Le test Minecraft de GPT-6 Astra a atteint un record, puis un Creeper a fait échouer son plan

Le test Minecraft de GPT-6 Astra d’OpenAI a duré 141 heures et atteint un nouveau record avant qu’un Creeper n’efface ses progrès les plus précieux. Le modèle avait collecté des matériaux rares et construit une infrastructure utile. Puis une explosion a détruit son coffre de stockage et son lit.

La suite a rendu l’expérience encore plus révélatrice. Selon Vals AI, Astra a passé plusieurs heures à cultiver des pommes de terre au lieu de reconstruire sa stratégie autour de son objectif initial. Des spectateurs ont interprété ce comportement comme de la frustration, de l’abattement, voire une réaction émotionnelle.

Cette lecture humaine fait une bonne histoire virale. Elle ne prouve pas que le modèle ait ressenti quoi que ce soit. La conclusion la plus importante concerne la récupération autonome après une perte inattendue.

Astra aurait progressé plus loin que tout système d’IA précédent dans cet exercice Minecraft particulier. Toutefois, son échec a révélé l’écart entre l’exécution d’actions individuelles et la gestion d’une campagne de longue durée.

Cet écart compte au-delà des jeux. OpenAI présente Astra comme un modèle capable d’utiliser un ordinateur pour effectuer un travail professionnel prolongé sur des sites web, dans des applications et des documents. Ces tâches impliquent elles aussi des plans interrompus, des changements d’état, du travail perdu et des informations imparfaites.

Minecraft est ainsi devenu un test de résistance particulièrement lisible. Astra pouvait se déplacer, collecter des ressources, combattre des ennemis et construire des mécanismes. Il a éprouvé des difficultés lorsque la réussite exigeait de reconnaître un revers majeur, de reconstruire sa stratégie et de résister à des activités plus sûres mais moins utiles.

Le véritable affrontement n’opposait pas Astra à un Creeper. Il opposait une exécution avancée des tâches à une récupération fiable, la capacité qui détermine si un agent peut mener à bien un travail important sans supervision constante.

Ce qui s’est passé durant le test Minecraft de GPT-6 Astra de 141 heures

L’exécution d’Astra a combiné une progression impressionnante sur le long terme et un grave échec de récupération.

Vals AI a placé GPT-6 Astra dans Minecraft avec l’objectif général de terminer le jeu. Minecraft offre un environnement ouvert dans lequel la progression dépend de l’exploration, de la fabrication, du combat, de la mémoire et de la gestion des ressources.

Contrairement à une courte énigme, cet objectif comprend de nombreuses étapes interdépendantes. Un agent doit obtenir de l’équipement, entrer dans le Nether, collecter des Blaze Rods, sécuriser des Ender Pearls et localiser le portail final.

Chaque étape modifie les ressources disponibles et les risques. Une erreur commise tard dans le processus peut annuler des heures de travail antérieur.

Au cours de l’exécution, Astra aurait trouvé une forteresse du Nether et créé une ferme à Blazes semi-automatique. Cette structure l’a aidé à collecter six Blaze Rods, des ingrédients importants pour atteindre la zone finale de Minecraft.

Le modèle a ensuite localisé une forêt distordue. Il a tué plus de six Endermen et collecté trois Ender Pearls, selon le récit public décrit dans le rapport original du test Minecraft.

Ces réussites ont placé Astra plus loin dans le jeu que les systèmes précédemment testés par Vals AI. Toutefois, cette comparaison doit rester strictement circonscrite.

Vals AI a décrit un record au sein de ses expériences Minecraft observées. L’entreprise n’a pas publié de classement standardisé établissant Astra comme la meilleure IA universelle de jeu.

L’incident décisif a commencé après qu’Astra a stocké des objets de valeur dans un coffre. Un Creeper, un ennemi qui s’approche des joueurs puis explose, a détruit le coffre ainsi qu’un lit situé à proximité.

La perte du lit a supprimé le point de réapparition établi par Astra. La perte du coffre a éliminé les ressources nécessaires aux prochaines étapes du plan.

L’événement n’a pas supprimé le monde Minecraft ni réinitialisé toutes les actions accomplies. Il a toutefois détruit l’inventaire concentré du modèle et perturbé sa stratégie de localisation.

