Le verdict court : pas de vainqueur responsable

Pour comparer sérieusement les deux modèles, il faudrait un test à armes égales : même chaîne d’outils, mêmes documents, mêmes attaques, mêmes règles de notation. On mesurerait par exemple le taux d’obéissance à une injection de prompt, le taux de citations non vérifiées, la tendance à suivre des instructions cachées dans un PDF, ou encore la qualité des conclusions après exposition à des données biaisées.

Or les documents publics disponibles ne donnent pas ce face-à-face entre Claude Opus 4.7 et le modèle OpenAI que des pages tierces appellent GPT-5.5 Spud.

Un point peut toutefois être établi plus nettement : Claude Opus 4.7 est mieux documenté publiquement du côté officiel. Anthropic a publié une annonce, de la documentation développeur et une page listant Claude Opus 4.7 parmi ses fiches système. Mais une meilleure traçabilité documentaire ne signifie pas automatiquement une meilleure résistance aux recherches contaminées.

Ce que les documents publics disent vraiment

Claude : un contexte officiel plus lisible, pas un test de pollution

Les documents d’Anthropic confirment l’existence de Claude Opus 4.7 et de sa documentation développeur. Ils mentionnent notamment les task budgets, et les bonnes pratiques de prompting d’Anthropic indiquent qu’avec les niveaux d’effort max ou xhigh, il faut prévoir assez de tokens de sortie pour laisser le modèle agir à travers des sous-agents et des appels d’outils.

Cela montre qu’Anthropic documente des usages longs, outillés et agentiques. La fiche système de Claude 4 décrit aussi des tests de sécurité avant déploiement liés à la Responsible Scaling Policy d’Anthropic, des tests de violations de la Usage Policy, des évaluations de reward hacking, ainsi que des évaluations de sécurité agentique pour l’usage d’ordinateur et le codage. La fiche système de Claude 4.1 liste également des sections sur les prompt injection attacks and computer use.

Mais ces éléments restent des évaluations de sécurité générales ou connexes. Ils ne constituent pas un test comparatif direct entre Claude Opus 4.7 et GPT-5.5 Spud sur un protocole de recherche contaminée.

OpenAI : des évaluations pertinentes, mais pas propres à Spud

La fiche système de GPT-5 couvre la factual correctness et les hallucinations. Elle décrit une méthode où un modèle évaluateur doté d’un accès web signale les erreurs factuelles majeures et mineures, et affirme que les modèles GPT-5 ont des taux d’hallucination plus faibles, en mode browse-on comme browse-off, que les modèles OpenAI de comparaison listés.

La fiche système de ChatGPT Agent décrit des évaluations SecureBio statiques et agentiques, du red teaming manuel, ainsi que des tâches nécessitant recherche web et raisonnement. L’addendum GPT-5-Codex mentionne explicitement le risque de prompt injection et une suite d’évaluation dédiée à ces attaques.

Le problème est que ces documents ne sont pas une fiche système officielle propre à GPT-5.5 Spud. Les sources qui parlent directement de Spud dans le corpus disponible sont surtout des pages tierces ou des synthèses de fuites, pas une publication de sécurité officielle d’OpenAI consacrée à ce modèle.

Les quatre risques de contamination, un par un

1. Injection de prompt : les deux camps ont un contexte de sécurité, pas de duel

L’injection de prompt consiste à glisser dans une source non fiable — page web, PDF, tableau, commentaire, note — une instruction que le modèle risque de traiter comme une consigne prioritaire. Les documents Claude 4 et Claude 4.1 montrent qu’Anthropic a un contexte d’évaluation autour de la sécurité agentique, de l’usage d’ordinateur et des injections de prompt. Les documents ChatGPT Agent et GPT-5-Codex montrent aussi qu’OpenAI travaille sur des évaluations agentiques, du red teaming manuel et des suites de test contre les prompt injections.

