GPT-6 Astra: A new generation of intelligence
Una nueva generación de inteligencia
Presentamos GPT‑6 Astra, el modelo más inteligente y alineado del mundo.
GPT‑6 Astra reúne años de investigación y grandes apuestas en preentrenamiento, aprendizaje por refuerzo y alineación. Astra está a la vanguardia en el uso de computadoras, la navegación web, la ingeniería de software, la ciberseguridad, la ciencia y el trabajo profesional. Astra satura FrontierMath Nivel 4 con una puntuación del 98 %, tras haber ayudado ya a solucionar problemas que llevaban mucho tiempo sin resolverse en matemáticas. Astra también satura ARC-AGI-3 con una puntuación del 99.9 % y ExploitBench con una puntuación del 100 %. También establece un nuevo estándar en el uso de computadoras y navegadores, y realiza el trabajo profesional más exigente con una velocidad, precisión y criterio inigualables.
GPT‑6 Astra comienza a implementarse hoy para un grupo limitado de organizaciones y, en los próximos días, estará disponible para todos los usuarios de ChatGPT Plus, Pro, Business y Enterprise, así como a través de la API de OpenAI, Microsoft Azure y AWS Bedrock.
Astra es nuestro modelo más alineado, con mejoras sustanciales en la comprensión de la intención del usuario y en el comportamiento del modelo; puedes delegar tareas con mayor confianza en el criterio de Astra. Como una forma de evaluar esto, creamos una nueva evaluación basada en el incidente de Hugging Face para determinar si un modelo que enfrenta una tarea difícil o imposible irá más allá de su alcance previsto. En comparación con GPT‑5.6 Sol, que, sin medidas de protección en producción, superó el objetivo autorizado el 48 % de las veces, GPT‑6 Astra lo hizo en el 0 % de los casos.
El mejor modelo del mundo para usar computadoras
GPT‑6 Astra marca un nuevo hito en la velocidad, la precisión y la seguridad del uso de computadoras. Puede encargarse de tareas tediosas como completar formularios en línea, actualizar registros de clientes en un CRM y organizar tu calendario. Puede realizar investigaciones en línea y redactar resúmenes en tu correo electrónico o en tu editor de documentos. Puede analizar datos científicos, generar gráficos, crear un sitio web y ejecutar pruebas de QA del frontend para asegurarse de que todas las funciones de ese sitio funcionen. Puede ayudarte a instalar y probar software de forma autónoma, y a solucionar problemas que veas en la pantalla. Estas mejoras también se ven reflejadas en nuestros resultados de evaluación de última generación.
Esto también se traduce en aumentos significativos de la eficiencia en tareas reales de trabajo intelectual. En simulaciones de latencia en OSWorld 2.0, Astra logra un mayor rendimiento en el uso de computadoras con aproximadamente un 47 % menos de tiempo por tarea que GPT‑5.6 Sol, con una puntuación de 72.6 % en aproximadamente 40 minutos por tarea, en comparación con 65.7 % en aproximadamente 75 minutos.3
Las capacidades de GPT‑6 Astra para usar computadoras pueden observarse en resultados de distintos ámbitos, como el desarrollo de videojuegos, la ingeniería eléctrica y el trabajo cotidiano basado en el conocimiento:
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
Un cambio radical en el trabajo profesional
GPT‑6 Astra combina avances en el uso de computadoras con entrenamiento específico para entornos profesionales, a fin de ayudar a abordar tareas laborales complejas. Combina la inteligencia necesaria para resolver problemas complejos con la capacidad de llevar a cabo flujos de trabajo de varios pasos y crear documentos, hojas de cálculo y presentaciones pulidos.
GPT‑6 Astra es nuestro mejor modelo para ceñirse a plantillas existentes y producir diapositivas bien organizadas que transmiten de forma concisa los puntos clave con una narrativa estructurada. Crea documentos, presentaciones, hojas de cálculo y análisis claros y bien estructurados que siguen tus plantillas y se ajustan a tus estilos visual y de redacción. Astra también recibió entrenamiento para incorporar específicamente en sus resultados solo el contexto que importa, en lugar de repetir información innecesaria para la tarea en cuestión. Todo esto significa que puede generar artefactos más utilizables de inmediato que se ajustan a tu contexto empresarial y a tus estándares.
GPT‑6 Astra también aporta un criterio visual más sólido a los sitios web, juegos, aplicaciones y renderizados que crea. Con Sites(se abre en una nueva ventana) en ChatGPT, Astra puede crear, alojar y compartir sitios web, aplicaciones web y juegos directamente a partir de un prompt.
Cuando las instrucciones dejan margen para la interpretación, GPT‑6 Astra toma mejores decisiones que los modelos anteriores. Utiliza el contexto para completar vacíos habituales y hace preguntas específicas cuando la respuesta podría cambiar el resultado. En Codex, puede hacer preguntas de forma asincrónica mientras continúa con tareas que no dependen de tu respuesta. Si no respondes, procede con supuestos sensatos cuando corresponde, pero espera tu respuesta para las decisiones de gran impacto.