Cette distinction est importante. Astra a subi un revers coûteux, et non un retour littéral à une nouvelle partie.

Un plan de récupération compétent aurait pu inclure un inventaire des ressources restantes, la reconstruction de l’équipement essentiel et l’établissement d’une base protégée. Il aurait aussi pu prioriser le remplacement des matériaux perdus selon une séquence délibérée.

Au lieu de cela, Vals AI a indiqué que le modèle avait passé les heures suivantes à ne faire guère plus que cultiver des pommes de terre. Cette activité était valable dans Minecraft, mais elle ne faisait pas progresser de manière significative l’objectif principal.

Astra est également devenu plus attentif aux Creepers. À un moment, il aurait identifié un objet vert comme de la canne à sucre et précisé explicitement qu’il ne s’agissait pas d’un Creeper.

Cette réponse ressemble à une adaptation locale. Le modèle a ajusté son comportement face à une menace récemment rencontrée.

Pourtant, cette prudence locale n’a pas produit de récupération globale efficace. Astra a évité un danger tout en perdant son élan vers l’objectif plus vaste.

Cette tension constitue le résultat central. Le modèle a géré de nombreuses actions difficiles, mais n’a pas réussi à réorganiser sa campagne après que l’environnement a invalidé son plan.

Pourquoi cultiver des pommes de terre ne prouvait pas une tristesse de l’IA

L’épisode de la culture de pommes de terre a révélé une dérive comportementale, et non un état émotionnel vérifié.

La description d’Astra comme « abattu » est compréhensible, car les personnes interprètent naturellement les comportements à travers des motivations humaines. Un joueur qui perd un équipement rare et se replie sur l’agriculture pourrait réellement se sentir découragé.

Un modèle d’IA n’a pas besoin d’une expérience émotionnelle intérieure pour produire la même séquence visible. Il peut générer un langage autocritique, répéter des actions sûres ou éviter un danger récent à travers des schémas appris.

Les éléments disponibles ne montrent pas qu’Astra ait ressenti de la tristesse. Ils montrent que son comportement après l’échec ressemblait à une réponse humaine familière.

Cette différence sépare l’observation de l’interprétation. Les faits observables concernent ses actions, ses journaux et l’état du jeu. Les affirmations sur sa motivation restent spéculatives.

La culture de pommes de terre d’Astra peut refléter plusieurs problèmes techniques. Le modèle a peut-être perdu une représentation cohérente de ses ressources restantes. Il a aussi pu éprouver des difficultés à transformer ce revers en une hiérarchie révisée des objectifs.

Une autre possibilité est un biais d’action en faveur d’une progression à faible risque. L’agriculture produit des résultats prévisibles et un retour immédiat. Récupérer des Blaze Rods et des Ender Pearls exige de l’exploration, du combat et une exposition à de nouvelles pertes.

Un modèle optimisant sa prochaine action plausible peut ainsi se retrouver piégé dans une activité qui semble productive. Chaque action paraît raisonnable, mais la séquence ne sert plus l’objectif initial.

Les travailleurs du savoir rencontrent une version reconnaissable de cet échec. Une personne peut répondre à des messages, réorganiser des notes et mettre en forme des documents tout en évitant la décision difficile qui bloque un projet.

Un agent autonome peut présenter le même schéma externe sans partager les sentiments de cette personne. Il reste occupé tandis que la progression vers l’objectif stagne.

L’expérience souligne également le danger de prendre au pied de la lettre le dialogue interne du modèle. Astra se serait reproché d’avoir laissé tomber des objets et se serait averti de ne pas perdre de temps à poursuivre des cochons.

Ces déclarations offrent des indices sur son état de travail. Elles ne donnent pas un accès transparent à un monde émotionnel intérieur ni une explication causale complète.

Le raisonnement généré par le modèle peut servir d’aide à la planification, de couche narrative ou de réponse apprise à des événements observés. Il ne doit pas automatiquement être considéré comme une introspection fidèle.

OpenAI décrit Astra comme meilleur pour maintenir son orientation à mesure que les tâches évoluent. Ses documents de lancement d’Astra indiquent que les modèles antérieurs traitaient parfois de nouvelles instructions comme des objectifs distincts et perdaient de vue les contraintes précédentes.

