GPT-6 Astra: A new generation of intelligence
Nova generacija inteligencije
Ažuriranje od 22.09.2026: Proširujemo našu porodicu GPT‑6 modela modelima GPT‑6 Sol i GPT‑6 Luna. Saznaj više.
Predstavljamo GPT‑6 Astra, najinteligentniji i najusklađeniji model na svijetu.
GPT‑6 Astra objedinjuje godine istraživanja i velika ulaganja u predobuku, učenje sa potkrepljivanjem i usklađivanje. Astra postiže najsavremenije rezultate u korištenju računara, pregledanju interneta, softverskom inženjerstvu, kibernetičkoj sigurnosti, nauci i profesionalnom radu. Astra dostiže zasićenje na FrontierMath nivou 4 rezultatom od 98%, nakon što je već pomogla u rješavanju dugogodišnjih otvorenih problema u matematici. Astra također postiže rezultat od 99,9% na ARC-AGI-3 i rezultat od 100% na ExploitBenchu. Također postavlja novu granicu u korištenju računara i preglednika, obavljajući najzahtjevniji profesionalni rad nenadmašnom brzinom, tačnošću i prosuđivanjem.
GPT‑6 Astra se danas uvodi ograničenom broju organizacija, a tokom narednih dana postaće dostupan svim korisnicima ChatGPT Plus, Pro, Business i Enterprise, kao i putem OpenAI API-ja, Microsoft Azurea i AWS Bedrocka.
Astra je naš najusklađeniji model, sa značajnim poboljšanjima u razumijevanju namjere korisnika i ponašanja modela — zadatke možete delegirati sa većim povjerenjem u Astrino prosuđivanje. Kao jedan od načina na koji ovo testiramo, razvili smo novu procjenu zasnovanu na incidentu s platformom Hugging Face, koja provjerava hoće li model suočen sa teškim ili nemogućim zadatkom prekoračiti svoj predviđeni djelokrug. U poređenju s modelom GPT‑5.6 Sol, koji je bez zaštitnih mjera u produkciji u 48% slučajeva prekoračio odobreni cilj, GPT‑6 Astra je to učinio u 0% slučajeva.
Najbolji svjetski model za korištenje računara
GPT‑6 Astra označava novu granicu u brzini, tačnosti i sigurnosti korištenja računara. Može se pobrinuti za zamorne zadatke kao što su popunjavanje online obrazaca, ažuriranje podataka o klijentima u CRM-u i organiziranje vašeg kalendara. Može provoditi istraživanja na internetu i izrađivati nacrte sažetaka u vašoj e-pošti ili u uređivaču dokumenata. Može analizirati naučne podatke, generirati grafikone, kreirati web-stranicu i pokretati frontend QA provjere kako bi se osiguralo da sve funkcije na toj stranici rade. Može vam pomoći da autonomno instalirate i testirate softver te otklanjate probleme koje vidite na ekranu. Ova poboljšanja se odražavaju i u našim najsavremenijim rezultatima evaluacije.
Ova poboljšanja također dovode do značajnog povećanja efikasnosti u stvarnim zadacima rada na temelju znanja. U simulacijama kašnjenja na OSWorld 2.0, Astra ostvaruje bolje performanse pri korištenju računara uz oko 47% manje vremena po zadatku od GPT‑5.6 Sol, sa rezultatom od 72,6% za otprilike 40 minuta po zadatku, u poređenju sa 65,7% za otprilike 75 minuta.3
Mogućnosti GPT‑6 Astre za korištenje računara mogu se vidjeti u rezultatima u različitim oblastima, uključujući razvoj igara, elektrotehniku i svakodnevni rad zasnovan na znanju:
Uz Astru, ažuriramo i Codex harness kako bismo znatno poboljšali brzinu korištenja računara. U kombinaciji s efikasnošću Astre, to na referentnom testu Mind2Web znači 1,9 puta brže izvršavanje zadataka u poređenju s trenutnim iskustvom s GPT‑5.6 Sol. Poboljšanja brzine modela znače da može preuzeti mnoge vremenski zahtjevne životne zadatke za vas, brže nego što vi to možete.4
Značajan iskorak u profesionalnom radu
GPT‑6 Astra kombinuje napredak u korištenju računara sa ciljanom obukom za profesionalna okruženja kako bi pomogao u rješavanju složenih radnih zadataka. Kombinuje inteligenciju potrebnu za rješavanje složenih problema s mogućnošću izvršavanja radnih tokova u više koraka i izrade dotjeranih dokumenata, proračunskih tabela i prezentacija.