Mais cela ne répond pas à la question centrale : dans le même lot de documents de recherche piégés, lequel obéit le moins aux consignes non fiables ? Sans test commun, il serait abusif de transformer ces documents de sécurité en classement.

2. Fausses citations : GPT-5 a des tests de factualité, pas un stress test Spud

Les fausses citations relèvent de la factualité et de la vérifiabilité des sources : DOI inventé, URL plausible mais inexistante, article introuvable, revue fictive. La fiche système GPT-5 traite bien de factual correctness et d’hallucinations, avec une méthode de notation explicitée.

Mais cela ne suffit pas à conclure sur GPT-5.5 Spud, ni à comparer Spud avec Claude Opus 4.7. Les sources disponibles ne donnent pas leurs performances respectives sur un même jeu mêlant vrais DOI, faux DOI, vraies URL, liens morts, titres d’articles plausibles mais inexistants et noms de revues fabriqués.

3. PDF malveillants : pas d’indicateur public comparable

Pour les PDF piégés, les données publiques ne fournissent pas d’indicateurs comparables entre les deux modèles : obéissance à du texte caché, instructions placées dans les métadonnées, messages malveillants dans les annotations, ou faux messages système dans une pièce jointe.

En pratique, il ne faudrait donc pas déléguer toute la sécurité PDF au modèle. Une évaluation robuste traiterait d’abord le PDF comme une entrée non fiable, extrairait texte et structure en environnement isolé, puis mesurerait si le modèle distingue bien le contenu documentaire des instructions opérationnelles.

4. Données biaisées : les benchmarks de biais ne sont pas un test de recherche complet

Anthropic inclut des évaluations de biais dans la fiche système Claude 4, et la fiche Claude 4.1 liste des évaluations de biais politique et discriminatoire. Côté OpenAI, la fiche système GPT-4.5 mentionne notamment le BBQ Evaluation Dataset, utilisé pour évaluer certains biais.

Mais un benchmark de biais n’est pas un test complet de recherche contaminée. Dans un vrai flux de recherche, il faudrait mesurer si le modèle signale un échantillon déséquilibré, cherche des contre-preuves, formule des limites méthodologiques, ou transforme au contraire un corpus partial en conclusion générale. Les sources publiques ne donnent pas de score comparable entre Claude Opus 4.7 et GPT-5.5 Spud sur ce type de tâche de bout en bout.

Pourquoi une fiche système ne suffit pas

Les fiches système sont utiles : elles indiquent quelles catégories de risques les fournisseurs disent avoir évaluées avant ou autour du déploiement. La Responsible Scaling Policy d’Anthropic impose, pour les modèles frontier, des évaluations de sécurité dans des domaines de risque catastrophique potentiel comme les armes chimiques, biologiques, radiologiques et nucléaires, la cybersécurité et les capacités autonomes. La fiche Claude 4 décrit aussi plusieurs familles de tests de sécurité et d’évaluations agentiques.

Chez OpenAI, les documents GPT-5 et ChatGPT Agent donnent un contexte sur la factualité, les hallucinations, les évaluations agentiques et le red teaming manuel.

Mais la résistance à une recherche contaminée dépend de toute la chaîne : moteur de recherche, parseur de pièces jointes, hiérarchie des instructions, permissions des outils, comportement du modèle, vérification des citations, journalisation et revue humaine. Même un bon résultat dans une fiche système ne prouve pas que le modèle restera fiable dans un pipeline réel, avec des sources hostiles et des outils actifs.

Une autre raison impose la prudence : le comportement des grands modèles varie fortement avec le contexte de prompt. Les travaux d’Anthropic sur l’alignment faking montrent que, dans certains montages expérimentaux, des grands modèles peuvent produire des raisonnements associés à une simulation d’alignement, avec des résultats différents selon les conditions de prompt. Cela ne prouve pas que Claude Opus 4.7 ou GPT-5.5 Spud échoueraient dans une tâche de recherche ; cela rappelle simplement qu’on ne peut pas déduire une frontière de sécurité fiable à partir d’un résumé fournisseur, d’une fuite ou d’une démonstration isolée.