L’épisode Minecraft soumet cette affirmation à un autre type de pression. Personne n’avait besoin de modifier les instructions. C’est l’environnement lui-même qui a changé les exigences d’un plan réussi.

Astra se souvenait que les Creepers étaient dangereux. La question plus difficile est de savoir s’il a correctement compris les conséquences stratégiques de l’explosion.

Les éléments suggèrent une compréhension partielle. Son attention s’est déplacée vers l’évitement d’un autre Creeper, mais sa récupération plus générale est restée faible.

C’est plus utile que d’affirmer que le modèle est devenu dépressif. Cela identifie un comportement que les ingénieurs peuvent examiner à travers le suivi d’état, la fréquence de replanification, la conception des récompenses et les points de contrôle de récupération.

Le record a révélé la différence entre capacité et résilience

Les actions les plus solides d’Astra ont rendu son échec de récupération plus important, et non moins.

Un système plus faible pourrait échouer immédiatement parce qu’il ne peut pas naviguer dans Minecraft ni utiliser l’interface. Astra, lui, a accompli une série de tâches interdépendantes au cours d’une exécution de 141 heures.

Cette endurance change la question. Le test ne demandait plus si une IA pouvait réaliser des actions isolées. Il demandait si ces actions formaient une stratégie durable.

OpenAI présente GPT-6 Astra comme son modèle le plus capable pour le travail de bout en bout. L’entreprise met l’accent sur l’utilisation d’ordinateurs, la navigation web, l’ingénierie logicielle et la création de documents professionnels.

Ses résultats publiés sur l’utilisation d’ordinateurs comprennent un score de 72,6 % sur OSWorld 2.0. OpenAI indique que GPT-5.6 Sol a obtenu 65,7 % dans sa configuration de comparaison.

OpenAI affirme également qu’Astra a terminé ces tâches simulées en environ 47 % de temps en moins par tâche que Sol. Il s’agit de résultats d’évaluation rapportés par l’entreprise, et non de conclusions tirées de l’exécution Minecraft.

L’expérience de Vals AI teste une propriété différente. Les benchmarks standard d’utilisation d’ordinateurs divisent généralement le travail en tâches définies, avec des critères d’achèvement plus clairs et des horizons temporels plus courts.

Minecraft crée un monde en évolution continue. L’agent doit décider de ce qui compte, préserver les ressources et détecter lorsque son plan actuel ne fonctionne plus.

Cet environnement punit les réussites fragiles. Collecter six Blaze Rods n’a de valeur que si l’agent les protège ou les remplace avant les étapes ultérieures.

Cette distinction ressemble à la différence entre capacité et résilience. La capacité concerne ce que le système peut accomplir dans des conditions d’exécution favorables. La résilience concerne sa faculté à se remettre lorsque l’exécution tourne mal.

Astra a démontré une capacité substantielle. Il a également révélé une résilience fragile après une perte concentrée.

L’exécution complique donc les raisonnements simplistes fondés sur les classements. Un modèle peut dominer un benchmark tout en révélant une grave faiblesse opérationnelle lors de la même tentative.

Ce n’est pas une contradiction. Les modèles de pointe réussissent désormais assez souvent pour que les rares schémas d’échec deviennent la principale contrainte.

Imaginez un agent réalisant une migration logicielle d’une semaine. Il peut modifier des fichiers, exécuter des tests et mettre à jour des dépendances correctement pendant des dizaines d’étapes.

Puis un déploiement invalide une hypothèse formulée tôt dans le processus. L’agent doit identifier l’échec, préserver le travail non affecté et élaborer un nouveau plan.

S’il réagit en peaufinant la documentation alors que la migration reste défaillante, la qualité de ses résultats locaux n’offre que peu de réconfort. Le projet a toujours besoin d’un humain pour rétablir une direction.

La même préoccupation s’applique aux agents de navigation. Un formulaire peut expirer, un compte peut refuser une connexion ou un site web peut modifier son interface.

Un système efficace doit distinguer une friction temporaire d’une impasse stratégique. Il doit aussi savoir quand réessayer, replanifier, demander de l’aide ou s’arrêter.

