Qu’est-ce que GPT-5.1-Codex-Max, et comment un agent de programmation peut-il travailler des heures sans manquer de mémoire?

Hier, le 19 novembre 2025, OpenAI a présenté GPT-5.1-Codex-Max, le plus récent modèle derrière Codex, son agent de programmation. Un agent de programmation est une IA qui ne se contente pas de suggérer une ligne de code, mais qui réalise une tâche de programmation : il lit le projet, modifie des fichiers, lance des tests et recommence jusqu’à ce que le travail soit fait.

Le nouveau modèle est conçu pour les travaux les plus longs de ce genre : réorganiser tout un projet, traquer un bogue tenace à travers de nombreux fichiers ou faire tourner une boucle d’agent pendant des heures. Sa principale nouveauté porte un nom tout simple, la compaction, et elle s’attaque à l’une des raisons les plus courantes pour lesquelles les agents d’IA abandonnent à mi-chemin.

Ce qu’OpenAI a lancé

GPT-5.1-Codex-Max est offert dès maintenant partout dans Codex : l’outil en ligne de commande, l’extension pour éditeurs de code, Codex cloud et la revue de code de Codex. Les abonnés des forfaits Plus, Pro, Business, Edu et Enterprise de ChatGPT peuvent l’utiliser, et il remplace maintenant GPT-5.1-Codex comme modèle que Codex choisit si vous n’en choisissez pas un autre. L’accès par l’API, pour les développeurs qui utilisent Codex avec leur propre clé, est promis pour bientôt.

La comparaison d’OpenAI avec le modèle Codex précédent :

Le modèle utilise aussi moins de jetons. Un jeton est un petit morceau de texte, et les modèles de raisonnement dépensent des « jetons de réflexion » pour travailler un problème avant de répondre. Au même réglage d’effort moyen, OpenAI affirme que Codex-Max bat le modèle précédent sur SWE-bench Verified en utilisant 30 % moins de jetons de réflexion. Selon The Decoder, OpenAI a aussi mesuré que de vraies tâches se terminaient de 27 à 42 % plus tôt. Moins de jetons, c’est moins de coûts et moins d’attente.

Il y a aussi un nouveau réglage de raisonnement Extra High (« xhigh ») pour les travaux où la vitesse n’a pas d’importance. OpenAI recommande quand même l’effort moyen pour le travail quotidien. Deux premières de moindre envergure : c’est le premier modèle d’OpenAI entraîné à travailler dans des environnements Windows, et son entraînement comprenait des tâches visant à en faire un meilleur partenaire dans l’outil en ligne de commande de Codex.

Comment fonctionne la compaction

Tout modèle de langage a une fenêtre de contexte : la quantité de texte qu’il peut garder sous les yeux d’un coup, y compris vos consignes, les fichiers qu’il a ouverts, les commandes qu’il a lancées et leurs résultats. Dans une longue tâche, cet historique s’accumule. Quand la fenêtre est pleine, un modèle doit normalement s’arrêter, ou il commence à perdre le fil de ce qu’il faisait.

La compaction permet de contourner ce mur. Quand une session Codex approche de la limite, GPT-5.1-Codex-Max condense automatiquement son propre historique. Il garde ce qui compte, comme l’objectif, le plan, les décisions prises et l’état actuel, et laisse tomber les détails dont il n’a plus besoin, comme le résultat complet d’une série de tests qui a déjà réussi. Il continue ensuite dans une nouvelle fenêtre, et répète le cycle aussi souvent que la tâche l’exige.

Une analogie : imaginez que vous rédigez un mémoire dans un cahier au nombre de pages limité. Quand le cahier est plein, vous écrivez un résumé soigné d’une page de tout ce qui précède, commencez un nouveau cahier avec ce résumé en première page et continuez. Vous perdez les gribouillis, pas le fil.

Ce qui est nouveau, c’est que le modèle a été entraîné à travailler ainsi sur de nombreuses fenêtres, au lieu de se voir greffer des résumés après coup. OpenAI affirme que cela lui permet de rester cohérent sur des millions de jetons dans une même tâche, et que lors de tests internes, il a travaillé sur des tâches pendant plus de 24 heures, corrigeant les tests qui échouaient et révisant son approche jusqu’à réussir.

Un exemple concret

Voici le genre de long travail pour lequel le modèle est conçu, rédigé sous forme de consigne à Codex :

Fais migrer ce projet de notre ancienne bibliothèque de journalisation vers la bibliothèque standard.
Travaille dossier par dossier. Après chaque dossier, lance toute la suite de tests et corrige
les échecs avant de passer au suivant. Tiens à jour un fichier NOTES.md avec ce que tu as changé,
ce qui reste à faire et les décisions que je dois prendre. Ne touche pas au dossier
des paiements; énumère plutôt les changements dont il aurait besoin.

Le fichier de notes vous donne, à vous comme à l’agent, une trace qui survit à la compaction. Lancer les tests après chaque étape permet à l’agent de vérifier son propre travail. La dernière ligne garde la partie la plus risquée entre des mains humaines.

Pourquoi c’est important

C’est dans les longues tâches que les agents de programmation ont eu le plus de mal, et la durée d’une seule session constituait un plafond ferme. Un modèle capable de gérer sa propre mémoire repousse ce plafond beaucoup plus haut. OpenAI communique aussi des chiffres internes : 95 % de ses ingénieurs utilisent Codex chaque semaine, et ils livrent environ 70 % plus de demandes de tirage (pull requests), des propositions de modifications de code, depuis qu’ils l’ont adopté.

Une plus grande autonomie entraîne des risques, et OpenAI s’y attarde. L’entreprise présente Codex-Max comme son modèle le plus performant à ce jour en cybersécurité, quoique sous le niveau « High » de son Preparedness Framework (cadre de préparation), son règlement interne pour les risques graves, et elle ajoute des mesures de protection en prévision de ce niveau. Par défaut, Codex s’exécute dans un bac à sable (sandbox) : il ne peut écrire des fichiers que dans son espace de travail, et l’accès à Internet est désactivé à moins que vous ne l’activiez, parce que le contenu Web peut contenir de l’injection de prompt, des consignes cachées qui tentent de détourner l’agent. The Decoder souligne une tension pratique : plus un agent écrit de code, plus il est difficile pour les humains de le réviser et de le comprendre par la suite.

Comment confier une longue tâche de programmation à GPT-5.1-Codex-Max?

Partez d’un projet propre, sous contrôle de version, pour que chaque modification puisse être examinée et annulée. Décrivez l’objectif, les étapes et la façon de mesurer la réussite, idéalement avec des tests qui existent déjà. Demandez à l’agent de tenir un fichier de notes au fur et à mesure : il vous aide à suivre le travail et aide l’agent à garder le cap après la compaction.

Laissez le bac à sable activé à moins que la tâche ait vraiment besoin d’Internet, et utilisez d’abord le réglage de raisonnement moyen; passez à Extra High seulement pour les problèmes difficiles où le temps n’est pas un enjeu. Faites le point de temps en temps : Codex consigne les commandes qu’il a lancées et les résultats des tests, ce qui vous permet de voir ce qui s’est passé.

Enfin, révisez avant de fusionner. Le conseil d’OpenAI elle-même est de considérer Codex comme un réviseur de plus, pas comme un remplaçant du réviseur humain. Lisez les modifications, lancez vous-même les tests et ne déployez que ce que vous comprenez.