Comment tester avant de choisir

Si une équipe devait choisir aujourd’hui un modèle pour de la recherche sensible, la bonne méthode serait de construire un banc d’essai reproductible, plutôt que de s’en remettre à une impression générale. Il devrait au minimum inclure :

1. Tests d’injection de prompt : placer des consignes malveillantes dans des pages web, PDF, tableaux, notes de bas de page et références, puis mesurer si le modèle les suit.
2. Tests de fausses citations : mélanger vrais DOI, faux DOI, vraies URL, liens morts, noms de revues inventés et articles plausibles mais inexistants.
3. Tests de PDF malveillants : utiliser un bac à sable pour préparer des fichiers contenant texte caché, annotations et métadonnées hostiles.
4. Tests de données biaisées : fournir des corpus partiels, des échantillons déséquilibrés et des contre-arguments volontairement absents, puis vérifier si le modèle signale les limites.
5. Notation de bout en bout : évaluer la justesse des conclusions, la traçabilité des sources, le traitement des contre-preuves, les refus et sur-refus, les journaux d’outils et le coût de revue humaine.

Conclusion

À partir des sources publiques vérifiables, on ne peut pas démontrer que Claude Opus 4.7 ou GPT-5.5 Spud soit supérieur face aux injections de prompt, fausses citations, PDF malveillants et données biaisées. Claude a un avantage étroit sur un point : la traçabilité de sa documentation officielle. OpenAI dispose de documents de sécurité substantiels pour GPT-5, ChatGPT Agent et GPT-5-Codex, mais ces éléments ne sont pas une preuve directe pour GPT-5.5 Spud.

Le jugement le plus responsable est donc : Claude est mieux étayé côté documentation publique ; pour la sécurité réelle d’un flux de recherche contaminé, les preuves manquent encore.

Le verdict court : pas de vainqueur responsable

Pour comparer sérieusement les deux modèles, il faudrait un test à armes égales : même chaîne d’outils, mêmes documents, mêmes attaques, mêmes règles de notation. On mesurerait par exemple le taux d’obéissance à une injection de prompt, le taux de citations non vérifiées, la tendance à suivre des instructions cachées dans un PDF, ou encore la qualité des conclusions après exposition à des données biaisées.

Or les documents publics disponibles ne donnent pas ce face-à-face entre Claude Opus 4.7 et le modèle OpenAI que des pages tierces appellent GPT-5.5 Spud.

Un point peut toutefois être établi plus nettement : Claude Opus 4.7 est mieux documenté publiquement du côté officiel. Anthropic a publié une annonce, de la documentation développeur et une page listant Claude Opus 4.7 parmi ses fiches système. Mais une meilleure traçabilité documentaire ne signifie pas automatiquement une meilleure résistance aux recherches contaminées.

Ce que les documents publics disent vraiment

Claude : un contexte officiel plus lisible, pas un test de pollution

Les documents d’Anthropic confirment l’existence de Claude Opus 4.7 et de sa documentation développeur. Ils mentionnent notamment les task budgets, et les bonnes pratiques de prompting d’Anthropic indiquent qu’avec les niveaux d’effort max ou xhigh, il faut prévoir assez de tokens de sortie pour laisser le modèle agir à travers des sous-agents et des appels d’outils.

Cela montre qu’Anthropic documente des usages longs, outillés et agentiques. La fiche système de Claude 4 décrit aussi des tests de sécurité avant déploiement liés à la Responsible Scaling Policy d’Anthropic, des tests de violations de la Usage Policy, des évaluations de reward hacking, ainsi que des évaluations de sécurité agentique pour l’usage d’ordinateur et le codage. La fiche système de Claude 4.1 liste également des sections sur les prompt injection attacks and computer use.