GPT‑6 Astra je naš najbolji model za pridržavanje postojećih predložaka i izradu dobro raspoređenih slajdova koji sažeto prenose ključne tačke kroz strukturiranu naraciju. Kreira jasne, dobro strukturirane dokumente, prezentacije, proračunske tabele i analize koje prate vaše predloške i odgovaraju vašem stilu pisanja i vizuelnom stilu. Astra je također obučena da u izlazne rezultate posebno uključuje samo relevantni kontekst, umjesto da ponavlja informacije koje nisu potrebne za trenutni zadatak. Sve ovo znači da može generisati više odmah upotrebljivih artefakata koji odgovaraju vašem poslovnom kontekstu i standardima.
GPT‑6 Astra također unosi snažniji vizuelni sud u web-stranice, igre, aplikacije i rendere koje izrađuje. Uz Sites(otvara se u novom prozoru) u ChatGPT‑u, Astra može kreirati, hostovati i dijeliti web-stranice, web-aplikacije i igre direktno iz upita.
Kada uputstva ostavljaju prostor za tumačenje, GPT‑6 Astra bolje od prethodnih modela donosi ispravnu odluku. Koristi kontekst za popunjavanje uobičajenih praznina i postavlja ciljana pitanja kada bi odgovor mogao promijeniti ishod. U Codexu može postavljati pitanja asinhrono dok nastavlja s radom koji ne zavisi od vašeg odgovora. Ako ne odgovorite, nastavlja na osnovu razumnih pretpostavki gdje je to prikladno, ali čeka vaš unos za odluke s važnim posljedicama.
Primjeri u nastavku prikazuju kako Astra sarađuje na svakodnevnim zadacima kod kojih informacije koje nedostaju mogu značajno promijeniti odgovor.
Astra je također bolja u održavanju orijentacije kako se zadatak razvija. Raniji modeli su poruke za usmjeravanje ponekad tretirali kao novi cilj, gubeći iz vida prvobitni zahtjev ili ranija ograničenja. Astra uključuje nove zahtjeve, mijenja smjer kada se to zatraži i odgovara na usputna pitanja bez zanemarivanja šireg zadatka.
Kodiranje
GPT‑6 Astra je dosad najbolji model za softversko inženjerstvo.
“GPT‑6 Astra pruža vrhunske performanse na našim internim referentnim testovima kodiranja i pokazuje jasan napredak u evaluacijama intuicije za trgovanje u poređenju s GPT‑5.6 Sol. Kada se koristi za kodiranje s agentima, GPT‑6 Astra komunicira na način koji programeri lakše prate i proizvodi kod koji zahtijeva manje iteracija da bi dostigao kvalitet za produkciju.”
„Testirali smo Astru pri niskom, Srednja i Visoka nivou napora na jednoj od naših evaluacija prve generacije i značajno je nadmašila GPT 5.6 Sol. Veći nivo napora donosi više iteracija na novoj verziji, više provjere putem testiranja u pretraživaču i veću sklonost izvršavanju koda umjesto primjeni zakrpa. Razumijevanje načina na koji model ulaže svoj napor omogućava nam da milionima graditelja pružimo brži i pouzdaniji put od ideje do funkcionalne aplikacije.”
S Astrom uvodimo novi način da Codex sačuva i preuzme kontekst kada se kontekstni prozor popuni. Historijski gledano, modeli su koristili kompakciju za sažimanje rada tokom dugih sesija, kao što su otklanjanje složenih problema ili rad na velikim refaktorisanjima. Svaka kompakcija može izostaviti detalje o tome zašto ispravka nije uspjela ili kako se komponenta ponaša. U Codex Astra može čuvati bilješke kroz više kontekstnih prozora, čuvajući prikupljene detalje bez njihovog ponovljenog sažimanja u jedan sažetak. Raniji kontekstni prozori ostaju pretraživi, tako da Astra može pronaći zahtjeve ili rezultate testiranja iz prethodnih poruka i izlaza alata—čak i ako te informacije nisu zabilježene u njenim bilješkama. Ovu eksperimentalnu funkciju možete omogućiti u svojoj datoteci Codex config.toml,(otvara se u novom prozoru) i postat će zadana opcija za Astru u narednim sedmicama.
