Claude Opus 4.7 face à GPT-5.5 Spud : ce que prouvent vraiment les sources sur la dérive

Elle peut se voir de plusieurs façons : réponses moins bonnes, format de sortie différent, usage d’outils modifié, arrêt prématuré pour cause de budget, nombre de tokens différent ou échecs près des limites de contexte.

Mais attention : une sortie différente ne prouve pas automatiquement que le modèle est devenu moins capable. Il peut s’agir d’une vraie régression de qualité, mais aussi d’un problème de reproductibilité opérationnelle : tokenisation différente, limite budgétaire, délai d’expiration, contexte récupéré autrement ou test modifié.

Les études incitent à mesurer, pas à conclure trop vite

Les travaux disponibles justifient la prudence. Un article sur la dérive non déterministe indique quantifier une dérive comportementale de base dans deux grands modèles de langage et précise que cette dérive peut se manifester différemment selon les modèles . Une autre étude consacrée à ChatGPT rapporte des dérives à court terme des performances et du comportement de GPT-3.5 et GPT-4 .

Ces sources soutiennent une conclusion pratique : après une mise à jour, il faut remesurer. Elles ne montrent pas que Claude Opus 4.7 ou GPT-5.5 Spud aurait un taux de dérive particulier, ni que l’un serait plus reproductible que l’autre.

La reproductibilité est aussi un enjeu méthodologique reconnu. Des lignes directrices pour les études empiriques en génie logiciel impliquant des LLM visent explicitement à améliorer la reproductibilité et la réplicabilité malgré les difficultés propres à ces modèles . Autrement dit, quelques essais manuels de prompts ne suffisent pas à établir la stabilité d’un système en production.

Claude Opus 4.7 : ce qui est réellement documenté

Anthropic indique que les développeurs peuvent utiliser claude-opus-4-7 via l’API Claude . La note spécifique à Claude Opus 4.7 précise que le modèle introduit des task budgets, ou budgets de tâche, ainsi qu’un nouveau tokenizer .

Cette même note indique que le nouveau tokenizer peut utiliser environ 1 à 1,35 fois le nombre de tokens des modèles précédents, jusqu’à environ 35 % de plus selon les contenus, et que /v1/messages/count_tokens renverra un nombre de tokens différent pour Claude Opus 4.7 par rapport à Claude Opus 4.6 .

C’est une information importante pour les équipes qui ont des règles dépendant du nombre de tokens : limites de contexte, routage de requêtes, seuils de coût, budgets d’agent, tests proches des plafonds ou alertes de dépassement. Dans ces cas, une migration vers Opus 4.7 peut modifier le comportement du système même si le texte du prompt ne change pas .

Cela ne prouve toutefois pas une régression de qualité d’Opus 4.7. Un changement de tokenisation ou de budget peut affecter la reproductibilité du système sans démontrer que le modèle raisonne moins bien.

GPT-5.5 Spud : une base de preuves trop fragile

Le dossier est beaucoup moins solide pour GPT-5.5 Spud. Le lien OpenAI fourni ne documente pas GPT-5.5 Spud : il renvoie à une page « Page not found » associée à un chemin de documentation GPT-3.5-turbo . Une source secondaire parlant de GPT-5.5 Spud indique par ailleurs qu’aucune date officielle de sortie, aucune carte modèle et aucun prix d’API n’ont été annoncés .

Cela ne dit rien, en soi, sur les capacités réelles de Spud. Cela signifie simplement que les sources disponibles ici ne permettent pas de vérifier son comportement API, son historique de mises à jour, sa tokenisation, sa cadence de publication ou sa stabilité après mise à jour.

Lecture rapide des preuves

Comment tester une mise à jour de modèle

La bonne approche consiste à traiter une mise à jour comme une migration, pas comme un simple remplacement transparent.

1. Figer la surface de test. Conservez l’identifiant exact du modèle, les prompts, les instructions système, les schémas d’outils, le contexte de récupération, les fichiers d’entrée, les images et les paramètres de génération. Cette discipline rejoint les exigences de reproductibilité et de réplicabilité mises en avant dans la littérature .
2. Comparer l’ancien et le nouveau système sur les mêmes cas. Les travaux sur la dérive montrent qu’il faut mesurer le comportement dans le temps plutôt que supposer qu’il reste stable .
3. Ajouter des tests sensibles aux tokens et aux budgets pour Opus 4.7. Recomptez les tokens et rejouez les cas proches des limites, car Anthropic indique que les comptes de tokens peuvent différer entre Opus 4.7 et Opus 4.6, et que le modèle introduit des budgets de tâche .
4. Classer les échecs par cause probable. Un arrêt dû au budget, un changement de tokenisation, une absence dans la récupération documentaire ou un délai d’expiration du banc de test ne sont pas la même chose qu’une régression de raisonnement.
5. Ne pas comparer une cible API documentée à un modèle non vérifié. Tant qu’il n’existe pas, dans les sources, de documentation officielle ou de référence API stable pour GPT-5.5 Spud, les affirmations de reproductibilité à son sujet restent non étayées ici .
6. Retester après chaque changement significatif. Les sources sur la dérive et la reproductibilité convergent sur un point : la stabilité des LLM doit être vérifiée, pas présumée .

En clair

Le seul verdict défendable est donc modeste mais important : aucune preuve vérifiée ne permet, dans ce dossier, de dire que Claude Opus 4.7 ou GPT-5.5 Spud gagne le duel de la dérive de régression et de la reproductibilité après mise à jour.

Claude Opus 4.7 bénéficie d’une documentation officielle d’Anthropic et de changements opérationnels connus pouvant affecter les workflows sensibles aux tokens ou aux budgets . GPT-5.5 Spud ne dispose pas ici d’un niveau de preuve comparable : le lien OpenAI fourni est une page introuvable, et une source secondaire indique qu’aucune date officielle, carte modèle ou tarification d’API n’a été annoncée .

La conclusion la plus utile pour les équipes n’est donc pas de choisir un vainqueur sur la foi d’une rumeur ou d’un nom de modèle. C’est de construire un protocole de migration reproductible, de rejouer les mêmes cas et de distinguer soigneusement les vraies régressions de qualité des effets de plateforme, de budget, de tokenisation ou de banc de test .