GPT-5 d’OpenAI : un modèle en retard et au potentiel décevant

Les efforts d'OpenAI pour développer son modèle GPT-5 rencontrent des difficultés et des retards.

Des retards dans le développement

Le développement de GPT-5, surnommé Orion, accuse un retard notable par rapport aux prévisions initiales. Alors qu’OpenAI prévoyait de faire de ce modèle une avancée majeure, les résultats obtenus jusqu’à présent ne justifient pas encore les coûts élevés associés à sa création. Après 18 mois de travail, les progrès réalisés ne semblent pas à la hauteur des attentes, ce qui soulève des interrogations sur l’avenir de ce modèle.

Des coûts de formation élevés

OpenAI a entrepris plusieurs séries d’entraînements pour GPT-5, dont deux ont été particulièrement coûteuses et lentes. Lors de la première série, la formation a pris plus de temps que prévu, ce qui laisse présager que les itérations futures pourraient devenir encore plus longues et onéreuses. Cette lenteur dans le processus de formation est un indicateur du défi technique majeur que représente le développement de GPT-5, et remet en question la viabilité de ce modèle face à des coûts aussi importants.

Des capacités améliorées mais limitées

Bien que GPT-5 soit capable d’offrir des performances supérieures à ses prédécesseurs, ses avancées restent insuffisantes pour justifier l’énorme investissement financier nécessaire pour le faire fonctionner. La comparaison avec les versions antérieures montre une légère amélioration, mais l’écart de performance n’est pas aussi significatif qu’espéré. Cela soulève des doutes sur la capacité de GPT-5 à révolutionner l’intelligence artificielle de la même manière que l’ont fait les modèles précédents.

Des stratégies innovantes pour compenser les lacunes

Afin d’améliorer les performances de GPT-5, OpenAI a adopté plusieurs stratégies innovantes, comme la création de nouvelles données. Au lieu de se limiter aux données publiques ou aux accords de licence, l’entreprise a recruté des experts pour générer des données spécifiques, telles que la rédaction de codes ou la résolution de problèmes mathématiques complexes. De plus, elle utilise des données synthétiques générées par un autre modèle, o1, afin de diversifier les sources d’entraînement et d’accélérer le processus.