Note — profil prospectif. Cette page décrit un modèle qui est soit en preview précoce, soit annoncé mais non encore disponible de manière générale, soit projeté à partir de signaux issus de la feuille de route. Les spécifications et capacités peuvent évoluer avant le lancement public. Les données de benchmark en direct présentes sur cette page reflètent ce que notre infrastructure de tests parvient à atteindre aujourd'hui.
gpt-5.2 est le slug flottant de la génération 5.2. Lorsque vous l'appelez via l'API, vous accédez à ce qu'OpenAI fait actuellement pointer derrière ce nom. Ce mapping bouge. Discrètement, délibérément, et sans contraindre votre code à changer. Pour beaucoup d'équipes, c'est exactement ce qu'elles recherchent. Pour d'autres — quiconque mène des audits de conformité, des contrôles de reproductibilité, ou exploite des fonctionnalités exposées aux clients verrouillées sur une version — c'est un risque opérationnel silencieux.
Ce que le slug flottant signifie réellement
Le schéma adopté par OpenAI pour chaque génération consiste à publier un nom de base (gpt-5.2) et un instantané daté (gpt-5.2-2025-12-11). La version datée fige les poids exacts. La version flottante suit l'instantané qu'OpenAI considère actuellement comme l'endpoint 5.2 recommandé. Dans la plupart des cas, les mises à jour se déroulent sans préavis. Le comportement évolue. Les sorties changent. Les profils de latence se modifient. Les coûts en tokens varient eux aussi à l'occasion.
C'est très bien pour des prototypes et pour des produits où l'espace des réponses est large et où un alignement approximatif avec la qualité actuelle est plus précieux qu'une reproductibilité exacte. C'est un problème pour les bancs d'évaluation qui comparent les sorties d'aujourd'hui à celles du mois dernier, pour les workflows régulés qui doivent savoir quel modèle a produit une décision donnée, et pour tout contrat qui lie des critères d'acceptation à un comportement de modèle spécifique.
Le correctif est simple : épinglez l'instantané daté en production, et ne pointez vers le slug flottant qu'en développement. Le coût est faible. Le risque évité est réel.
Sous le capot
GPT-5.2 s'inscrit dans la famille élargie GPT-5 de décodeurs transformer, multimodaux sur les entrées texte et vision. OpenAI n'a pas publié le nombre de paramètres ni les détails de routage des experts. Le modèle accepte des images en plus du texte, la sortie restant exclusivement textuelle — pas de génération d'images, pas de sortie audio depuis cet endpoint.
Le seuil de fin d'entraînement se situe quelque part fin 2025, d'après la connaissance observée des standards mainstream du langage, des versions actuelles des frameworks, et des événements publics récents. Toute précision au-delà reste spéculative tant qu'OpenAI ne l'a pas publiée. Les capacités vision couvrent la surface habituelle : compréhension de graphiques et de diagrammes, extraction de texte façon OCR, description de scène, et analyse de la mise en page de documents.
La tokenisation s'appuie sur le vocabulaire BPE de GPT-5. Les entrées image sont encodées en tuiles avec un coût en tokens fixe par tuile. Pour des documents mêlant texte et captures d'écran, l'addition grimpe plus vite que ce que l'on imagine ; budgétez le coût en tokens des images dans vos prompts avant de partir en production.
Où il se situe aujourd'hui
Pour les usages généralistes — chat, génération de sorties structurées, analyse assistée par la vision — GPT-5.2 se place dans la tranche haute des modèles frontières actuellement déployables. Le classement d'intelligence suit le positionnement comparatif ; les classements évoluent à mesure qu'Anthropic, Google et d'autres publient des mises à jour.
Le modèle est à l'aise avec les sorties structurées, les contraintes de schéma JSON et les boucles d'utilisation d'outils. Les performances vision sur la compréhension de graphiques sont solides ; sur les diagrammes techniques denses, elles restent inégales ; et sur des mises en page adverses (scans multi-colonnes, texte pivoté, captures basse résolution), il commet le même type d'erreurs que la génération précédente.
Pour les workflows de contenu, le modèle constitue un choix par défaut crédible. Pour l'extraction de données à partir de documents mixtes texte-image, sa capacité vision constitue un avantage réel face aux concurrents purement textuels.