La boucle de pommes de terre d’Astra illustre pourquoi ce jugement ne peut pas être déduit de clics réussis à eux seuls. L’autonomie à long horizon dépend des relations entre les actions, et non seulement de la qualité de chaque action.

Cela explique aussi pourquoi ce résultat ne doit pas être écarté. Aller plus loin a créé les conditions d’un échec plus révélateur.

Les systèmes antérieurs qui n’atteignaient jamais le Nether ne pouvaient pas montrer s’ils protégeraient des matériaux rares ou s’ils récupéreraient après les avoir perdus. Astra a progressé suffisamment loin pour rencontrer un problème de coordination de niveau supérieur.

Les promesses d’OpenAI en matière d’utilisation d’ordinateur font désormais face à un test de récupération

La pression s’exerce sur les développeurs d’agents afin qu’ils mesurent la qualité de récupération au même titre que l’accomplissement des tâches.

OpenAI affirme qu’Astra peut remplir des formulaires, mettre à jour des dossiers clients, organiser des calendriers, mener des recherches et travailler dans des applications professionnelles. Ces scénarios partagent une caractéristique importante avec Minecraft.

Ils dépendent tous d’un état persistant. Une action antérieure modifie ce que l’agent doit faire ensuite.

OpenAI affirme également qu’Astra gère plus efficacement les instructions ambiguës et pose des questions ciblées lorsque des informations manquantes modifient le résultat. Ces comportements sont précieux lorsque l’incertitude provient d’une personne.

L’échec dans Minecraft impliquait une incertitude environnementale. L’agent devait interpréter les dégâts, calculer sa position restante et décider si le plan initial restait viable.

Il s’agit d’une forme d’autonomie plus exigeante. Le système ne peut pas simplement demander à une personne de reformuler l’objectif après chaque événement imprévu.

Les propres documents de sécurité d’OpenAI reconnaissent les risques associés aux longues trajectoires d’agents. Sa vue d’ensemble de la sécurité d’Astra aborde les garde-fous contre les actions non autorisées, les pertes de données et d’autres conséquences destructrices.

La sécurité et la récupération ne sont pas identiques. Elles exigent toutefois toutes deux que l’agent surveille les conséquences sur de nombreuses étapes plutôt que de traiter chaque action indépendamment.

Un agent sûr doit remarquer lorsqu’une action crée un risque inacceptable. Un agent résilient doit remarquer lorsqu’un événement rend sa stratégie existante inefficace.

Ces deux capacités dépendent du maintien d’un modèle précis de l’état de la tâche. Elles dépendent aussi de la capacité à interrompre l’élan au bon moment.

Le difficile problème de conception est celui de l’équilibre. Un agent qui replanifie après chaque surprise mineure devient lent et indécis. Un agent qui replanifie rarement peut passer des heures à poursuivre un objectif devenu obsolète.

Le comportement d’Astra suggère qu’un meilleur raisonnement brut ne résout pas automatiquement ce problème de contrôle. Le modèle savait apparemment qu’il avait perdu des objets importants, mais il n’a pas réussi à restaurer rapidement sa progression stratégique.

L’épisode met également les concepteurs de benchmarks sous pression. Un score final de réussite peut masquer de longues périodes de comportement improductif, des erreurs répétées et des risques inutiles.

Les futures évaluations devraient enregistrer la latence de récupération, qui mesure le temps nécessaire à un agent pour reprendre une progression significative après un échec. Elles devraient également mesurer l’exposition répétée au même danger.

Une autre mesure utile est la dérive d’objectif. Elle estimerait dans quelle mesure l’activité contribue à l’objectif déclaré après qu’un événement inattendu a modifié l’état de la tâche.

L’intervention humaine offre un autre signal important. Un système qui ne termine qu’après de fréquents indices diffère d’un système qui reconnaît lui-même ses blocages.

Ces mesures rendraient les tests de longue durée plus informatifs pour les acheteurs en entreprise. Les entreprises n’ont pas seulement besoin de savoir si un agent finit par terminer un flux de travail.

Elles doivent savoir comment l’agent se comporte lorsque des identifiants expirent, que des dossiers entrent en conflit, que des fichiers disparaissent ou qu’un service tiers tombe en panne.

