GPT-6 Astra: A new generation of intelligence
Μια νέα γενιά ευφυΐας
Ενημέρωση 22ας Σεπτεμβρίου 2026: Επεκτείνουμε την οικογένεια GPT‑6 με τα GPT‑6 Sol και GPT‑6 Luna. Μάθετε περισσότερα.
Παρουσιάζουμε το GPT‑6 Astra, το πιο έξυπνο και ευθυγραμμισμένο μοντέλο στον κόσμο.
Το GPT‑6 Astra συνδυάζει χρόνια έρευνας και σημαντικές επενδύσεις στην προεκπαίδευση, την ενισχυτική μάθηση και την ευθυγράμμιση. Το Astra διαθέτει επιδόσεις αιχμής στη χρήση υπολογιστών, την περιήγηση στο διαδίκτυο, τη μηχανική λογισμικού, την κυβερνοασφάλεια, την επιστήμη και την επαγγελματική εργασία. Το Astra επιτυγχάνει κορεσμό στο FrontierMath Tier 4 με βαθμολογία 98%, έχοντας ήδη συμβάλει στην επίλυση μακροχρόνιων ανοικτών προβλημάτων στα μαθηματικά. Το Astra φτάνει επίσης στο ανώτατο όριο στο ARC-AGI-3 με βαθμολογία 99,9% και στο ExploitBench με βαθμολογία 100%. Θέτει επίσης ένα νέο κορυφαίο επίπεδο στη χρήση υπολογιστή και προγράμματος περιήγησης, διεκπεραιώνοντας τις πιο απαιτητικές επαγγελματικές εργασίες με απαράμιλλη ταχύτητα, ακρίβεια και κρίση.
Το GPT‑6 Astra διατίθεται σταδιακά από σήμερα σε περιορισμένο αριθμό οργανισμών και τις επόμενες ημέρες θα γίνει διαθέσιμο σε όλους τους χρήστες ChatGPT Plus, Pro, Business και Enterprise, καθώς και μέσω του OpenAI API, του Microsoft Azure και του AWS Bedrock.
Το Astra είναι το πιο ευθυγραμμισμένο μοντέλο μας, με σημαντικές βελτιώσεις στην κατανόηση της πρόθεσης του χρήστη και της συμπεριφοράς του μοντέλου. Μπορείτε να αναθέτετε εργασίες με μεγαλύτερη εμπιστοσύνη στην κρίση του Astra. Ως έναν τρόπο για να το δοκιμάσουμε αυτό, δημιουργήσαμε μια νέα αξιολόγηση, βασισμένη στο περιστατικό της Hugging Face, η οποία εξετάζει αν ένα μοντέλο που αντιμετωπίζει μια δύσκολη ή αδύνατη εργασία θα υπερβεί το προβλεπόμενο πεδίο του. Σε σύγκριση με το GPT‑5.6 Sol, το οποίο χωρίς τις δικλίδες ασφαλείας σε περιβάλλον παραγωγής υπερέβη τον εγκεκριμένο στόχο στο 48% των περιπτώσεων, το GPT‑6 Astra το έκανε στο 0% των περιπτώσεων.
Το καλύτερο μοντέλο χρήσης υπολογιστή στον κόσμο
Το GPT‑6 Astra σηματοδοτεί ένα νέο ορόσημο στην ταχύτητα, την ακρίβεια και την ασφάλεια της υπολογιστικής χρήσης. Μπορεί να αναλάβει κουραστικές εργασίες, όπως να συμπληρώσει ηλεκτρονικές φόρμες, να ενημερώσει τις καρτέλες πελατών σε ένα CRM και να οργανώσει το ημερολόγιό σας. Μπορεί να πραγματοποιεί διαδικτυακή έρευνα και να συντάσσει προσχέδια περιλήψεων στο email ή στον επεξεργαστή εγγράφων σας. Μπορεί να αναλύει επιστημονικά δεδομένα, να δημιουργεί γραφήματα, να δημιουργεί έναν ιστότοπο και να εκτελεί ελέγχους διασφάλισης ποιότητας στο frontend, ώστε να διασφαλίζει ότι όλα τα χαρακτηριστικά αυτού του ιστότοπου λειτουργούν. Μπορεί να σας βοηθήσει να εγκαθιστάτε και να δοκιμάζετε λογισμικό αυτόνομα, καθώς και να αντιμετωπίζετε προβλήματα που εμφανίζονται στην οθόνη. Οι βελτιώσεις αυτές αντικατοπτρίζονται επίσης στα κορυφαία αποτελέσματα αξιολόγησής μας.
