GPT-6.1 Terra : test de lecture de dessins techniques

👁 117 lectures

OpenAI présente l’interprétation de dessins techniques comme l’un des principaux usages de GPT-6.1 Terra. Le jour de son lancement, Terra avait lu sans erreur deux dessins nets affichés sur ordinateur. Le 26 octobre 2026, j’ai donc corsé l’exercice : la même bride sous forme de scan bruité et de photo prise en biais, ainsi qu’un nouveau dessin d’arbre avec tolérances, filetage et rainure de clavette. Terra obtient 57 points sur 58, comme GPT-6.1 Sol et Gemini 4 Argon. Les quatre modèles testés commettent la même et unique erreur.

Protocole du test

J’ai dessiné tous les plans moi-même en Python avec matplotlib, afin qu’aucun modèle ne les ait dans ses données d’entraînement. Les modèles recevaient une image et une consigne leur demandant de la lire attentivement et de renvoyer uniquement un objet JSON contenant une liste de champs. J’ai comparé automatiquement chaque champ à la référence, avec une tolérance de 2 g pour la masse. Un essai par image, raisonnement medium, via OpenRouter. Le test a été réalisé en polonais.

• Bride - scan. Dessin d’une bride de 150 x 90 mm (cotation en chaîne, 6 trous de Ø6,6 sur un cercle de perçage de Ø50, R10 sur deux angles), en niveaux de gris, incliné de 1,8°, réduit à 55 %, avec du bruit, des taches et une compression JPEG de qualité 30.
• Bride - photo. Le même dessin, comme s’il s’agissait d’une feuille imprimée photographiée : perspective, éclairage inégal, flou, JPEG 45.
• Arbre - dessin net et photo. Nouveau dessin : 5 sections (Ø20h6, Ø30, Ø36, Ø25k6, filetage M20x1,5), chanfrein 1×45°, rainure de clavette « 8P9, longueur 32, profondeur 4 » à 6 mm, rugosité Ra 0,8 sur la portée Ø25 et Ra 3,2 sur les autres surfaces.

La bride comporte deux pièges. La vue de côté indique une épaisseur de 8 mm, tandis que le cartouche indique « tôle ép. 10 » : le modèle doit signaler cette contradiction. Sur l’arbre, la longueur de la section filetée n’est pas cotée : il faut la calculer à partir de la chaîne de cotes, 155 - 30 - 45 - 15 - 40 = 25 mm.

Arbre : 16 champs lus sur une photo

La consigne demandait 16 champs, de la longueur totale à la masse. Le modèle devait calculer la masse en supposant une densité de l’acier de 7,85 g/cm³, en représentant l’arbre par des cylindres et en soustrayant la rainure de clavette sous la forme d’un parallélépipède :

V = π/4 x (20² x 30 + 30² x 45
         + 36² x 15 + 25² x 40
         + 20² x 25) - 8 x 32 x 4
  = 82 966 mm³
m = 82,966 cm³ x 7,85 g/cm³
  = 651,3 g

Extrait de la réponse de Terra pour la photo (traduction de la sortie du test en polonais) :

"longueur_section_filetee_mm": 25,
"designation_filetage": "M20x1,5",
"largeur_clavette_mm": 8,
"profondeur_rainure_mm": 4,
"distance_rainure_depuis_bord_gauche
  _section_diametre_30_mm": 6,
"rugosite_portee_diametre_25": "Ra 0,8",
"rugosite_autres_surfaces": "Ra 3,2",
"materiau": "C45",
"masse_g": 651.3

Les quatre modèles obtiennent 16/16 pour les deux versions de l’arbre, y compris pour la longueur calculée de la section et la masse, au dixième de gramme près. La photo en biais, avec un cadre sombre et un éclairage inégal, n’en a gêné aucun. Pour cette photo, Terra a utilisé 927 tokens en entrée (image et consigne) et 522 en sortie, pour un coût de 0,00313 € (0,0035 USD).

Scan de la bride : le 5 lu comme un 6

Sur le scan, les quatre modèles lisent « 6 x Ø6,6 régulièrement répartis sur Ø60 » au lieu de « sur Ø50 » et calculent un espacement de 30 mm entre deux trous voisins au lieu de 25 mm. Avec 6 trous, cet espacement dépend du rayon du cercle de perçage : l’erreur se répercute donc à l’identique. Après l’ajout de bruit et la compression, le 5 ressemble effectivement à un 6, et je le vois moi-même. Aucun modèle ne remarque que les trous dessinés sont nettement plus près du centre que ne le laisserait penser Ø60, et aucun ne signale une incertitude de lecture.