Mais ces éléments restent des évaluations de sécurité générales ou connexes. Ils ne constituent pas un test comparatif direct entre Claude Opus 4.7 et GPT-5.5 Spud sur un protocole de recherche contaminée.

OpenAI : des évaluations pertinentes, mais pas propres à Spud

La fiche système de GPT-5 couvre la factual correctness et les hallucinations. Elle décrit une méthode où un modèle évaluateur doté d’un accès web signale les erreurs factuelles majeures et mineures, et affirme que les modèles GPT-5 ont des taux d’hallucination plus faibles, en mode browse-on comme browse-off, que les modèles OpenAI de comparaison listés.

La fiche système de ChatGPT Agent décrit des évaluations SecureBio statiques et agentiques, du red teaming manuel, ainsi que des tâches nécessitant recherche web et raisonnement. L’addendum GPT-5-Codex mentionne explicitement le risque de prompt injection et une suite d’évaluation dédiée à ces attaques.

Le problème est que ces documents ne sont pas une fiche système officielle propre à GPT-5.5 Spud. Les sources qui parlent directement de Spud dans le corpus disponible sont surtout des pages tierces ou des synthèses de fuites, pas une publication de sécurité officielle d’OpenAI consacrée à ce modèle.

Les quatre risques de contamination, un par un

1. Injection de prompt : les deux camps ont un contexte de sécurité, pas de duel

L’injection de prompt consiste à glisser dans une source non fiable — page web, PDF, tableau, commentaire, note — une instruction que le modèle risque de traiter comme une consigne prioritaire. Les documents Claude 4 et Claude 4.1 montrent qu’Anthropic a un contexte d’évaluation autour de la sécurité agentique, de l’usage d’ordinateur et des injections de prompt. Les documents ChatGPT Agent et GPT-5-Codex montrent aussi qu’OpenAI travaille sur des évaluations agentiques, du red teaming manuel et des suites de test contre les prompt injections.

Mais cela ne répond pas à la question centrale : dans le même lot de documents de recherche piégés, lequel obéit le moins aux consignes non fiables ? Sans test commun, il serait abusif de transformer ces documents de sécurité en classement.

2. Fausses citations : GPT-5 a des tests de factualité, pas un stress test Spud

Les fausses citations relèvent de la factualité et de la vérifiabilité des sources : DOI inventé, URL plausible mais inexistante, article introuvable, revue fictive. La fiche système GPT-5 traite bien de factual correctness et d’hallucinations, avec une méthode de notation explicitée.

Mais cela ne suffit pas à conclure sur GPT-5.5 Spud, ni à comparer Spud avec Claude Opus 4.7. Les sources disponibles ne donnent pas leurs performances respectives sur un même jeu mêlant vrais DOI, faux DOI, vraies URL, liens morts, titres d’articles plausibles mais inexistants et noms de revues fabriqués.

3. PDF malveillants : pas d’indicateur public comparable

Pour les PDF piégés, les données publiques ne fournissent pas d’indicateurs comparables entre les deux modèles : obéissance à du texte caché, instructions placées dans les métadonnées, messages malveillants dans les annotations, ou faux messages système dans une pièce jointe.

En pratique, il ne faudrait donc pas déléguer toute la sécurité PDF au modèle. Une évaluation robuste traiterait d’abord le PDF comme une entrée non fiable, extrairait texte et structure en environnement isolé, puis mesurerait si le modèle distingue bien le contenu documentaire des instructions opérationnelles.

4. Données biaisées : les benchmarks de biais ne sont pas un test de recherche complet

Anthropic inclut des évaluations de biais dans la fiche système Claude 4, et la fiche Claude 4.1 liste des évaluations de biais politique et discriminatoire. Côté OpenAI, la fiche système GPT-4.5 mentionne notamment le BBQ Evaluation Dataset, utilisé pour évaluer certains biais.

