Le raisonnement en 2026 : de none à max, le mode pro et ultra

État au 5 novembre 2026. La famille GPT-6 garde ces niveaux, mais none n’est accepté que par GPT-6.1 Terra, GPT-6 Sol et GPT-6 Luna : GPT-6 Astra et GPT-6.1 Sol commencent à low, et une requête à none sur Astra renvoie une erreur HTTP 400. Depuis le 3 septembre, l’effort peut aussi changer en cours de conversation sans perdre le cache, grâce à un élément configuration_update (leçon 9).

L’effort de raisonnement réglable n’est pas né avec GPT-5.6. Depuis GPT-5, en 2025, les modèles d’OpenAI raisonnent plus ou moins selon un paramètre, et la série o a été remplacée. Ce qui change d’une version à l’autre, ce sont les valeurs acceptées et la valeur par défaut. GPT-5.6 a ajouté le niveau max et le mode pro dans l’API, et ChatGPT a reçu le réglage ultra. Ces détails comptent : une valeur par défaut qui change peut modifier la latence et la facture d’une application sans qu’une ligne de code ait bougé.

Les six niveaux de GPT-5.6

Sur les trois modèles GPT-5.6, le paramètre reasoning.effort accepte six niveaux. Le guide d’OpenAI décrit ainsi leur usage :

Le niveau se passe dans l’appel lui-même. Ici, on demande à Terra de déboguer une fonction avec un effort soutenu, parce qu’une erreur de logique subtile mérite mieux qu’une lecture en diagonale :

response = client.responses.create(
    model="gpt-5.6-terra",
    input="Trouve l'erreur de logique dans cette fonction et corrige-la.",
    reasoning={"effort": "high"},
)

Si la même application enchaîne ensuite sur la reformulation d’un message de commit, rien ne vous empêche de repasser à low sur la requête suivante. Un routeur peut aussi tenter une première passe à medium, détecter une réponse incertaine et relancer la même requête à high, sur le même modèle et avec le même prompt.

Les valeurs acceptées changent selon le modèle

Les fiches des modèles, relevées le 5 novembre 2026, montrent comment ce paramètre a évolué :

Deux pièges ressortent de ce tableau. Le premier tient à la valeur par défaut : gpt-5.1 et gpt-5.4 ne raisonnaient pas si vous ne précisiez rien, alors que gpt-5.5, GPT-5.6 et les modèles GPT-6 qui l’indiquent démarrent à medium. Une application qui passe de gpt-5.4 à GPT-5.6 sans fixer l’effort se met donc à raisonner, avec plus de latence et plus de jetons facturés. Le guide de migration vers GPT-6 le résume en une consigne : conservez votre effort effectif quand le nouveau modèle l’accepte, et écrivez-le explicitement. Le second piège tient aux valeurs absentes : minimal n’existe ni sur GPT-5.6 ni sur GPT-6, et ce guide conseille de partir de low à la place ; none est refusé par GPT-6 Astra et GPT-6.1 Sol.

Le mode pro : plus de travail, au même tarif par jeton

GPT-5.6 a introduit un second réglage, indépendant de l’effort : reasoning.mode, qui vaut standard par défaut ou pro. En mode pro, le modèle fournit davantage de travail avant de répondre, pour les tâches difficiles qui tolèrent une latence plus longue. Les jetons sont facturés au tarif normal du modèle, mais ils sont plus nombreux, et la facture monte en conséquence. Ce mode remplace les anciens modèles « pro » : la page des dépréciations recommande gpt-5.6-sol en mode pro à la place d’o3-pro et de gpt-5-pro.

response = client.responses.create(
    model="gpt-5.6-sol",
    reasoning={"effort": "medium", "mode": "pro"},
    input="Vérifie ce plan de reprise d'activité et signale les points de défaillance uniques.",
)

Max et ultra : aller plus loin

Le niveau max donne au modèle encore plus de temps que xhigh pour raisonner, explorer d’autres pistes, vérifier et réviser son approche. Il existe dans l’API comme dans ChatGPT Work et Codex, où il s’active dans les réglages.

Ultra, lui, change de mode d’exécution. Selon l’annonce du 9 juillet, il coordonne quatre agents en parallèle par défaut sur des volets de travail simultanés, et OpenAI montrait aussi des configurations à seize agents sur certaines évaluations (BrowseComp, SEC-Bench Pro). Le compromis est assumé : plus de jetons consommés, contre de meilleurs résultats et un temps de complétion réduit sur les tâches lourdes. Ultra n’existe que dans les produits : ChatGPT Work pour les offres Pro et Enterprise, et Codex à partir de Plus, au lancement. Dans l’API, il n’y a pas de valeur ultra : on obtient un effet comparable avec la fonction multi-agent de la Responses API, en bêta, qui laisse le modèle lancer des sous-agents en parallèle dans une seule requête. Réservez-la aux travaux qui se découpent en morceaux indépendants.

Une méthode pour régler l’effort

Ne réglez pas ces niveaux à l’intuition. Prenez un échantillon représentatif de vos requêtes réelles, exécutez-le à medium puis à high, comparez la qualité, la latence et le coût, et laissez les chiffres décider du défaut de chaque type de tâche. C’est le même réflexe que pour les résultats publiés par l’éditeur : vos données tranchent, pas l’impression générale.

À vous de jouer

Trouver le bon niveau pour une tâche. Choisissez dix requêtes représentatives d’une même tâche. Exécutez-les à low, medium et high, puis notez pour chacune la qualité selon votre propre grille, la latence et le nombre de jetons de raisonnement indiqué dans usage. Retenez le niveau le plus bas qui donne satisfaction sur neuf requêtes sur dix, et écrivez-le explicitement dans votre code. Sans accès à l’API, faites le même exercice dans ChatGPT avec le sélecteur de réflexion du mode Chat.

Sources officielles : Reasoning models · Using GPT-6 · Multi-agent · Deprecations (documentation de l’API OpenAI) · Annonce de GPT-5.6 (OpenAI, 9 juillet 2026)

Points clés à retenir

• L’effort réglable date de GPT-5 ; GPT-5.6 a ajouté le niveau max et le mode pro
• Les valeurs acceptées et la valeur par défaut changent selon le modèle : écrivez toujours l’effort explicitement
• Le mode pro fait travailler davantage le modèle, au tarif normal par jeton ; il remplace o3-pro et gpt-5-pro
• Ultra, quatre agents en parallèle par défaut, est réservé à ChatGPT Work et à Codex ; l’API passe par la bêta multi-agent
• Réglez l’effort sur vos évaluations, pas à l’intuition