Αυτές οι βελτιώσεις οδηγούν επίσης σε σημαντικά κέρδη αποδοτικότητας σε πραγματικές εργασίες γνώσης. Σε προσομοιώσεις καθυστέρησης στο OSWorld 2.0, το Astra επιτυγχάνει υψηλότερη απόδοση στη χρήση υπολογιστή σε περίπου 47% λιγότερο χρόνο ανά εργασία από το GPT‑5.6 Sol, σημειώνοντας επίδοση 72,6% σε περίπου 40 λεπτά ανά εργασία, σε σύγκριση με 65,7% σε περίπου 75 λεπτά.3
Οι δυνατότητες χρήσης υπολογιστή του GPT‑6 Astra φαίνονται στα αποτελέσματα από διάφορους τομείς, όπως η ανάπτυξη παιχνιδιών, η ηλεκτρολογική μηχανική και η καθημερινή εργασία γνώσης:
Παράλληλα με το Astra, ενημερώνουμε επίσης τον μηχανισμό Codex ώστε να βελτιώσουμε σημαντικά την ταχύτητα χρήσης υπολογιστή. Σε συνδυασμό με την αποδοτικότητα του Astra, αυτό μεταφράζεται σε ολοκλήρωση εργασιών κατά 1,9 φορές ταχύτερη σε σύγκριση με την τρέχουσα εμπειρία GPT‑5.6 Sol, στη δοκιμή αναφοράς Mind2Web. Οι βελτιώσεις ταχύτητας του μοντέλου σημαίνουν ότι μπορεί να αναλάβει για εσάς πολλές χρονοβόρες καθημερινές εργασίες, ταχύτερα από ό,τι μπορείτε εσείς.4
Μια ριζική αλλαγή στην επαγγελματική εργασία
Το GPT‑6 Astra συνδυάζει τις εξελίξεις στη χρήση υπολογιστή με στοχευμένη εκπαίδευση για επαγγελματικά περιβάλλοντα, ώστε να βοηθά στην αντιμετώπιση σύνθετων εργασιακών καθηκόντων. Συνδυάζει το Επίπεδο ευφυΐας που απαιτείται για σύνθετα προβλήματα με την ικανότητα εκτέλεσης ροών εργασίας πολλαπλών βημάτων και παραγωγής καλαίσθητων εγγράφων, υπολογιστικών φύλλων και παρουσιάσεων.
Το GPT‑6 Astra είναι το καλύτερο μοντέλο μας για την τήρηση υπαρχόντων προτύπων και τη δημιουργία διαφανειών με καλή διάταξη που μεταφέρουν συνοπτικά τα βασικά σημεία με δομημένη αφήγηση. Δημιουργεί σαφή, καλά δομημένα έγγραφα, παρουσιάσεις, υπολογιστικά φύλλα και αναλύσεις που ακολουθούν τα πρότυπά σας και ταιριάζουν με το ύφος γραφής και το οπτικό σας στυλ. Το Astra είναι επίσης εκπαιδευμένο να αντλεί μόνο το σχετικό πλαίσιο στις εξόδους, αντί να επαναλαμβάνει πληροφορίες που δεν είναι απαραίτητες για την εκάστοτε εργασία. Όλα αυτά σημαίνουν ότι μπορεί να παράγει πιο άμεσα αξιοποιήσιμα παραδοτέα που ανταποκρίνονται στο επιχειρηματικό σας πλαίσιο και στα πρότυπά σας.
Το GPT‑6 Astra προσφέρει επίσης ισχυρότερη οπτική κρίση στους ιστότοπους, τα παιχνίδια, τις εφαρμογές και τις απεικονίσεις που δημιουργεί. Με τα Sites(ανοίγει σε νέο παράθυρο) στο ChatGPT, το Astra μπορεί να δημιουργεί, να φιλοξενεί και να κοινοποιεί ιστότοπους, εφαρμογές ιστού και παιχνίδια απευθείας από μια προτροπή.
Όταν οι οδηγίες αφήνουν περιθώριο ερμηνείας, το GPT‑6 Astra είναι καλύτερο από τα προηγούμενα μοντέλα στο να λαμβάνει τη σωστή απόφαση. Χρησιμοποιεί τα συμφραζόμενα για να συμπληρώνει τις δευτερεύουσες πληροφορίες που λείπουν και υποβάλλει συγκεκριμένες ερωτήσεις όταν η απάντηση θα μπορούσε να αλλάξει το αποτέλεσμα. Στο Codex, μπορεί να υποβάλλει ερωτήσεις ασύγχρονα, ενώ συνεχίζει να εργάζεται σε εργασίες που δεν εξαρτώνται από την απάντησή σας. Αν δεν απαντήσετε, προχωρά κάνοντας λογικές παραδοχές όπου ενδείκνυται, αλλά περιμένει τη δική σας συμβολή για αποφάσεις με σημαντικές συνέπειες.
Τα παρακάτω παραδείγματα δείχνουν πώς το Astra συνεργάζεται σε καθημερινές εργασίες όπου οι πληροφορίες που λείπουν μπορούν να αλλάξουν ουσιωδώς την απάντηση.
Το Astra είναι επίσης καλύτερο στο να διατηρεί τον προσανατολισμό του καθώς εξελίσσεται μια εργασία. Τα προηγούμενα μοντέλα μερικές φορές αντιμετώπιζαν τα μηνύματα καθοδήγησης ως νέο στόχο, χάνοντας από τα μάτια τους το αρχικό αίτημα ή τους προηγούμενους περιορισμούς. Το Astra ενσωματώνει νέες απαιτήσεις, αλλάζει πορεία όταν του ζητείται και απαντά σε παράπλευρες ερωτήσεις, χωρίς να παραμελεί τη συνολική εργασία.
Προγραμματισμός
Το GPT‑6 Astra είναι το καλύτερο μοντέλο για μηχανική λογισμικού μέχρι σήμερα.
«Το GPT‑6 Astra προσφέρει κορυφαίες επιδόσεις στα εσωτερικά μας σημεία αναφοράς προγραμματισμού και παρουσιάζει σαφή πρόοδο στις αξιολογήσεις διαίσθησης στις συναλλαγές σε σύγκριση με το GPT‑5.6 Sol.» Όταν χρησιμοποιείται για προγραμματισμό βάσει πράκτορα, το GPT‑6 Astra επικοινωνεί με τρόπο που είναι ευκολότερο να παρακολουθήσουν οι προγραμματιστές και παράγει κώδικα που απαιτεί λιγότερες επαναλήψεις για να φτάσει σε ποιότητα παραγωγής.»