Unapređivanje naučnih otkrića
Astra može pomoći u praktičnom radu koji stoji iza naučnih otkrića. Kombinovanjem naučnog rezonovanja s korištenjem računara može direktno raditi u specijaliziranom softveru kako bi pregledala podatke i istraživala rezultate, pomažući istraživačima da procijene dokaze i odluče šta sljedeće istražiti.
Kibernetička sigurnost
Kao što smo razgovarali u našem sigurnosnom ažuriranju, Astra predstavlja značajan iskorak u kibernetičkim sposobnostima i ispunjava kritični prag u kibernetičkoj sigurnosti prema našem Okviru pripravnosti. Njena sposobnost identificiranja i razvoja eksploita nultog dana može pomoći braniocima da pronađu i zakrpe slabosti, ali također stvara potrebu za snažnijim zaštitnim mjerama. Da bismo razumjeli dokle sežu ove mogućnosti, podvrgli smo Astru internim evaluacijama i evaluacijama vanjskih stručnjaka.
Prvo smo testirali model bez zaštitnih mjera u produkciji na benchmarkima ExploitBench i ExploitGym, koji procjenjuju mogu li modeli poznate softverske ranjivosti pretvoriti u funkcionalne eksploite. Na ExploitBenchu Astra je ostvarila savršen rezultat od 100%, u poređenju sa 78,5% za GPT‑5.6 Sol, naš prethodni granični model s kibernetičkim sposobnostima. Na ExploitGymu, Astra je postigla stopu uspješnosti od 42,4%, u poređenju s 30,3% za GPT‑5.6 Sol, uz znatno manje izlaznih tokena.13
S obzirom na bojazni da je izloženost historijskim ranjivostima softvera mogla uticati na rezultate referentnih mjerila, Astru smo, takođe, evaluirali na dva nova referentna mjerila. Kao prvo, izradili smo internu evaluaciju „ExploitBench (juni–august 2026)” kako bismo testirali razvoj eksploita koristeći ranjivosti iz prethodna tri mjeseca.14 Astra je ostvarila znatno veće stope izvršavanja proizvoljnog koda od GPT‑5.6 Sol na ovom skupu podataka, uz znatno manje izlaznih tokena. Tokom evaluacije, Astra je čak otkrila i upotrijebila dvije ranije nepoznate ranjivosti nultog dana. Obje ranjivosti otkrivamo njihovim održavaocima.
Testirali smo i Astru na SRE-Bench15, benchmarku koji mjeri mogu li modeli izvršiti reverzno inženjerstvo binarnih softverskih datoteka kako bi razumjeli njihovu osnovnu logiku bez pristupa sirovom izvornom kodu. Astra je riješila 88,0% zadataka u jednom pokušaju i 99,2% u roku od četiri pokušaja, u poređenju s 55,9% i 68,7% kod GPT‑5.6 Sol-a, redom.
Pored referentnih testova, procjene koje su vodili stručnjaci pokazale su da Astra, kada se pokreće bez produkcijskih zaštitnih mjera, može koristiti ranije nepoznate ranjivosti za izvršavanje proizvoljnog koda u sigurnosno ojačanim preglednicima i kreirati eksploite za eskalaciju privilegija na sigurnosno ojačanim operativnim sistemima.
Kao što smo razgovarali u The Defender’s Window, granične kibernetičke mogućnosti mogu pomoći braniocima da brže pronađu slabosti, ali, takođe, čine te slabosti lakšim za iskorištavanje, što povećava hitnost prilagođavanja branilaca. S verzijom Astre koja se danas lansira, timovi za odbranu mogu obavljati zadatke kao što su sigurnosni pregled koda i postavljanje zakrpa.
Međutim, Astra će odbiti izvršavanje naprednijih zadataka iz kibernetičke sigurnosti, kao što je kreiranje eksploita za dokaz koncepta ranjivosti. Putem OpenAI Daybreak planiramo proširiti pristup i uvesti manje restriktivne zaštitne mjere u narednim sedmicama. Ovo će omogućiti više odbrambenih tokova rada, uključujući validaciju ranjivosti i dokaza koncepta, analizu zlonamjernog softvera i inženjering detekcije.