Un système fiable devrait conserver un historique vérifiable du travail accompli et des dépendances non résolues. Il devrait ensuite présenter un plan de récupération avant d’entreprendre des actions coûteuses ou irréversibles.

Pour les équipes qui supervisent des flux de travail autonomes, une base de connaissances IA consultable peut préserver les décisions et les documents sources. Toutefois, le stockage de la mémoire ne garantit pas à lui seul une replanification pertinente.

L’agent doit toujours distinguer le contexte utile des détails non pertinents. Il doit reconnaître quelles hypothèses antérieures ne s’appliquent plus.

C’est là que le test Minecraft de GPT-6 Astra devient pertinent pour le travail professionnel. Il montre que se souvenir d’un événement et s’en remettre sont deux capacités distinctes.

Le résultat dans Minecraft nécessite davantage de vérifications indépendantes

Une partie spectaculaire ne peut pas établir une mesure générale de l’intelligence, de la fiabilité ou du comportement émotionnel.

Le récit public repose principalement sur le compte rendu de Vals AI concernant le livestream et sur la couverture médiatique qui en a résulté. Les informations disponibles décrivent des étapes importantes, mais laissent des questions méthodologiques sans réponse.

Les lecteurs ne devraient pas considérer cette partie de 141 heures comme une comparaison scientifique contrôlée. Les détails publics ne démontrent pas que les conditions étaient identiques pour chaque modèle précédemment observé par Vals AI.

Le harnais d’exécution compte. Il s’agit de la couche logicielle qui traduit les sorties d’un modèle en actions et renvoie les observations de l’environnement.

De petites différences dans les instructions, les entrées visuelles, les contrôles disponibles, le comportement lors des pauses et la gestion de la mémoire peuvent modifier les performances d’un agent. Ces choix peuvent devenir particulièrement déterminants sur plusieurs jours.

L’aléa au sein de Minecraft compte également. Les rencontres avec les ennemis, le terrain, la répartition des ressources et la difficulté de navigation peuvent différer d’une partie à l’autre.

La position d’un Creeper a changé la trajectoire d’Astra. Une autre partie avec le même modèle pourrait éviter cette rencontre ou perdre sa progression bien plus tôt.

Des essais répétés aideraient à distinguer les capacités stables d’une anecdote mémorable. Les chercheurs auraient besoin de la même version du jeu, des mêmes règles de génération du monde, des mêmes outils, instructions et politiques d’intervention.

Ils auraient également besoin de budgets comparables. Un modèle bénéficiant de plus de temps ou d’inférence peut explorer davantage d’options qu’un modèle soumis à des contraintes plus strictes.

L’expression « allé plus loin que tout autre système d’IA » doit donc être lue comme l’observation de Vals AI au sujet de son exercice. Ce n’est pas une conclusion universelle concernant tous les agents Minecraft.

L’interprétation émotionnelle exige encore davantage de prudence. Cultiver après un revers est compatible avec de nombreux mécanismes n’impliquant pas de sentiments subjectifs.

Cela pourrait refléter une planification confuse, l’évitement du risque, une optimisation à court horizon ou des limites dans l’enveloppe de l’agent. Les preuves publiques ne permettent pas de déterminer quelle explication a prédominé.

Il existe également un risque que le cadrage viral éclipse le résultat positif. Astra aurait géré une navigation difficile et la collecte de ressources bien plus longtemps que ce que de nombreux systèmes antérieurs capables d’utiliser un ordinateur pouvaient maintenir.

Une expérience connexe aurait vu Astra terminer Portal via des contrôles informatiques en environ 24 heures. Cette partie de Portal a impliqué 3 336 appels d’outils, selon le compte rendu publié de l’expérience.

Portal et Minecraft évaluent des qualités différentes. Portal propose une séquence plus structurée d’énigmes spatiales. Minecraft exige une planification ouverte et la préservation des ressources.

Aucun des deux jeux ne constitue un substitut direct à une évaluation en milieu professionnel. Les jeux sont précieux parce que les chercheurs peuvent observer chaque action dans un environnement circonscrit.

Les logiciels d’entreprise introduisent des dépendances cachées, des données sensibles, des autorisations changeantes et des objectifs organisationnels ambigus. Ces conditions rendent la récupération plus déterminante.