«Δοκιμάσαμε το Astra σε χαμηλή, μεσαία και υψηλή προσπάθεια σε μία από τις αξιολογήσεις πρώτης γενιάς μας, και είχε σημαντικά καλύτερη απόδοση από το GPT 5.6 Sol. Η υψηλότερη προσπάθεια προσφέρει περισσότερες επαναλήψεις σε μια νέα έκδοση, περισσότερη επαλήθευση μέσω δοκιμών στο πρόγραμμα περιήγησης και προτίμηση για εκτέλεση κώδικα αντί για apply-patch. Η κατανόηση του τρόπου με τον οποίο ένα μοντέλο αξιοποιεί την προσπάθειά του μάς επιτρέπει να προσφέρουμε σε εκατομμύρια δημιουργούς μια ταχύτερη και πιο αξιόπιστη διαδρομή από την ιδέα σε μια λειτουργική εφαρμογή.»
Με το Astra, παρουσιάζουμε έναν νέο τρόπο ώστε το Codex να διατηρεί και να ανακτά θεματικό πλαίσιο όταν γεμίζει το θεματικό πλαίσιο. Μέχρι σήμερα, τα μοντέλα χρησιμοποιούσαν τη συμπύκνωση για να συνοψίζουν την εργασία κατά τη διάρκεια παρατεταμένων συνεδριών, όπως κατά τον εντοπισμό σφαλμάτων σε σύνθετα προβλήματα ή την εκτέλεση αναδιαρθρώσεων κώδικα μεγάλης κλίμακας. Κάθε συμπύκνωση μπορεί να παραλείπει λεπτομέρειες σχετικά με το γιατί απέτυχε μια διόρθωση ή με τον τρόπο λειτουργίας ενός στοιχείου. Στο Codex, το Astra μπορεί να διατηρεί σημειώσεις σε διαφορετικά θεματικά πλαίσια, διαφυλάσσοντας τις συσσωρευμένες λεπτομέρειες χωρίς να τις συμπυκνώνει επανειλημμένα σε μία ενιαία σύνοψη. Τα προηγούμενα θεματικά πλαίσια παραμένουν με δυνατότητα αναζήτησης, ώστε το Astra να μπορεί να βρίσκει απαιτήσεις ή αποτελέσματα δοκιμών από προηγούμενα μηνύματα και εξόδους εργαλείων, ακόμη και αν αυτές οι πληροφορίες δεν καταγράφηκαν στις σημειώσεις του. Μπορείτε να ενεργοποιήσετε αυτή την πειραματική λειτουργία στο config.toml του Codex σας,(ανοίγει σε νέο παράθυρο) και θα γίνει η προεπιλογή για το Astra τις επόμενες εβδομάδες.
Προάγοντας την επιστημονική ανακάλυψη
Το Astra μπορεί να βοηθήσει στο πρακτικό έργο που απαιτείται για την επιστημονική ανακάλυψη. Συνδυάζοντας την επιστημονική συλλογιστική με τη χρήση υπολογιστή, μπορεί να λειτουργεί απευθείας σε εξειδικευμένο λογισμικό για να εξετάζει δεδομένα και να διερευνά αποτελέσματα, βοηθώντας τους ερευνητές να αξιολογούν τα τεκμήρια και να αποφασίζουν τι θα διερευνήσουν στη συνέχεια.
Κυβερνοασφάλεια
Όπως συζητήσαμε στην ενημέρωση ασφαλείας μας, το Astra αποτελεί σημαντική πρόοδο στις δυνατότητες κυβερνοασφάλειας και πληροί το Κρίσιμο όριο στην κυβερνοασφάλεια βάσει του Πλαισίου Ετοιμότητάς μας. Η ικανότητά του να εντοπίζει και να αναπτύσσει exploits μηδενικής ημέρας (zero-day) μπορεί να βοηθήσει τις ομάδες άμυνας να εντοπίζουν και να επιδιορθώνουν αδυναμίες, αλλά δημιουργεί επίσης την ανάγκη για ισχυρότερα μέτρα προστασίας. Για να κατανοήσουμε μέχρι πού φτάνουν αυτές οι δυνατότητες, υποβάλαμε το Astra σε αξιολογήσεις από εσωτερικούς και ανεξάρτητους εξωτερικούς ειδικούς.