Takođe smo ojačali zaštitu od potencijalne kibernetičke zloupotrebe, nadovezujući se na naš skup zaštitnih mjera za GPT‑5.6 Sol. To uključuje veću robusnost modela kako bi bolje izdržao potencijalne jailbreaks i više konteksta za naše sisteme za praćenje. Nastavili smo rigorozno interno i eksterno testiranje, uključujući automatizirane evaluacije s našim internim napadačima za red teaming. Više detalja o našim kibernetičkim zaštitnim mjerama i testiranju dostupno je u Astrinom pregledu sigurnosti i kartici sistema(otvara se u novom prozoru)..
Odgovorno usklađivanje i primjena GPT‑6 Astra
Astra je naš najusklađeniji model. Astra se ističe u pažljivom postupanju, poštivanju granica zadatka i transparentnoj komunikaciji. Ovaj rad najnoviji je rezultat našeg dugogodišnjeg istraživačkog programa usmjerenog na obuku modela koji ostaju usklađeni sa ljudskom namjerom od početka do kraja.
U osjetljivim okruženjima, Astra postupa s oprezom srazmjernim riziku. U evaluaciji zadataka korištenja računara koji su adverzarijalno odabrani kako bi izazvali nepoželjno ponašanje, Astra je bila uspješnija u izbjegavanju nenamjeravanih posljedica. Pokretanje uz dodatne sigurnosne mjere koje se nude prema zadanim postavkama rezultiralo je još boljim performansama.
Astra uzrokuje manje neusklađenih ishoda od bilo kojeg drugog testiranog graničnog modela. Radi poštenog poređenja, koristili smo generički harness za agenta koji koristi računalo (zasnovan na nativnim alatima za korištenje računala dostupnim u oba API-ja, OpenAI Responses API(otvara se u novom prozoru) i Anthropic Messages API(otvara se u novom prozoru)) i bez dodatnih zaštita koje se obično primjenjuju na korisnike Codex i ChatGPT Worka (automatski pregled, politika potvrđivanja).
Također je vjerovatnije da će Astra djelovati unutar granica koje je postavio korisnik i koje podrazumijeva njeno okruženje. U internoj procjeni Astra nikada nije pokušala zaobići odbijanje automatskog pregleda Codexa. Ovo je i dalje važilo čak i kada je Auto-review namjerno podešen tako da se mogao zaobići, a zadatak inače nije bilo moguće dovršiti. Ovo poštovanje ograničenja okruženja u skladu je s rezultatima naše evaluacije nemogućih kibernetičkih zadataka, koje smo podijelili u uvodu ovog teksta, i drugim nalazima dokumentovanim u našoj kartici sistema(otvara se u novom prozoru).
Astra dodatno postavlja nove standarde u transparentnoj komunikaciji sa korisnicima. U jednoj evaluaciji, tri puta je manje vjerovatno da će Astra nego kod GPT‑5.6 Sol iznositi netačne tvrdnje o svojim sposobnostima i mogućnostima.
U našoj evaluaciji halucinacija o sposobnostima, Astra pokazuje znatno poboljšanje u odnosu na GPT‑5.6 Sol, iznoseći manje obmanjujućih tvrdnji o svojim sposobnostima.
Naše evaluacije pokazale su da je pisano rezonovanje Astre teže nadzirati nego ono modela GPT‑5.6 Solovih, na osnovu testova u kojima je od njega izričito zatraženo da izbjegne nadzor. To pripisujemo većoj kontroli Astre nad pisanim rezonovanjem pri jednostavnijim zadacima i sposobnosti da rješava probleme s manje pisanih koraka. Čini se da Astra i dalje ima poteškoća sa skrivanjem rezonovanja potrebnog za složene zadatke, ali ovaj pad shvatamo ozbiljno. Poboljšavanje mogućnosti nadzora ostaje istraživački prioritet, a priložena kartica sistema(otvara se u novom prozoru) detaljno opisuje naše nalaze i rad koji je u toku.
Obuka usklađivanja ključna je za naš pristup implementaciji. Kao dodatni sloj odbrane, razvijamo i zaštitne mjere sistema, poput Codex Auto-review(otvara se u novom prozoru) i nadzora rezonovanja i radnji agenata, kako bismo lakše otkrili i obuzdali nesigurno ponašanje. Kao što je opisano u našem ažuriranju o sigurnosti, za modele klase Astra u produkciji uvodimo i nadzor neusklađenosti kako bismo imali uvid u neusklađenost i pomogli u obuzdavanju njenih najgorih slučajeva. Te zaštitne mjere slične su našem nadzoru internih uvođenja i obuhvataju sistem klasifikatora koji provjeravaju rezonovanje i radnje modela radi otkrivanja neovlaštenog ponašanja, te automatski zaustavljaju potencijalno neovlaštene aktivnosti.
