle sont épinglés. Le système de récupération ne l'est pas. Ce que la récupération retourne aujourd'hui pour la même requête n'est pas ce qu'elle retournait il y a un an, indépendamment des poids de modèle qui synthétisent le résultat.
Le problème du demi-épinglage
Pour les modèles de génération pure, épingler un instantané daté donne la reproductibilité — même entrée, même sortie, jusqu'à ce que l'instantané soit retiré. Pour les modèles ancrés dans la recherche, l'équation est différente. Les poids du modèle sont un composant du système ; le pipeline de récupération en est un autre, et il est en mouvement continu.
Le système de récupération interroge le web. Le web change. Le classement des sources évolue à mesure que les pages gagnent ou perdent en autorité, que de nouveaux contenus apparaissent, que d'anciens contenus sont supprimés. Les pages qui étaient citées de manière autoritaire au lancement de cet instantané peuvent avoir été déplacées, mises à jour ou remplacées par des alternatives optimisées pour le SEO. Le contexte récupéré et fourni au modèle pour une requête donnée aujourd'hui ne ressemble que vaguement à ce qui était récupéré pour la même requête il y a un an.
L'effet pratique est qu'épingler cet instantané ne vous donne pas des sorties reproductibles pour la même requête au fil du temps. Cela vous donne un comportement de synthèse reproductible étant donné le même contexte récupéré. Si le contexte récupéré change, la sortie change aussi, même si les poids du modèle sont fixes.
Ce que cet épinglage vous apporte réellement
Trois choses, plus étroites que la reproductibilité complète mais néanmoins utiles.
Premièrement, le comportement de synthèse est fixe. Étant donné les mêmes sources récupérées, le modèle produit le même type d'intégration, les mêmes schémas de citation, le même ton, le même traitement des contradictions entre sources. La forme de la sortie est stable même lorsque le contenu varie.
Deuxièmement, le comportement du modèle sur la portion contexte-récupéré de la fenêtre de contexte est fixe. Le modèle traite les sources de la même manière aujourd'hui qu'au lancement — mêmes priors de confiance, même raisonnement sur les contradictions, mêmes schémas de citation des sources.
Troisièmement, la piste d'audit est partielle mais utile. Vous pouvez identifier quelle version du modèle a traité une requête donnée. Les sources récupérées à ce moment peuvent être enregistrées séparément. Ensemble, elles reconstituent ce qui s'est passé.
Ce que cet épinglage ne vous apporte pas
La reproductibilité même-requête-même-réponse. Le web a changé ; les réponses changeront.
Un comportement en aval stable sur les requêtes sensibles au temps. Le modèle peut synthétiser les mêmes sources différemment cette semaine par rapport à la semaine dernière parce que les sources elles-mêmes ont été mises à jour, même si le système de récupération et les poids du modèle sont identiques.
Une défense contre la régression côté récupération. Si le pipeline de récupération commence à classer des sources moins fiables en haut de votre distribution de requêtes, cet épinglage ne le détectera pas. L'épinglage protège le côté modèle ; il laisse le côté récupération non couvert.
Ce que capture cet instantané
La version d'octobre 2025 de GPT-5 Search API : poids du modèle de lancement, comportement de synthèse de lancement, traitement de lancement du contexte récupéré. La version du système de récupération au lancement est implicite dans toute sortie que vous avez vue au lancement, mais elle n'est pas épinglée par ce slug.
Sous le capot
Architecturalement, il s'agit du décodeur transformer GPT-5 couplé à l'infrastructure de récupération et de recherche d'OpenAI au lancement de cet instantané. Le composant modèle est fixe. Le composant de récupération est partagé avec le slug flottant et continue d'évoluer.
La tokenisation utilise le vocabulaire BPE standard de GPT-5. La fenêtre de contexte inclut à la fois le prompt de l'utilisateur et le contenu récupéré, ce qui signifie que les sources récupérées consomment une partie du budget disponible.
La date limite d'entraînement pour le composant modèle se situe à la mi-2025. La date limite de récupération est mobile — tout ce que le web montre lorsque la requête s'exécute.
Où il se situe aujourd'hui
Pour les requêtes d'actualité, l'instantané continue de faire ce pour quoi l'API Search est conçue : ancrer la réponse dans des sources récupérées. La qualité de synthèse du modèle est celle d'octobre 2025, qui a été surpassée par les générations plus récentes de l'API Search sur les cas de synthèse difficiles.
Pour les flux de travail nécessitant des citations, le modèle produit toujours des citations accompagnant les réponses dans le même format qu'au lancement. Les consommateurs en aval qui analysent ces citations n'ont pas eu à s'adapter aux changements de format.
Le classement d'intelligence suit la position comparative ; les offres de l'API Search sont dans une catégorie séparée car le profil de charge de travail diffère de la génération non ancrée.
Quand épingler cet instantané
Les cas étroits :
Vous avez des outils en aval qui dépendent du format de citation spécifique et du style de synthèse de cet instantané, et le format a changé sur les générations plus récentes de l'API Search.
Vous êtes dans un contexte réglementé où la version du modèle traitant les requêtes de recherche doit être identifiable en audit, et vous avez une journalisation séparée pour les sources récupérées.
Vous avez des suites d'évaluation qui comparent la qualité de synthèse dans le temps, et vous voulez isoler les changements côté modèle des changements côté récupération.
Quand sauter l'épinglage
Sautez-le pour les charges de travail où la dérive côté récupération domine la dérive côté modèle dans la cause des changements de sortie. Si la majeure partie de la variabilité que vous voyez en production provient de sources web changeantes plutôt que d'un comportement de modèle changeant, épingler le modèle ne résout pas le problème que vous avez.
Sautez-le pour les charges de travail où vous bénéficieriez d'une qualité de synthèse plus récente de l'API Search et où le coût du changement de format est acceptable.
Sautez-le une fois qu'OpenAI publie le calendrier de dépréciation.
Notes opérationnelles
Pour les charges de travail qui nécessitent des sorties véritablement reproductibles sur des requêtes ancrées dans la récupération, le schéma standard consiste à construire votre propre pipeline RAG contre la ligne GPT-5 de base. Vous contrôlez le corpus de documents, l'indexation, la récupération et le classement. Épingler les poids du modèle donne alors une reproductibilité complète parce que les deux moitiés du système sont sous votre contrôle.
Pour les charges de travail où la reproductibilité partielle suffit — comportement de synthèse fixe, récupération autorisée à dériver — cet instantané remplit son objectif. Soyez simplement honnête avec vous-même et vos parties prenantes sur quelle moitié est épinglée et laquelle ne l'est pas.
Alternatives
Pour une reproductibilité complète de récupération et génération, construisez un pipeline RAG contre la ligne GPT-5 de base avec votre propre base de connaissances et épinglez à la fois l'instantané du modèle et votre index de documents.
Pour les charges de travail qui nécessitent une qualité de synthèse plus récente sur la génération ancrée dans la recherche, migrez vers l'instantané daté d'une génération plus récente de l'API Search.
Pour les charges de travail où la génération ancrée dans les citations compte mais où le pipeline de récupération d'OpenAI n'est pas critique, des offres similaires d'autres fournisseurs existent avec leurs propres caractéristiques de récupération.
Dernière revue technique : 22 mai 2026 — Tokonomix.ai