Αρχικά δοκιμάσαμε το μοντέλο χωρίς δικλίδες ασφαλείας παραγωγής στα ExploitBench και ExploitGym, τα οποία αξιολογούν αν τα μοντέλα μπορούν να μετατρέπουν γνωστές ευπάθειες λογισμικού σε λειτουργικά exploit. Στο ExploitBench, το Astra πέτυχε την τέλεια βαθμολογία 100%, έναντι 78,5% για το GPT‑5.6 Sol, το προηγούμενο κορυφαίο μοντέλο μας με δυνατότητες κυβερνοασφάλειας. Στο ExploitGym, το Astra πέτυχε ποσοστό επιτυχίας 42,4%, σε σύγκριση με 30,3% για το GPT‑5.6 Sol, χρησιμοποιώντας σημαντικά λιγότερα token εξόδου.13
Λόγω ανησυχιών ότι η έκθεση σε παλαιότερες ευπάθειες λογισμικού ενδέχεται να είχε επηρεάσει τα αποτελέσματα των benchmark, αξιολογήσαμε επίσης το Astra σε δύο νέα benchmark. Για το ένα από αυτά, δημιουργήσαμε μια εσωτερική αξιολόγηση με την ονομασία «ExploitBench (June–August 2026)», προκειμένου να δοκιμάσουμε την ανάπτυξη τρόπων εκμετάλλευσης με βάση ευπάθειες των προηγούμενων τριών μηνών.14 Το Astra πέτυχε σημαντικά υψηλότερα ποσοστά εκτέλεσης αυθαίρετου κώδικα από το GPT‑5.6 το Sol σε αυτό το σύνολο δεδομένων, χρησιμοποιώντας παράλληλα πολύ λιγότερα token αποτελέσματος. Κατά τη διάρκεια της αξιολόγησης, το Astra ανακάλυψε και χρησιμοποίησε μάλιστα δύο άγνωστες μέχρι πρότινος ευπάθειες zero-day. Βρισκόμαστε στη διαδικασία γνωστοποίησης και των δύο ευπαθειών στους υπεύθυνους συντήρησής τους.
Δοκιμάσαμε επίσης το Astra στο SRE-Bench15, ένα benchmark που μετρά κατά πόσο τα μοντέλα μπορούν να κάνουν αντίστροφη μηχανική σε δυαδικά αρχεία λογισμικού ώστε να κατανοήσουν τη βασική λογική τους χωρίς πρόσβαση στον ακατέργαστο πηγαίο κώδικα. Το Astra επέλυσε το 88,0% των εργασιών με μία μόνο προσπάθεια και το 99,2% μέσα σε τέσσερις προσπάθειες, έναντι 55,9% και 68,7% για το GPT‑5.6 Sol, αντίστοιχα.
Πέρα από τα benchmark, αξιολογήσεις που διεξήχθησαν από ειδικούς έδειξαν ότι το Astra, όταν λειτουργούσε χωρίς τις δικλίδες ασφαλείας παραγωγής, μπορούσε να αξιοποιήσει άγνωστες μέχρι πρότινος ευπάθειες για να επιτύχει εκτέλεση αυθαίρετου κώδικα σε προγράμματα περιήγησης ενισχυμένης ασφάλειας και να αναπτύξει τρόπους εκμετάλλευσης για κλιμάκωση προνομίων σε λειτουργικά συστήματα ενισχυμένης ασφάλειας.
Όπως συζητήσαμε στο Παράθυρο των αμυνόμενων, οι κορυφαίες δυνατότητες κυβερνοασφάλειας μπορούν να βοηθήσουν τους αμυνόμενους να εντοπίζουν αδυναμίες ταχύτερα, αλλά επίσης διευκολύνουν την εκμετάλλευση αυτών των αδυναμιών, καθιστώντας ακόμη πιο επείγουσα την ανάγκη οι αμυνόμενοι να προσαρμοστούν. Με την έκδοση του Astra που κυκλοφορεί σήμερα, οι αμυνόμενοι μπορούν να το χρησιμοποιούν για να ολοκληρώνουν εργασίες όπως έλεγχο ασφαλείας κώδικα και εφαρμογή διορθώσεων.
Ωστόσο, το Astra θα αρνείται να συμμορφωθεί με πιο προηγμένες εργασίες κυβερνοασφάλειας, όπως η δημιουργία εκμεταλλεύσεων ευπαθειών ως απόδειξη εφικτότητας της ιδέας. Μέσω του OpenAI Daybreak, σκοπεύουμε να επεκτείνουμε την πρόσβαση και να διαθέσουμε λιγότερο περιοριστικά μέτρα ασφαλείας τις επόμενες εβδομάδες. Αυτό θα καταστήσει δυνατές περισσότερες αμυντικές ροές εργασίας, όπως η επικύρωση ευπαθειών και αποδείξεων εφικτότητας της ιδέας, η ανάλυση κακόβουλου λογισμικού και η μηχανική ανίχνευσης.
Έχουμε επίσης ενισχύσει τις δικλίδες ασφαλείας μας απέναντι σε πιθανή κυβερνοκατάχρηση, αξιοποιώντας το σύνολο δικλίδων ασφαλείας για το GPT‑5.6 Sol. Σε αυτές περιλαμβάνονται η ενίσχυση της ανθεκτικότητας του μοντέλου, ώστε να αντιστέκεται καλύτερα σε πιθανές επιθέσεις παράκαμψης των δικλίδων ασφαλείας, και η παροχή περισσότερων στοιχείων πλαισίου στα συστήματα παρακολούθησής μας. Συνεχίσαμε τις αυστηρές εσωτερικές και εξωτερικές δοκιμές, συμπεριλαμβανομένων αυτοματοποιημένων αξιολογήσεων με τους εσωτερικούς επιτιθέμενους της ομάδας αντιπαραθετικού ελέγχου ασφαλείας (red teaming). Περισσότερες λεπτομέρειες για τις δικλίδες κυβερνοασφάλειας και τις δοκιμές μας είναι διαθέσιμες στην επισκόπηση ασφάλειας του Astra και στην κάρτα συστήματος(ανοίγει σε νέο παράθυρο)..
Ευθυγράμμιση και ανάπτυξη του GPT‑6 Astra με υπεύθυνο τρόπο
Το Astra είναι το πιο ευθυγραμμισμένο μοντέλο μας. Το Astra διακρίνεται για την προσοχή του, τον σεβασμό των ορίων των εργασιών και τη διαφανή επικοινωνία. Αυτή η εργασία είναι το πιο πρόσφατο αποτέλεσμα του μακροχρόνιου ερευνητικού προγράμματός μας, που επικεντρώνεται στην εκπαίδευση μοντέλων τα οποία παραμένουν ευθυγραμμισμένα με την ανθρώπινη πρόθεση από την αρχή έως το τέλος.