Le problème de la dérive en pratique
Si vous câblez le slug flottant dans un produit exposé au client et qu'OpenAI publie un nouvel instantané 5.2 qui traite différemment un certain type de requête, vos utilisateurs le remarqueront avant vous. Le changement peut être positif en moyenne sur la qualité, et négatif sur des cas limites précis. Sans un banc d'évaluation tournant à la fois sur l'ancien et le nouvel instantané, vous ne détecterez pas la régression avant qu'un ticket de support ne soit ouvert.
Trois schémas aident à s'en prémunir. Premièrement, épinglez l'instantané daté en production et ne lisez le slug flottant que dans les environnements pré-livraison où vous pouvez comparer les sorties côte à côte. Deuxièmement, maintenez une suite canary de prompts représentatifs qui s'exécute sur les deux versions à chaque mise à jour du modèle — assez restreinte pour tourner rapidement, assez large pour capter la dérive sur les requêtes qui comptent. Troisièmement, décidez explicitement quand vous adopterez un nouvel instantané : pas « dès qu'OpenAI en publie un », mais « lorsque notre suite canary passe et que notre évaluation côté client ne montre aucune régression sur les vingt intentions principales ».
Là où il pèche
L'hallucination sur les sujets de niche est toujours présente. Le modèle est bien calibré sur la connaissance commune et affiche une confiance fiable sur les matériaux techniques largement documentés, mais il fabriquera des affirmations plausibles à propos d'événements historiques obscurs, de publications confidentielles récentes, et de petites organisations. Traitez toute affirmation produite par le modèle comme une hypothèse à vérifier.
La cohérence en contexte long est bonne mais imparfaite. Sur des entrées très longues, le modèle perd parfois la trace des contraintes posées tôt dans le prompt. Pour les workflows exigeant le strict respect d'instructions étendues, structurez le prompt de manière à répéter les contraintes critiques à proximité du point de génération.
La sortie en langues non anglaises est solide mais inégale. Les grandes langues européennes et est-asiatiques sont bonnes. Les langues à plus faibles ressources affichent une baisse nette de fluidité. Effectuez un test d'échantillon dans toute langue cible avant de vous engager.
Quand utiliser le slug flottant plutôt que l'instantané
Utilisez gpt-5.2 (flottant) pour le développement, l'expérimentation, les outils internes, et tout workflow où l'adoption automatique des nouveaux instantanés est véritablement une fonctionnalité plutôt qu'un risque. Exemples : un chatbot de recherche dans la base de connaissances interne où de légers décalages de comportement sont tolérables, un outil de rédaction de contenu où un humain relit toujours la sortie, un système de triage assisté par la vision où un humain prend l'action finale.
Utilisez gpt-5.2-2025-12-11 (ou tout autre instantané daté en vigueur au moment de la livraison) pour les workflows de production exigeant la reproductibilité, les fonctionnalités exposées au client soumises à un SLA de qualité, les décisions régulées, les comparaisons d'évaluation dans le temps, et tout cas où une régression coûterait cher à découvrir tardivement.
La combinaison — flottant en interne, daté en externe — vous offre à la fois le comportement le plus récent et la stabilité opérationnelle. C'est le schéma vers lequel la plupart des équipes convergent après la première fois où une mise à jour silencieuse du modèle a fait bouger quelque chose de visible pour les clients.
Alternatives
Si la capacité vision n'est pas structurante pour votre workflow, des concurrents texte uniquement à des niveaux de qualité comparables peuvent s'avérer moins chers ou plus rapides. Comparez sur la charge de travail spécifique qui compte ; l'écart entre modèles est généralement plus important sur des tâches étroites que ce que laissent entendre les résumés des classements.
Si vous avez besoin d'une vision solide associée à un déploiement on-premise, les modèles multimodaux à poids ouverts — choisissez le plus grand qui rentre dans votre budget d'inférence — vous offrent l'histoire de résidence des données que cet endpoint ne peut pas fournir. L'écart de précision est réel, mais il se resserre rapidement sur des travaux d'extraction documentaire où l'entrée est structurée.
Dernière revue technique : 2026-05-22 — Tokonomix.ai