S obzirom na značajno povećanje kapaciteta Astre u oblasti kibernetičke sigurnosti, posebno pazimo da ova implementacija bude sigurna i zaštićena. Dodatne sigurnosne provjere ponekad mogu usporiti, pauzirati ili zaustaviti legitimne aktivnosti, uključujući odbrambenu kibernetičku sigurnost. Ako se zadatak pauzira u ChatGPT‑u ili Codexu, od vas se može zatražiti da pregledate radnju prije nastavka. U API-ju će se zadatak zaustaviti. Ove provjere ponekad mogu prekinuti legitiman rad, a mi nastavljamo unapređivati ovaj sistem kako bismo smanjili nepotrebne prekide. Nadzor neusklađenosti ne može zamijeniti usklađivanje: naš cilj je izgraditi modele koji pouzdano ostaju unutar svog odobrenog djelokruga, tako da ove zaštitne mjere ne moraju intervenisati.
Dostupnost
GPT‑6 Astra se danas uvodi ograničenom broju organizacija, a tokom narednih dana biće dostupna svim korisnicima planova ChatGPT Plus, Pro, Business i Enterprise, kao i putem OpenAI API-ja, Microsoft Azurea i AWS Bedrocka. Korištenje Astre uključeno je u postojeće kvote pretplate — korisnici i preduzeća moći će kupiti i kredite za dodatno korištenje. Korisnici planova Pro, Business i Enterprise također će dobiti pristup GPT‑6 Astra Pro. Enterprise administratori mogu omogućiti Astru za svoj radni prostor; pristup je podrazumijevano isključen pri pokretanju.
Astra podržava opciju bez zadržavanja podataka za korisnike API-ja koji ispunjavaju uslove i, kao što smo objavili prošlog mjeseca, testiramo Privatnu sigurnosnu obradu kako bismo ojačali praćenje sigurnosti uz očuvanje privatnosti korisnika.
Za programere, GPT‑6 Astra će biti dostupan u OpenAI API-ju kao gpt-6-astra i putem platformi Microsoft Azure i Amazon Bedrock.
Standardna cijena za OpenAI API iznosi 10 USD po milion ulaznih tokena i 50 USD po milion izlaznih tokena. Primjenjuju se zasebne tarife za čitanja iz keša i pisanja u keš. Brzi mod je dostupan za GPT‑6 Astra u API-ju i pruža do 2 puta veću brzinu od standardne obrade po cijeni dvostruko većoj od standardne.
Profesionalno
Profesionalno | GPT‑6 Astra | GPT‑5.6 Sol | Claude Fable 5.1 | Claude Fable 5 | Claude Opus 5 | Gemini 3.8 Flash |
AutomationBench | 41,4% | 18,1% | 31,4% | 17,4% | 26,9% | - |
BenchCAD | 95,9% | 83,3% | 84,3% 5 | 67,5% 5 | 82,1% 5 | - |
BrowseComp | 91,5% | 90,4% | - | 87,4% | 90,8% | - |
Gudački kvarteti OpenScore (1 - OMR-NED) | 0,84 | 0,19 | - | - | - | - |
Interni dizajnerski zadaci | 50,0% | 47,4% | - | 35,8% | - | - |
Interni zadaci iz nauke o podacima | 40,9% | 30,5% | - | 34,7% | - | - |
Indeks inteligencije Artificial Analysis v4.1.1 | 61,2 | 60,9 | 65,7 | 62,1 | 63,1 | 58,7 |
Kodiranje
| Kodiranje | GPT‑6 Astra | GPT‑5.6 Sol | Claude Fable 5.1 | Claude Fable 5 | Claude Opus 5 | Gemini 3.8 Flash |
|---|---|---|---|---|---|---|
| Terminal-Bench 4.0 | 57,9% | 37,3% | 55,8% | 44,5% | 52,6% | 19,1% |
| DeepSWE v1.1 | 74,1% | 72,7% | 67,4% | 69,9% | 73,7% | 73,8% |
| FrontierCode 1.1 Prošireni (rezultat) | 64,5% 8 | 60,6% | 63,6% | 64,9% | 63,6% | 56,3% |