Σε ευαίσθητα περιβάλλοντα, το Astra ενεργεί με προσοχή ανάλογη με τον κίνδυνο που ενέχει. Σε μια αξιολόγηση εργασιών χρήσης υπολογιστή που είχαν επιλεγεί κατ' αντιπαράθεση ώστε να προκαλέσουν εσφαλμένη συμπεριφορά, το Astra είχε μεγαλύτερη επιτυχία στην αποφυγή ακούσιων συνεπειών. Η εκτέλεση με πρόσθετα μέτρα ασφαλείας που παρέχονται από προεπιλογή απέφερε ακόμη καλύτερες επιδόσεις.
Το Astra προκαλεί λιγότερα μη ευθυγραμμισμένα αποτελέσματα από οποιοδήποτε άλλο κορυφαίο μοντέλο που δοκιμάστηκε. Για μια δίκαιη σύγκριση, χρησιμοποιήσαμε έναν γενικό μηχανισμό πράκτορα που χρησιμοποιεί υπολογιστή (βασισμένο στα εγγενή εργαλεία χρήσης υπολογιστή που είναι διαθέσιμα τόσο στο OpenAI Responses API(ανοίγει σε νέο παράθυρο) όσο και στο Anthropic Messages API(ανοίγει σε νέο παράθυρο)) χωρίς πρόσθετες διασφαλίσεις που συνήθως εφαρμόζονται στους χρήστες του Codex και του ChatGPT Work (αυτόματος έλεγχος, πολιτική επιβεβαίωσης).
Το Astra είναι επίσης πιο πιθανό να λειτουργεί εντός των ορίων που θέτει ο χρήστης και που υπονοούνται από το περιβάλλον του. Σε μια εσωτερική αξιολόγηση, το Astra δεν επιχείρησε ποτέ να παρακάμψει μια απόρριψη από τον αυτόματο έλεγχο του Codex. Αυτό ίσχυε ακόμη και όταν ο αυτόματος έλεγχος είχε διαμορφωθεί σκόπιμα ώστε να μπορεί να παρακαμφθεί και η εργασία ήταν αδύνατο να ολοκληρωθεί με διαφορετικό τρόπο. Αυτός ο σεβασμός στους περιορισμούς του περιβάλλοντος συνάδει με τα αποτελέσματα της αξιολόγησής μας για αδύνατες κυβερνοεργασίες, τα οποία κοινοποιήσαμε στην εισαγωγή αυτής της ανάρτησης, καθώς και με άλλα ευρήματα που τεκμηριώνονται στην κάρτα συστήματος(ανοίγει σε νέο παράθυρο) μας.
Το Astra θέτει επίσης νέα πρότυπα στη διαφανή επικοινωνία με τους χρήστες. Σε μία αξιολόγηση, το Astra είναι τρεις φορές λιγότερο πιθανό από το GPT‑5.6 Sol να κάνει ανακριβείς δηλώσεις σχετικά με τις δυνατότητες και τις λειτουργίες που παρέχει.
Στην αξιολόγησή μας για παραισθήσεις σχετικά με τις δυνατότητες, το Astra παρουσιάζει σημαντική βελτίωση σε σύγκριση με το GPT‑5.6 Sol, διατυπώνοντας λιγότερους παραπλανητικούς ισχυρισμούς σχετικά με τις δυνατότητές του.
Οι αξιολογήσεις μας έδειξαν ότι η γραπτή συλλογιστική του Astra είναι δυσκολότερο να παρακολουθηθεί από εκείνη του GPT‑5.6 Sol, με βάση δοκιμές στις οποίες ζητήθηκε ρητά από τα μοντέλα να αποφύγουν την παρακολούθηση. Αποδίδουμε αυτό το εύρημα στον μεγαλύτερο έλεγχο που έχει το Astra επί της γραπτής συλλογιστικής σε απλούστερες εργασίες και στην ικανότητά του να επιλύει προβλήματα με λιγότερα γραπτά βήματα. Το Astra εξακολουθεί να φαίνεται ότι δυσκολεύεται να αποκρύψει τη συλλογιστική που απαιτείται για σύνθετες εργασίες, ωστόσο λαμβάνουμε σοβαρά υπόψη αυτή την υποχώρηση. Η βελτίωση της δυνατότητας παρακολούθησης παραμένει ερευνητική προτεραιότητα. Η συνοδευτική κάρτα συστήματος(ανοίγει σε νέο παράθυρο) παρουσιάζει αναλυτικά τα ευρήματά μας και τις εργασίες μας που βρίσκονται σε εξέλιξη.
