GPT-6 Astra: A new generation of intelligence
Μια νέα γενιά ευφυΐας
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:
Alongside Astra, we are also updating the Codex harness to significantly improve the speed of computer use. Combined with Astra’s efficiency, this translates to a 1.9x faster task completion compared to the current GPT‑5.6 Sol experience, on the Mind2Web benchmark. The model’s improvements on speed mean it can take on many time-consuming life tasks for you, faster than you can.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
As we discussed in our safety update, Astra is a significant jump in cyber capabilities and meets the Critical threshold in cybersecurity under our Preparedness Framework. Its ability to identify and develop zero-day exploits can help defenders find and patch weaknesses, but it also creates a need for stronger safeguards. To understand how far these capabilities extend, we ran Astra on internal and third-party expert evaluations.
We first tested the model without production safeguards on ExploitBench and ExploitGym, which evaluate whether models can turn known software vulnerabilities into working exploits. On ExploitBench, Astra achieved a perfect score of 100%, compared with 78.5% for GPT‑5.6 Sol, our previous frontier cyber-capable model. On ExploitGym, Astra reached a 42.4% success rate, compared with 30.3% for GPT‑5.6 Sol, while using substantially fewer output tokens.13
Given concerns that exposure to historical software vulnerabilities may have affected benchmark results, we also evaluated Astra on two novel benchmarks. For one, we built an internal “ExploitBench (June–August 2026)” evaluation to test exploit development using vulnerabilities from the previous three months.14 Astra achieved substantially higher arbitrary code-execution rates than GPT‑5.6 Sol on this dataset while using far fewer output tokens. During the evaluation, Astra even discovered and used two previously unknown zero-day vulnerabilities. We are disclosing both vulnerabilities to their maintainers.
We also tested Astra on SRE-Bench15, a benchmark that measures whether models can reverse engineer software binaries to understand its core logic without access to raw source code. Astra solved 88.0% of tasks in a single attempt and 99.2% within four attempts, compared with 55.9% and 68.7% for GPT‑5.6 Sol, respectively.
Beyond benchmarks, expert-led assessments found that Astra, when run without production safeguards, could use previously unknown vulnerabilities to achieve arbitrary code execution in hardened browsers and create privilege-escalation exploits for hardened operating-systems.
As we discussed in The Defender’s Window, frontier cyber capabilities can help defenders find weaknesses faster, but they also make those weaknesses easier to exploit, raising the urgency for defenders to adapt. With the version of Astra launching today, defenders can use it to complete tasks such as secure code review and patching.
However, Astra will refuse to comply with more advanced cybersecurity tasks such as creating proof-of-concept exploits for vulnerabilities. Through OpenAI Daybreak, we plan to expand access and roll out less restrictive safeguards in the coming weeks. This will enable more defensive workflows, including vulnerability and proof-of-concept validation, malware analysis, and detection engineering.
We have also strengthened our protections against potential cyber misuse, building upon our safeguards stack for GPT‑5.6 Sol. These include stronger model robustness to better withstand potential jailbreaks and more context for our monitoring systems. We have continued rigorous internal and external testing, including automated evaluations with our internal red-teaming attackers. More details about our cyber safeguards and testing are available in the Astra safety overview and system card(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.
Astra causes fewer misaligned outcomes than any other frontier models tested. For a fair comparison, we used a generic computer-using-agent harness (based on the native computer use tools available in both the OpenAI Responses API(ανοίγει σε νέο παράθυρο) and Anthropic Messages API(ανοίγει σε νέο παράθυρο)) and without additional protections that are normally deployed to Codex and ChatGPT Work users (auto-review, confirmation policy). 16
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.
Astra additionally sets new marks in transparent user communication. In one evaluation, Astra is three times less likely than GPT‑5.6 Sol to make inaccurate representations about its capabilities and affordances.
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.
Our evaluations found Astra’s written reasoning harder to monitor than GPT‑5.6 Sol’s, based on tests that explicitly asked it to evade monitoring. We attribute this to Astra’s greater control over written reasoning on simpler tasks and ability to solve problems with fewer written steps. Astra still appears to struggle to conceal the reasoning needed for complex tasks, but we take the decline seriously. Improving monitorability remains a research priority, and the accompanying system card(ανοίγει σε νέο παράθυρο) details our findings and ongoing work.
Alignment training is core to our approach to deployment. As an additional layer of defenses, we also build system safeguards like Codex Auto-review(ανοίγει σε νέο παράθυρο) and monitoring agents’ reasoning and actions to help detect and contain unsafe behavior. As described in our safety update, we are also deploying misalignment monitoring in production for Astra-class models in order to have visibility into misalignment, and help contain its worst instances. These safeguards resemble our monitoring for internal deployments and involve a system of classifiers which check the model’s reasoning and actions for unauthorized behavior and automatically stop potentially unauthorized activity.
Given the significant increase in Astra’s cybersecurity capabilities, we are being especially careful to make this deployment safe and secure. Extra safety checks can sometimes slow, pause, or stop legitimate work, including defensive cybersecurity. If a task is paused in ChatGPT or Codex, you may be asked to review the action before continuing. In the API, the task will stop. These checks can sometimes interrupt legitimate work, and we are continuing to iterate on this system to reduce unnecessary interruptions. Misalignment monitoring cannot replace alignment: our goal is to build models that reliably stay within their authorized scope, so these protections do not need to intervene.