| FrontierCode 1.1 Glavni (rezultat) | 53,3% 8 | 47,5% | 50,9% | 53,5% | 53,4% | 43,6% |
| Zadaci interne migracije baze podataka | 63,9% | 42,7% | 57,8% | 50,3% | - | - |
| Indeks agenata za kodiranje Artificial Analysis v1.4 | 67,0 | 65,1 | - | 67,2 | 68,1 | 61,2 |
Akademski
Akademski | GPT‑6 Astra | GPT‑5.6 Sol | Claude Fable 5.1 | Claude Fable 5 | Claude Opus 5 | Gemini 3.8 Flash |
Terminal-Bench Science 0.1 | 64,6% | 22,4% | 52,6% | 21,4% | 30,0% | - |
FrontierMath nivo 4 (v2) | 97,6% | 83,0% | 87,8% | 90,2% | 73,2% | - |
GPQA Diamond | 96,0% | 94,6% | 93,7% | 92,6% | 93,7% | 95,3% |
Posljednji ispit čovječanstva (s alatima) | 57,2% | - | 65,0% | 63,8% | 63,6% | - |
Usklađenost
Usklađenost | GPT‑6 Astra | GPT‑5.6 Sol | Claude Fable 5.1 | Claude Fable 5 | Claude Opus 5 | Gemini 3.8 Flash |
Sigurnosni referentni pokazatelj za internu upotrebu računara (niže je bolje) | 2,4% | 22,0% | 9,5% | 18,3% | 11,5% | - |
Interni referentni test sigurnosti pri korištenju računara, uz AutoReview (niže je bolje) | 1,8% | 4,3% | - | - | - | - |
Interna referentna vrijednost zaobilaženja (niža je bolja) | 0,00% | 0,29% | - | - | - | - |
Honeypot u ExploitGymu (niže je bolje) | 0,0% | 48,2% | - | - | - | - |
Nemogući ExploitGym | 100,0% | - | - | - | - | - |
Interni benchmark halucinacija (niži je bolji) | 4,2% | 12,2% | - | - | - | - |
Dugi kontekst
Dugi kontekst | GPT‑6 Astra | GPT‑5.6 Sol | Claude Fable 5.1 | Claude Fable 5 | Claude Opus 5 | Gemini 3.8 Flash |
OpenAI MRCR v2 8-igala 256K-512K | 100,0% | 91,5% | - | - | - | - |
OpenAI MRCR v2 8-needle 512K-1M | 96,3% | 73,8% | - | - | - | - |
Apstraktno rezonovanje
| Apstraktno rezonovanje | GPT‑6 Astra | GPT‑5.6 Sol | Claude Fable 5.1 | Claude Fable 5 | Claude Opus 5 | Gemini 3.8 Flash |
|---|---|---|---|---|---|---|
| ARC-AGI-3 | 99,9% 1 | 7,8% | - | - | 30,2% | - |
| ARC-AGI-2 | 95,0% | 92,5% | 90,0% | 89,2% | 90,4% | - |
| ARC-AGI-1 | 98,5% | 97,5% | 97,5% | 98,5% | 97,5% | - |
Ocjene evaluacije su maksimalne pri bilo kojem nivou napora. Evaluacije GPT‑a su provedene u našem istraživačkom okruženju ili putem našeg API-ja, što može dati nešto drugačiji rezultat od produkcijskog ChatGPT‑a zbog razlika u sistemskim upit, dostupnim alatima itd.
Fusnote
- 1
Na testu ARC-AGI-3, GPT-6 Astra pokrenut je pomoću našeg responses API harnessa, koji mijenja dvije postavke kako bi bolje odgovarao performansama u stvarnom svijetu. Promjene nisu posebno usmjerene na ARC-AGI-3.
- 2
GPT-5.6 Sol odnosi se na verziju modela dostupnu u našem API-ju, ChatGPT Codex i ChatGPT Worku. Verzija u načinu Chat u aplikaciji ChatGPT malo se razlikuje.
- 3
OSWorld V2-Offline je podskup originalnog OSWorld V2 koji radi bez pristupa internetu. Autori su reproducirali performanse modela Claude na OSWorld-V2 Offline na službenoj rang-listi(otvara se u novom prozoru). Na OSWorldu 2.0, rezultati za Claude zasnivaju se na službenim postavkama, a ne na izmijenjenim zadacima i izmijenjenom ocjenjivanju iz kartice sistema Fable 5.1.