Η εκπαίδευση ευθυγράμμισης αποτελεί βασικό στοιχείο της προσέγγισής μας για τη διάθεση των μοντέλων. Ως πρόσθετο επίπεδο άμυνας, δημιουργούμε επίσης δικλίδες ασφαλείας συστήματος, όπως τον αυτόματο έλεγχο(ανοίγει σε νέο παράθυρο) του Codex και την παρακολούθηση της συλλογιστικής και των ενεργειών των πρακτόρων, ώστε να βοηθούν στον εντοπισμό και τον περιορισμό μη ασφαλούς συμπεριφοράς. Όπως περιγράφεται στην ενημέρωσή μας για την ασφάλεια, εφαρμόζουμε επίσης σε περιβάλλον παραγωγής παρακολούθηση αποκλίσεων από την ευθυγράμμιση για μοντέλα κατηγορίας Astra, ώστε να εντοπίζουμε αυτές τις αποκλίσεις και να συμβάλλουμε στον περιορισμό των σοβαρότερων περιπτώσεών τους. Αυτές οι δικλίδες ασφαλείας είναι παρόμοιες με την παρακολούθηση που εφαρμόζουμε στις εσωτερικές μας υλοποιήσεις και περιλαμβάνουν ένα σύστημα ταξινομητών που ελέγχει τη συλλογιστική και τις ενέργειες του μοντέλου για μη εξουσιοδοτημένη συμπεριφορά και διακόπτει αυτόματα κάθε δυνητικά μη εξουσιοδοτημένη δραστηριότητα.
Δεδομένης της σημαντικής αύξησης των δυνατοτήτων κυβερνοασφάλειας της Astra, είμαστε ιδιαίτερα προσεκτικοί ώστε να διασφαλίσουμε ότι αυτή η διάθεση θα είναι ασφαλής και προστατευμένη. Πρόσθετοι έλεγχοι ασφαλείας μπορεί μερικές φορές να επιβραδύνουν, να διακόψουν προσωρινά ή να σταματήσουν νόμιμες εργασίες, συμπεριλαμβανομένης της αμυντικής κυβερνοασφάλειας. Εάν μια εργασία διακοπεί προσωρινά στο ChatGPT ή στο Codex, μπορεί να σας ζητηθεί να ελέγξετε την ενέργεια πριν συνεχίσετε. Στο API, η εργασία θα σταματήσει. Αυτοί οι έλεγχοι μπορεί μερικές φορές να διακόπτουν νόμιμες εργασίες, και συνεχίζουμε να βελτιώνουμε αυτό το σύστημα ώστε να μειώσουμε τις περιττές διακοπές. Η παρακολούθηση αποκλίσεων από την ευθυγράμμιση δεν μπορεί να υποκαταστήσει την ευθυγράμμιση: στόχος μας είναι να δημιουργήσουμε μοντέλα που παραμένουν αξιόπιστα εντός του εξουσιοδοτημένου πεδίου τους, ώστε αυτές οι δικλίδες ασφαλείας να μη χρειάζεται ποτέ να παρέμβουν.
Διαθεσιμότητα
Το GPT‑6 Astra διατίθεται σταδιακά από σήμερα σε περιορισμένο αριθμό οργανισμών και τις επόμενες ημέρες θα γίνει διαθέσιμο σε όλους τους χρήστες ChatGPT Plus, Pro, Business και Enterprise, καθώς και μέσω του OpenAI API, του Microsoft Azure και του AWS Bedrock. Η χρήση του Astra περιλαμβάνεται στα υφιστάμενα όρια των συνδρομών. Οι χρήστες και οι επιχειρήσεις θα μπορούν επίσης να αγοράζουν μονάδες για επιπλέον χρήση. Οι χρήστες των προγραμμάτων Pro, Business και Enterprise θα έχουν επίσης πρόσβαση στο GPT‑6 Astra Pro. Οι διαχειριστές Enterprise μπορούν να ενεργοποιήσουν το Astra για τον χώρο εργασίας τους. Η πρόσβαση είναι απενεργοποιημένη από προεπιλογή κατά την κυκλοφορία.
Το Astra υποστηρίζει τη μη διατήρηση δεδομένων για επιλέξιμους πελάτες API και, όπως αναφέραμε τον προηγούμενο μήνα, δοκιμάζουμε την Ιδιωτική επεξεργασία ασφάλειας για την ενίσχυση της παρακολούθησης ασφάλειας, διατηρώντας παράλληλα το απόρρητο των πελατών.
Για τους προγραμματιστές, το GPT‑6 Astra θα είναι διαθέσιμο στο API της OpenAI ως gpt-6-astra και μέσω του Microsoft Azure και του Amazon Bedrock.
Η τιμολόγηση του API της OpenAI είναι 10 $ ανά εκατομμύριο token εισόδου και 50 $ ανά εκατομμύριο token εξόδου. Ισχύουν ξεχωριστές χρεώσεις για αναγνώσεις από την κρυφή μνήμη και εγγραφές στην κρυφή μνήμη. Η γρήγορη λειτουργία είναι διαθέσιμη για το GPT‑6 Astra στο API και προσφέρει έως και 2 φορές την ταχύτητα της τυπικής επεξεργασίας σε διπλάσια τιμή από την τυπική.