Διαθεσιμότητα
GPT‑6 Astra is rolling out today to a limited set of organizations and over the coming days will become available to all ChatGPT Plus, Pro, Business, and Enterprise users, as well as through the OpenAI API, Microsoft Azure, and AWS Bedrock. Astra usage is included within the existing subscription allowances—users and businesses will also be able to purchase credits for additional usage. Users on the Pro, Business, and Enterprise plans will also get access to GPT‑6 Astra Pro. Enterprise administrators can enable Astra for their workspace; access is off by default at launch.
Astra supports Zero Data Retention for eligible API customers, and as we shared last month, we're testing Private Safety Processing to strengthen safety monitoring while preserving customer privacy.
For developers, GPT‑6 Astra will be available in the OpenAI API as gpt-6-astra and through Microsoft Azure and Amazon Bedrock.
OpenAI API Standard pricing is $10 per million input tokens and $50 per million output tokens. Separate rates apply to cache reads and writes. Fast mode is available for GPT‑6 Astra in the API and delivers up to 2x the speed of Standard processing at 2x the Standard price.
Professional
Professional | 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 | - | - | - | - |
Internal Design Tasks | 50.0% | 47.4% | - | 35.8% | - | - |
Internal Data Science Tasks | 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 |
Coding
| Coding | 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 (score) | 64.5% 8 | 60.6% | 63.6% | 64.9% | 63.6% | 56.3% |
| FrontierCode 1.1 Main (score) | 53.3% 8 | 47.5% | 50.9% | 53.5% | 53.4% | 43.6% |
| Internal Database Migration Tasks | 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 |
Academic
Academic | 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% | 83.0% | 87.8% | 90.2% | 73.2% | - |
GPQA Diamond | 96.0% | 94.6% | 93.7% | 92.6% | 93.7% | 95.3% |
Humanity's Last Exam (w/ tools) | 57.2% | - | 65.0% | 63.8% | 63.6% | - |
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
| Abstract reasoning | 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.
FOOTNOTES
- 1
On ARC-AGI-3, GPT-6 Astra was run with our responses API harness, which changes two settings to better match real-world performance. The changes do not specifically target ARC-AGI-3.
- 2
GPT-5.6 Sol refers to the version available in our API, ChatGPT Codex, and ChatGPT Work. The version in ChatGPT Chat is slightly different.
- 3
OSWorld V2-Offline is a subset of the original OSWorld V2 that works without internet access. Claude model performance on OSWorld-V2 Offline was reproduced by the authors on the official leaderboard(ανοίγει σε νέο παράθυρο). On OSWorld 2.0, the scores for Claude use the official settings, and not the modified tasks and modified grading from the Fable 5.1 System Card.
- 4
- 5
On BenchCAD, Claude's scores reflect 3 modifications to the eval, detailed in the Fable 5.1 System Card(ανοίγει σε νέο παράθυρο).
- 6
Guang Yang, Victoria Ebert, Nazif Tamer, Brian Siyuan Zheng, Luiza Pozzobon, and 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, and 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
On FrontierCode, GPT-6 Astra was run with a developer message similar to a section of its developer message in Codex(ανοίγει σε νέο παράθυρο): "Avoid creating excessive test files. Create a new test file only when required by repository conventions or when no existing file is a suitable home. Avoid unrelated cleanup and unnecessary complexity. Reuse suitable existing utilities. Read relevant repository instructions and inspect nearby code, tests, documentation, and CI. Follow established conventions. The goal is clean, mergeable code." The prompt was not optimized for the eval.
- 9
The first concerns how close together prime numbers can occur, however far along the number line you go. For more than a decade, the best known result established that infinitely many pairs of primes are at most 246 apart. Julia Stadlmann(ανοίγει σε νέο παράθυρο) recently improved that bound to 240. Astra helped establish a stronger bound of 186, showing that infinitely many pairs occur within this smaller distance. Short prime gaps: Proof(ανοίγει σε νέο παράθυρο) and supporting research(ανοίγει σε νέο παράθυρο).
- 10
The second concerns unusually large gaps between primes. Astra improved a term in a bound on these gaps that had remained unchanged for more than 80 years. We’re sharing the proofs and abridged chain of thought and verification materials for both results. Large prime gaps: Proof(ανοίγει σε νέο παράθυρο) and supporting research(ανοίγει σε νέο παράθυρο).
- 11
- 12
- 13
- 14
ExploitBench (June–August 2026) contains 20 high-severity V8 vulnerabilities across 13 stable Chrome releases. The benchmark tests whether agents can achieve arbitrary code execution in V8 and official Chrome releases for Linux by exploiting each specified vulnerability. Some included vulnerabilities may not permit arbitrary code execution under the evaluation’s constraints, so a 100% success rate may not be achievable. Note: the 5.5% score of GPT-5.6 Sol is an artifact of the 300-turn limit in the benchmark, which is not a limit that real customers using max would have. The model at similar settings achieved an 11.5% score when hitting fewer limits.
- 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
When we test across third-party models, we use a simpler research setup. Codex has a more complex production configuration, which can result in different raw-model error rates. Provider-side safeguards and computer-tool implementations still differ. Users do not experience the no-confirmation scenario in Codex, as it's an internal research configuration.
- 17