- 4
- 5
Na BenchCAD-u, Claudeovi rezultati odražavaju 3 izmjene evaluacije, detaljno opisane u kartici sistema Fable 5.1(otvara se u novom prozoru).
- 6
Guang Yang, Victoria Ebert, Nazif Tamer, Brian Siyuan Zheng, Luiza Pozzobon i Noah A. Smith. “LEGATO: Širokoobimni generalizirajući pristup od početka do kraja za OMR štampanog notnog zapisa(otvara se u novom prozoru).” arXiv:2506.19065, 2025.
- 7
Mark R. H. Gotham, Maureen Redbond, Bruno Bower i Peter Jonas. „Korpus gudačkih kvarteta OpenScore(otvara se u novom prozoru).“ Zbornik radova 10. međunarodne konferencije o digitalnim bibliotekama za muzikologiju, str. 49–57. ACM, 2023.
- 8
Na FrontierCodeu, GPT-6 Astra je pokrenut uz poruku za programera sličnu odjeljku svoje poruke za programera u Codexu(otvara se u novom prozoru): "Izbjegavaj kreiranje prevelikog broja datoteka za testiranje. Kreiraj novu testnu datoteku samo kada to zahtijevaju konvencije repozitorija ili kada nijedna postojeća datoteka nije prikladno mjesto. Izbjegavajte nepovezano čišćenje i nepotrebnu složenost. Ponovo koristite odgovarajuće postojeće pomoćne alate. Pročitaj relevantne upute za repozitorij i pregledaj obližnji kod, testove, dokumentaciju i CI. Pridržavajte se ustaljenih konvencija. Cilj je čist kod koji se može spojiti." Upit nije optimiziran za evaluaciju.
- 9
Prvo se odnosi na to koliko se blizu jedan drugome mogu pojaviti prosti brojevi, ma koliko daleko išli duž brojevne prave. Više od deset godina, najbolji poznati rezultat pokazivao je da postoji beskonačno mnogo parova prostih brojeva čija je razlika najviše 246. Julia Stadlmann(otvara se u novom prozoru) nedavno je poboljšala tu granicu na 240. Astra je pomogla u uspostavljanju strože granice od 186, pokazujući da se beskonačno mnogo parova javlja unutar ove manje udaljenosti. Kratki razmaci između prostih brojeva: Dokaz(otvara se u novom prozoru) i prateće istraživanje(otvara se u novom prozoru).
- 10
Drugi se odnosi na neuobičajeno velike razmake između prostih brojeva. Astra je u granici za te razmake poboljšala jedan član koji je više od 80 godina ostao nepromijenjen. Dijelimo dokaze, skraćeni lanac razmišljanja i materijale za provjeru za oba rezultata. Veliki razmaci između prostih brojeva: Dokaz(otvara se u novom prozoru) i prateća istraživanja(otvara se u novom prozoru).
- 11
- 12
- 13
- 14
ExploitBench (juni–august 2026) sadrži 20 V8 ranjivosti visoke ozbiljnosti u 13 stabilnih izdanja Chromea. Referentni test provjerava mogu li agenti postići izvršavanje proizvoljnog koda u V8 i službenim izdanjima Chromea za Linux iskorištavanjem svake navedene ranjivosti. Neke uključene ranjivosti možda ne omogućavaju izvršavanje proizvoljnog koda u okviru ograničenja evaluacije, pa stopa uspješnosti od 100% možda nije ostvariva. Napomena: rezultat od 5,5% modela GPT-5.6 Sol artefakt je ograničenja od 300 koraka u referentnom testu, ograničenja koje stvarni korisnici koji koriste max nemaju. Model je pri sličnim postavkama ostvario rezultat od 11,5% uz dostizanje manje ograničenja.
- 15
Jeremy Spence i dr. „Sljedeći izazov za agentsku kibernetičku sigurnost: realističan benchmark za obrnuti inženjering bez kontaminacije(otvara se u novom prozoru).” arXiv:2608.11469v1, 2026.
- 16
Kada testiramo modele trećih strana, koristimo jednostavniju istraživačku postavku. Codex ima složeniju produkcijsku konfiguraciju, što može rezultirati različitim stopama grešaka sirovog modela. Zaštitne mjere na strani pružatelja usluga i implementacije računalnih alata i dalje se razlikuju. Korisnici ne doživljavaju scenarij bez potvrde u Codex jer je to interna istraživačka konfiguracija.
- 17