Επαγγελματικά
Επαγγελματικά | 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% | - |
OpenScore String Quartets (1 - OMR-NED) | 0,84 | 0,19 | - | - | - | - |
Εσωτερικές εργασίες σχεδιασμού | 50% | 47,4% | - | 35,8% | - | - |
Εσωτερικές εργασίες επιστήμης δεδομένων | 40,9% | 30,5% | - | 34,7% | - | - |
Artificial Analysis Intelligence Index v4.1.1 | 61,2 | 60,9 | 65,7 | 62,1 | 63,1 | 58,7 |
Προγραμματισμός
| Προγραμματισμός | 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 Extended (βαθμολογία) | 64,5% 8 | 60,6% | 63,6% | 64,9% | 63,6% | 56,3% |
| FrontierCode 1.1 Main (βαθμολογία) | 53,3% 8 | 47,5% | 50,9% | 53,5% | 53,4% | 43,6% |
| Εσωτερικές εργασίες μετεγκατάστασης βάσης δεδομένων | 63,9% | 42,7% | 57,8% | 50,3% | - | - |
| Artificial Analysis Coding Agent Index v1.4 | 67,0 | 65,1 | - | 67,2 | 68,1 | 61,2 |
Ακαδημαϊκός τομέας
Ακαδημαϊκός τομέας | 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 Tier 4 (v2) | 97,6% | 83% | 87,8% | 90,2% | 73,2% | - |
GPQA Diamond | 96,0% | 94,6% | 93,7% | 92,6% | 93,7% | 95,3% |
Humanity’s Last Exam (με εργαλεία) | 57,2% | - | 65,0% | 63,8% | 63,6% | - |
Επιστήμη και υγεία
Ευθυγράμμιση
Ευθυγράμμιση | GPT‑6 Astra | GPT‑5.6 Sol | Claude Fable 5.1 | Claude Fable 5 | Claude Opus 5 | Gemini 3.8 Flash |
Εσωτερικός δείκτης αναφοράς ασφάλειας χρήσης υπολογιστή (όσο χαμηλότερη η τιμή, τόσο καλύτερα) | 2,4% | 22,0% | 9,5% | 18,3% | 11,5% | - |
Εσωτερικό benchmark ασφάλειας χρήσης υπολογιστή, με AutoReview (όσο χαμηλότερο, τόσο καλύτερο) | 1,8% | 4,3% | - | - | - | - |
Εσωτερικός δείκτης αξιολόγησης παράκαμψης (όσο χαμηλότερο, τόσο καλύτερο) | 0,00% | 0,29% | - | - | - | - |
Honeypot του ExploitGym (όσο χαμηλότερο, τόσο καλύτερο) | 0,0% | 48,2% | - | - | - | - |
Impossible ExploitGym | 100,0% | - | - | - | - | - |
Εσωτερικός δείκτης αναφοράς παραισθήσεων (όσο χαμηλότερο, τόσο καλύτερο) | 4,2% | 12,2% | - | - | - | - |
Μακροσκελές θεματικό πλαίσιο
Μακροσκελές θεματικό πλαίσιο | 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 βελόνες 256K-512K | 100,0% | 91,5% | - | - | - | - |
OpenAI MRCR v2, 8 βελόνες 512K–1M | 96,3% | 73,8% | - | - | - | - |
Αφηρημένη συλλογιστική
| Αφηρημένη συλλογιστική | 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% | - |
Οι βαθμολογίες αξιολόγησης είναι οι μέγιστες σε οποιοδήποτε επίπεδο προσπάθειας. Οι αξιολογήσεις του GPT εκτελέστηκαν στο ερευνητικό μας περιβάλλον ή μέσω του API μας, γεγονός που μπορεί να παρέχει ελαφρώς διαφορετικά αποτελέσματα από το ChatGPT σε παραγωγικό περιβάλλον λόγω διαφορών στις προτροπές συστήματος, στα διαθέσιμα εργαλεία κ.λπ.
ΥΠΟΣΗΜΕΙΩΣΕΙΣ
- 1
Στο ARC-AGI-3, το GPT-6 Astra εκτελέστηκε με τον μηχανισμό μας για το Responses API, ο οποίος αλλάζει δύο ρυθμίσεις ώστε να αντικατοπτρίζει καλύτερα την απόδοση στον πραγματικό κόσμο. Οι αλλαγές δεν στοχεύουν ειδικά το ARC-AGI-3.
- 2
Το GPT-5.6 Sol αναφέρεται στην έκδοση που είναι διαθέσιμη στο API μας, στο ChatGPT Codex και στο ChatGPT Work. Η έκδοση στο ChatGPT Chat είναι ελαφρώς διαφορετική.
- 3
Το OSWorld V2-Offline είναι ένα υποσύνολο του αρχικού OSWorld V2 που λειτουργεί χωρίς πρόσβαση στο διαδίκτυο. Η απόδοση του μοντέλου Claude στο OSWorld-V2 Offline αναπαράχθηκε από τους γράφοντες στον επίσημο πίνακα κατάταξης(ανοίγει σε νέο παράθυρο). Στο OSWorld 2.0, οι βαθμολογίες για το Claude υπολογίζονται με τις επίσημες ρυθμίσεις και όχι με τις τροποποιημένες εργασίες και την τροποποιημένη βαθμολόγηση από την κάρτα συστήματος του Fable 5.1.
- 4
- 5
Στο BenchCAD, οι βαθμολογίες του Claude αντικατοπτρίζουν 3 τροποποιήσεις στην αξιολόγηση, οι οποίες περιγράφονται λεπτομερώς στην κάρτα συστήματος του Fable 5.1(ανοίγει σε νέο παράθυρο).
- 6
Guang Yang, Victoria Ebert, Nazif Tamer, Brian Siyuan Zheng, Luiza Pozzobon, και Noah A. Smith. «LEGATO: Large-scale End-to-end Generalizable Approach to Typeset OMR(ανοίγει σε νέο παράθυρο)». arXiv:2506.19065, 2025.
- 7
Mark R. H. Gotham, Maureen Redbond, Bruno Bower και Peter Jonas. «The OpenScore String Quartet Corpus(ανοίγει σε νέο παράθυρο).» Proceedings of the 10th International Conference on Digital Libraries for Musicology, pp. 49–57. ACM, 2023.