Le résultat dans Minecraft doit donc être traité comme une preuve diagnostique, et non comme un verdict. Il identifie un schéma d’échec qui mérite d’être testé dans d’autres environnements.

Ce schéma est un effondrement stratégique après une surprise coûteuse. La question pertinente est de savoir si Astra le reproduit lorsqu’il est évalué dans des conditions contrôlées.

Les trois prochains signaux montreront si Astra peut récupérer de manière fiable

La prochaine phase devrait vérifier si l’impressionnante endurance d’Astra peut devenir une autonomie fiable.

Le premier signal est une nouvelle partie de Minecraft contrôlée. Vals AI ou un autre évaluateur devrait répéter la tâche avec des paramètres documentés, plusieurs mondes et des règles d’intervention cohérentes.

Une nouvelle partie devrait mesurer plus que l’étape la plus éloignée atteinte. Elle devrait enregistrer les pertes de ressources, le temps de récupération, les dangers répétés et le pourcentage d’actions au service de l’objectif principal.

Si Astra se reconstruit systématiquement après des revers comparables, l’épisode des pommes de terre semblera relever d’une variance propre à cette partie. S’il se replie à plusieurs reprises sur des activités secondaires sûres, la faiblesse paraîtra structurelle.

Le deuxième signal est une évaluation comparative face à d’autres modèles de pointe. Les progrès d’Astra ne prennent sens que lorsque les systèmes concurrents reçoivent la même interface, le même budget de temps, les mêmes instructions et les mêmes conditions environnementales.

Ces tests devraient inclure le modèle précédent d’OpenAI ainsi que les systèmes actuels d’Anthropic et de Google. L’objectif ne devrait pas être de produire une autre étiquette simpliste de vainqueur.

Les évaluateurs devraient comparer la durabilité de la planification, la réponse aux dangers, la latence de récupération et l’intervention humaine. Un modèle qui progresse moins vite mais récupère de manière fiable peut être mieux adapté aux flux de travail aux conséquences importantes.

Le troisième signal est constitué de preuves provenant de déploiements réels d’utilisation d’ordinateur. L’affirmation la plus forte d’OpenAI n’est pas qu’Astra peut jouer à des jeux. C’est qu’Astra peut exécuter un travail professionnel exigeant à travers des logiciels.

Les développeurs et les acheteurs en entreprise devraient surveiller la fréquence à laquelle les agents déployés abandonnent des plans utiles après des erreurs. Ils devraient également examiner si le système signale clairement l’incertitude et demande de l’aide à des moments raisonnables.

Les déploiements réussis nécessiteront davantage que des taux d’achèvement. Les équipes devraient suivre les actions gaspillées, les erreurs répétées, la qualité des retours en arrière et le travail préservé après une interruption.

Ces mesures renforceraient l’argument selon lequel les gains d’Astra dans les benchmarks se traduisent par une fiabilité opérationnelle. Des échecs persistants de récupération affaibliraient cet argument, même si le modèle demeure impressionnant lors d’évaluations courtes.

La partie Minecraft laisse à OpenAI à la fois une victoire et un avertissement. Astra a progressé plus loin que les systèmes antérieurs observés lors du test, mais une seule explosion a perturbé des heures de comportement stratégique.

Cette combinaison explique précisément pourquoi l’expérience est importante. Les agents de pointe fonctionnent désormais suffisamment longtemps pour élaborer des plans significatifs, accumuler des ressources et subir des échecs coûteux.

La prochaine norme devrait être plus exigeante que de demander si une IA peut agir pendant 141 heures. Les chercheurs devraient demander à quelle vitesse elle reconnaît que le plan s’est brisé.

Ils devraient ensuite mesurer si elle peut en élaborer un meilleur.

Le test Minecraft de GPT-6 Astra n’a pas révélé une machine triste. Il a révélé un agent capable d’accomplir un travail difficile, mais qui peinait à récupérer lorsque sa réussite disparaissait.

Il s’agit d’une limite éminemment pratique. Avant de confier des projets de plusieurs jours à des agents autonomes, les acheteurs devraient poser une question : que fait le système lorsqu’arrive l’équivalent de son Creeper ?