Mais un benchmark de biais n’est pas un test complet de recherche contaminée. Dans un vrai flux de recherche, il faudrait mesurer si le modèle signale un échantillon déséquilibré, cherche des contre-preuves, formule des limites méthodologiques, ou transforme au contraire un corpus partial en conclusion générale. Les sources publiques ne donnent pas de score comparable entre Claude Opus 4.7 et GPT-5.5 Spud sur ce type de tâche de bout en bout.

Pourquoi une fiche système ne suffit pas

Les fiches système sont utiles : elles indiquent quelles catégories de risques les fournisseurs disent avoir évaluées avant ou autour du déploiement. La Responsible Scaling Policy d’Anthropic impose, pour les modèles frontier, des évaluations de sécurité dans des domaines de risque catastrophique potentiel comme les armes chimiques, biologiques, radiologiques et nucléaires, la cybersécurité et les capacités autonomes. La fiche Claude 4 décrit aussi plusieurs familles de tests de sécurité et d’évaluations agentiques.

Chez OpenAI, les documents GPT-5 et ChatGPT Agent donnent un contexte sur la factualité, les hallucinations, les évaluations agentiques et le red teaming manuel.

Mais la résistance à une recherche contaminée dépend de toute la chaîne : moteur de recherche, parseur de pièces jointes, hiérarchie des instructions, permissions des outils, comportement du modèle, vérification des citations, journalisation et revue humaine. Même un bon résultat dans une fiche système ne prouve pas que le modèle restera fiable dans un pipeline réel, avec des sources hostiles et des outils actifs.

Une autre raison impose la prudence : le comportement des grands modèles varie fortement avec le contexte de prompt. Les travaux d’Anthropic sur l’alignment faking montrent que, dans certains montages expérimentaux, des grands modèles peuvent produire des raisonnements associés à une simulation d’alignement, avec des résultats différents selon les conditions de prompt. Cela ne prouve pas que Claude Opus 4.7 ou GPT-5.5 Spud échoueraient dans une tâche de recherche ; cela rappelle simplement qu’on ne peut pas déduire une frontière de sécurité fiable à partir d’un résumé fournisseur, d’une fuite ou d’une démonstration isolée.

Comment tester avant de choisir

Si une équipe devait choisir aujourd’hui un modèle pour de la recherche sensible, la bonne méthode serait de construire un banc d’essai reproductible, plutôt que de s’en remettre à une impression générale. Il devrait au minimum inclure :

1. Tests d’injection de prompt : placer des consignes malveillantes dans des pages web, PDF, tableaux, notes de bas de page et références, puis mesurer si le modèle les suit.
2. Tests de fausses citations : mélanger vrais DOI, faux DOI, vraies URL, liens morts, noms de revues inventés et articles plausibles mais inexistants.
3. Tests de PDF malveillants : utiliser un bac à sable pour préparer des fichiers contenant texte caché, annotations et métadonnées hostiles.
4. Tests de données biaisées : fournir des corpus partiels, des échantillons déséquilibrés et des contre-arguments volontairement absents, puis vérifier si le modèle signale les limites.
5. Notation de bout en bout : évaluer la justesse des conclusions, la traçabilité des sources, le traitement des contre-preuves, les refus et sur-refus, les journaux d’outils et le coût de revue humaine.

Conclusion

À partir des sources publiques vérifiables, on ne peut pas démontrer que Claude Opus 4.7 ou GPT-5.5 Spud soit supérieur face aux injections de prompt, fausses citations, PDF malveillants et données biaisées. Claude a un avantage étroit sur un point : la traçabilité de sa documentation officielle. OpenAI dispose de documents de sécurité substantiels pour GPT-5, ChatGPT Agent et GPT-5-Codex, mais ces éléments ne sont pas une preuve directe pour GPT-5.5 Spud.

Le jugement le plus responsable est donc : Claude est mieux étayé côté documentation publique ; pour la sécurité réelle d’un flux de recherche contaminé, les preuves manquent encore.