- 8
Στο FrontierCode, το GPT-6 Astra εκτελέστηκε με ένα μήνυμα προγραμματιστή παρόμοιο με μια ενότητα του μηνύματος προγραμματιστή του στο Codex(ανοίγει σε νέο παράθυρο): «Απόφυγε τη δημιουργία υπερβολικών αρχείων δοκιμών. Δημιούργησε νέο αρχείο δοκιμών μόνο όταν απαιτείται από τις συμβάσεις του αποθετηρίου ή όταν δεν υπάρχει κατάλληλο υπάρχον αρχείο. Απόφυγε άσχετες εργασίες καθαρισμού και περιττή πολυπλοκότητα. Να επαναχρησιμοποιείς κατάλληλα υπάρχοντα βοηθητικά εργαλεία. Διάβασε τις σχετικές οδηγίες του αποθετηρίου και εξέτασε τον κοντινό κώδικα, τις δοκιμές, την τεκμηρίωση και το CI. Ακολούθησε τις καθιερωμένες συμβάσεις. Ο στόχος είναι καθαρός κώδικας που μπορεί να συγχωνευθεί.» Η προτροπή δεν βελτιστοποιήθηκε για την αξιολόγηση.
- 9
Το πρώτο αφορά το πόσο κοντά μεταξύ τους μπορούν να εμφανίζονται οι πρώτοι αριθμοί, όσο μακριά κι αν προχωρήσει κανείς πάνω στην αριθμητική ευθεία. Για περισσότερο από μια δεκαετία, το καλύτερο γνωστό αποτέλεσμα είχε αποδείξει ότι υπάρχουν άπειρα πολλά ζεύγη πρώτων αριθμών που απέχουν μεταξύ τους το πολύ 246. Η Julia Stadlmann(ανοίγει σε νέο παράθυρο) βελτίωσε πρόσφατα αυτό το όριο σε 240. Το Astra συνέβαλε στην καθιέρωση ενός ισχυρότερου φράγματος, του 186, δείχνοντας ότι άπειρα ζεύγη εμφανίζονται εντός αυτής της μικρότερης απόστασης. Μικρά κενά μεταξύ πρώτων αριθμών: Απόδειξη(ανοίγει σε νέο παράθυρο) και υποστηρικτική έρευνα(ανοίγει σε νέο παράθυρο).
- 10
Το δεύτερο αφορά ασυνήθιστα μεγάλα κενά μεταξύ πρώτων αριθμών. Το Astra βελτίωσε έναν όρο σε ένα φράγμα για αυτά τα κενά, το οποίο είχε παραμείνει αμετάβλητο για περισσότερα από 80 χρόνια. Κοινοποιούμε τις αποδείξεις, τη συντομευμένη αλληλουχία σκέψεων και το υλικό επαλήθευσης και για τα δύο αποτελέσματα. Μεγάλα κενά μεταξύ πρώτων αριθμών: Απόδειξη(ανοίγει σε νέο παράθυρο) και υποστηρικτική έρευνα(ανοίγει σε νέο παράθυρο).
- 11
- 12
- 13
- 14
Το ExploitBench (Ιούνιος–Αύγουστος 2026) περιλαμβάνει 20 ευπάθειες V8 υψηλής σοβαρότητας σε 13 σταθερές εκδόσεις του Chrome. Ο δείκτης αξιολόγησης ελέγχει αν οι πράκτορες μπορούν να επιτύχουν εκτέλεση αυθαίρετου κώδικα στο V8 και σε επίσημες εκδόσεις του Chrome για Linux, εκμεταλλευόμενοι κάθε καθορισμένη ευπάθεια. Ορισμένες από τις συμπεριλαμβανόμενες ευπάθειες ενδέχεται να μην επιτρέπουν εκτέλεση αυθαίρετου κώδικα υπό τους περιορισμούς της αξιολόγησης, επομένως ένα ποσοστό επιτυχίας 100% ενδέχεται να μην είναι εφικτό. Σημείωση: η βαθμολογία 5,5% του GPT-5.6 Sol είναι αποτέλεσμα του ορίου των 300 γύρων στο benchmark, το οποίο δεν αποτελεί περιορισμό για πραγματικούς πελάτες που χρησιμοποιούν max. Το μοντέλο, με παρόμοιες ρυθμίσεις, πέτυχε βαθμολογία 11,5% όταν προσέκρουε σε λιγότερους περιορισμούς.
- 15
Jeremy Spence et al. “The Next Challenge for Agentic Cybersecurity: A Realistic, Contamination-Free Reverse Engineering Benchmark(ανοίγει σε νέο παράθυρο).” arXiv:2608.11469v1, 2026.
- 16
Όταν πραγματοποιούμε δοκιμές σε μοντέλα τρίτων παρόχων, χρησιμοποιούμε μια απλούστερη ερευνητική διαμόρφωση. Το Codex διαθέτει μια πιο σύνθετη διαμόρφωση παραγωγής, η οποία μπορεί να οδηγήσει σε διαφορετικά ποσοστά σφάλματος για το ίδιο το μοντέλο. Εξακολουθούν επίσης να υπάρχουν διαφορές ως προς τα μέτρα προστασίας που εφαρμόζουν οι πάροχοι και τον τρόπο υλοποίησης των εργαλείων χρήσης υπολογιστή. Οι χρήστες του Codex δεν αντιμετωπίζουν το σενάριο εκτέλεσης χωρίς επιβεβαίωση, καθώς πρόκειται για μια εσωτερική ερευνητική διαμόρφωση.
- 17