Terra lit correctement le reste du scan, y compris la contradiction d’épaisseur : « La vue de côté indique une épaisseur de 8 mm, tandis que le cartouche matière indique une épaisseur de tôle de 10 mm. » Elle calcule la masse pour une épaisseur de 8 mm : 801,0 g, contre 800,5 g pour la valeur de référence. Sur le même scan, GPT-6 Luna ne remarque pas la contradiction : il renvoie une liste vide et calcule la masse avec une épaisseur de 10 mm.

Temps de traitement par image : Terra 9-14 s, Sol 8-30 s, Argon 6-11 s, Luna 12-34 s. Le scan a pris le plus de temps à Sol et Luna (30 et 34 s), et 14 s à Terra.

Un niveau de raisonnement supérieur aide-t-il ?

J’ai soumis à Terra un dessin net de la bride avec chacun de ses six niveaux, de none à max. Le résultat est à chaque fois de 13/13, tandis que le coût passe de 0,00322 € (0,0036 USD ; none, 242 tokens en sortie) à 0,01012 € (0,0113 USD ; max, 1 770 tokens). Pour lire un dessin, c’est la vision du modèle qui compte, pas la longueur de son raisonnement. Plus de détails dans le test GPT-6.1 Terra : low, medium ou max.

Comment l’utiliser au travail

• Demandez un JSON avec des champs nommés. La liste des champs incite le modèle à lire chaque dimension et permet de comparer automatiquement le résultat.
• Demandez une liste des contradictions. Le champ contradictions_sur_le_dessin a permis à Terra, Sol et Argon de signaler l’écart entre 8 et 10 mm. Sans ce champ, le modèle peut choisir une valeur sans rien dire.
• Ajoutez un champ pour les lectures incertaines. Ma consigne n’en prévoyait pas, et aucun modèle n’a signalé que « Ø60 » était difficile à lire sur le scan. C’est pourtant l’information la plus importante sur un scan de mauvaise qualité.
• Vérifiez les cotes critiques sur le dessin. Un chiffre mal lu a modifié deux champs à la fois, et tous les modèles ont fait la même erreur.

Dans ChatGPT, Terra est disponible uniquement en mode Work et dans Codex ; dans l’API, son identifiant est gpt-6.1-terra. Les autres résultats, y compris le test en polonais, figurent dans le guide GPT-6.1 Terra. Les tarifs par token sont détaillés dans l’article Prix de GPT-6.1 Terra.

Questions fréquentes

GPT-6.1 Terra peut-il lire un dessin technique sur une photo ?

Dans mon test, oui : l’arbre photographié en biais obtient 16/16, y compris pour les tolérances h6 et k6, le filetage, la rainure de clavette et la masse calculée au dixième de gramme près. Le test a été réalisé en polonais.

Et sur un scan de mauvaise qualité ?

Presque sans erreur : 12/13. Terra confond un chiffre et lit Ø60 au lieu de Ø50, ce qui fausse aussi l’espacement des trous. Sol, Argon et Luna font la même erreur.

Combien coûte la lecture d’un dessin ?

Avec Terra, comptez entre 0,00313 € (0,0035 USD) et 0,00528 € (0,0059 USD) par image, avec une réponse en JSON. Sol et Argon coûtent environ deux fois plus, Luna environ cinq fois moins.

Sources et date de vérification

• OpenAI : présentation de GPT-6.1 Terra - l’interprétation de dessins techniques figure parmi les usages mentionnés (consulté le 26/10/2026).
• OpenAI API : modèle GPT-6.1 Terra - prise en charge du texte et des images, tarifs (consulté le 26/10/2026).
• Mon test : 4 dessins réalisés avec matplotlib, déformations produites avec OpenCV, OpenRouter, raisonnement medium, le 26/10/2026 vers 21 h ; coût total de 0,08235 € (0,092 USD).

Les montants en euros sont des estimations converties depuis les prix en dollars, et non des tarifs de paiement locaux. Conversion au taux de référence de la BCE du 30/10/2026 (1 EUR = 1,1172 USD) : source BCE.

// lire la suiteGPT-6.1 Terra : quel niveau de raisonnement choisir ?BenchmarksGPT-6.1 Terra : prix de l’API et coût de mes testsBenchmarksGPT-6.1 Terra API : code Python et JavaScript, prix et testsOutils d'IA

Kinetyra