OpenAI aurait achevé un cycle massif de pré-entraînement, codé « Bel », un modèle qui compterait plus de 10 000 milliards de paramètres. Si cette affirmation s'avère exacte, Bel constituerait le premier pré-entraînement de pointe à pleine échelle réussi de l'entreprise depuis la sortie de GPT-4o en mai 2024. Pour situer cet ordre de grandeur : le dernier nombre de paramètres officiellement divulgué par OpenAI remonte à GPT-3, fixé à 175 milliards de paramètres dans son article de 2020, et l'entreprise n'a plus publié de chiffres pour aucun modèle depuis. Les laboratoires de pointe qui ont divulgué des totaux très élevés s'appuient généralement sur des architectures éparses à mélange d'experts (mixture-of-experts), dans lesquelles seule une fraction des paramètres d'un modèle s'active pour un jeton donné — DeepSeek-V3, l'un des plus grands modèles documentés publiquement, affiche 671 milliards de paramètres totaux, dont environ 37 milliards actifs par requête.

Le rapport provient d'une publication sur X de l'utilisateur @synthwavedd datée du 25 août 2026. OpenAI n'a pas officiellement confirmé l'existence de Bel, et l'entreprise n'a publié aucune spécification technique concernant ce cycle d'entraînement.

Ce que l'on sait de Bel

Selon ces rapports non vérifiés, Bel succède à un cycle de pré-entraînement antérieur codé « Doug » et est destiné à servir de modèle de base pour de futurs systèmes. Ces futurs systèmes comprendraient notamment un projet connu sous le nom d'Astra, ainsi que des successeurs de GPT-6, les travaux de post-entraînement étant censés débloquer des capacités qui rapprochent de ce que l'industrie appelle l'intelligence artificielle générale (AGI). Le pré-entraînement est la phase au cours de laquelle un modèle assimile des connaissances à partir de vastes corpus de textes avant que des techniques de post-entraînement ne façonnent son comportement ; c'est pourquoi le modèle de base est généralement considéré comme le socle qui délimite ce que les systèmes ultérieurs peuvent en extraire.

OpenAI aurait rencontré des difficultés de mise à l'échelle depuis le lancement de GPT-4o. Plusieurs sources au sein de la communauté de recherche en IA ont évoqué des cycles d'entraînement interrompus, des suspensions liées à la sécurité dans les processus d'apprentissage par renforcement, ainsi que des difficultés techniques ayant freiné les progrès sur les modèles plus volumineux. Les efforts de l'entreprise pour accroître sa puissance de calcul sont évoqués sous l'égide du projet Stargate — l'initiative annoncée en janvier 2025 avec SoftBank, Oracle et MGX comme partenaires, qui prévoit jusqu'à 500 milliards de dollars d'investissements dans des centres de données américains sur quatre ans, en commençant par un campus à Abilene, au Texas. Cette ambition infrastructurelle illustre à quel point l'entraînement de modèles de pointe est devenu gourmand en calcul : les estimations publiées, y compris les chiffres compilés pour le Stanford AI Index, situent les cycles individuels d'entraînement de pointe entre plusieurs dizaines de millions de dollars et près de 200 millions de dollars.

Pourquoi l'écart depuis GPT-4o importe

La période comprise entre mai 2024 et aujourd'hui constitue une durée inhabituellement longue sans qu'OpenAI ne livre un nouveau modèle de base de pointe. L'entreprise a publié pendant ce temps des mises à jour incrémentales et des variantes affinées — dont GPT-5 en août 2025 et les versions suivantes — mais ses travaux fondamentaux de pré-entraînement n'avaient pas produit de successeur confirmé à une échelle significativement supérieure. Selon le cadrage du rapport, les modèles livrés s'appuyaient sur des travaux de base entraînés antérieurement plutôt que sur un nouveau cycle de pré-entraînement plus vaste.

Les concurrents ne sont pas restés inactifs pendant la même période. Anthropic a fait avancer sa famille de modèles Claude, Google DeepMind a continué de mettre Gemini à l'échelle, et un nombre croissant d'initiatives open-source portées par Meta et d'autres acteurs n'a cessé de combler l'écart.

La question de l'AGI et les enjeux concurrentiels

Le cadrage autour de Bel est explicitement lié aux ambitions d'AGI. Le pipeline rapporté — de Bel à Astra, puis à ce qui suivra GPT-6 — suggère qu'OpenAI raisonne en termes de feuille de route à plusieurs étapes, dans laquelle chaque couche de post-entraînement et d'affinage extrait du modèle de base des comportements toujours plus performants.

La mise en garde est tout aussi nette : rien de tout cela n'a été confirmé. Tant qu'OpenAI n'apporte pas de validation officielle — que ce soit par un article technique, une annonce produit ou même un billet de blog anodin — Bel demeure une affirmation non vérifiée issue d'une publication sur les réseaux sociaux. Les points de repère concrets pour les lecteurs sont précis. Historiquement, OpenAI a confirmé ses grands modèles de base lors d'événements de lancement accompagnés de system cards publiées, et même dans ces cas, elle divulgue rarement le nombre de paramètres ; un chiffre de 10 000 milliards pourrait donc n'être jamais directement vérifiable à partir de sources officielles. Les autres signaux observables comprennent le rythme de mise en service des capacités de Stargate, l'éventuelle apparition des noms de code rapportés — Doug, Bel, Astra — dans les documents officiels, ainsi que le calendrier et le positionnement du prochain produit lancé par OpenAI.