Los ejemplos a continuación muestran cómo Astra colabora en tareas cotidianas en las que la información faltante puede cambiar de forma significativa la respuesta.
Astra también logra mantener mejor el rumbo a medida que evoluciona una tarea. A veces, los modelos anteriores trataban los mensajes de orientación como un objetivo nuevo y perdían de vista la solicitud original o las restricciones previas. Astra incorpora nuevos requisitos, ajusta el rumbo cuando se le solicita y responde preguntas secundarias sin perder de vista la tarea más amplia.
Codificación
GPT‑6 Astra es el mejor modelo para ingeniería de software hasta la fecha.
"GPT‑6 Astra ofrece un rendimiento de vanguardia en nuestras evaluaciones internas de programación y muestra un claro avance en las evaluaciones de intuición para el trading en comparación con GPT‑5.6 Sol. Cuando se usa para codificación con agentes, GPT‑6 Astra se comunica de una forma que resulta más fácil de seguir para los desarrolladores y produce código que requiere menos iteraciones para alcanzar calidad de producción."
"Probamos Astra con esfuerzo bajo, medio y alto en una de nuestras evaluaciones de primera generación, y obtuvo resultados significativamente mejores que GPT 5.6 Sol. Un mayor esfuerzo permite realizar más iteraciones en una compilación nueva, verificar más mediante pruebas en el navegador y favorece la ejecución de código en lugar de aplicar parches. Comprender cómo un modelo emplea su esfuerzo nos permite ofrecer a millones de creadores un camino más rápido y confiable desde una idea hasta una aplicación funcional.”
Con Astra, presentamos una nueva forma para que Codex conserve y recupere contexto cuando se llena la ventana de contexto. Históricamente, los modelos han usado la compactación para resumir el trabajo durante sesiones largas, como al depurar problemas complejos o abordar grandes refactorizaciones. Cada compactación puede omitir detalles sobre por qué falló una corrección o cómo se comporta un componente. En Codex, Astra puede conservar notas entre ventanas de contexto, preservando los detalles acumulados sin tener que comprimirlos repetidamente en un solo resumen. Las ventanas de contexto anteriores siguen siendo consultables, por lo que Astra puede encontrar requisitos o resultados de pruebas de mensajes anteriores y resultados de herramientas, incluso si esa información no quedó registrada en sus notas. Puedes habilitar esta función experimental en tu config.toml de Codex,(se abre en una nueva ventana) y se convertirá en la opción predeterminada para Astra en las próximas semanas.
Impulsar el descubrimiento científico
Astra puede ayudar con el trabajo práctico que sustenta los descubrimientos científicos. Al combinar el razonamiento científico con el uso de computadoras, puede trabajar directamente en software especializado para examinar datos y explorar resultados, lo que ayuda a los investigadores a evaluar la evidencia y decidir qué investigar después.
Ciberseguridad
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(se abre en una nueva ventana)..
Alineación e implementación responsable de GPT‑6 Astra
Astra es nuestro modelo más alineado. Astra se destaca por actuar con cuidado, respetar los límites de las tareas y comunicarse con transparencia. Este trabajo es el resultado más reciente de nuestro programa de investigación de larga trayectoria, centrado en entrenar modelos que se mantengan alineados con la intención humana de principio a fin.
En entornos sensibles, Astra actúa con un nivel de precaución proporcional al riesgo. En una evaluación de tareas de uso de computadoras seleccionadas de forma adversarial para provocar comportamientos indebidos, Astra tuvo más éxito al evitar las consecuencias no deseadas. La ejecución con medidas de seguridad adicionales ofrecidas de forma predeterminada produjo un rendimiento aún mejor.
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(se abre en una nueva ventana) and Anthropic Messages API(se abre en una nueva ventana)) and without additional protections that are normally deployed to Codex and ChatGPT Work users (auto-review, confirmation policy). 16
También es más probable que Astra opere dentro de los límites establecidos por el usuario e implícitos en su entorno. En una evaluación interna, Astra nunca intentó eludir una denegación de la revisión automática de Codex. Esto siguió siendo cierto incluso cuando la revisión automática se configuró deliberadamente para que pudiera eludirse y, de otro modo, la tarea fuera imposible de completar. Este respeto por las restricciones del entorno es coherente con los resultados de nuestra evaluación de tareas cibernéticas imposibles, que compartimos en la introducción de esta publicación, y con otros hallazgos documentados en nuestra tarjeta del sistema(se abre en una nueva ventana).
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.
En nuestra evaluación de alucinaciones sobre capacidades, Astra muestra una mejora sustancial frente a GPT‑5.6 Sol, ya que hace menos afirmaciones engañosas sobre sus capacidades.
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(se abre en una nueva ventana) 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(se abre en una nueva ventana) 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.
Disponibilidad
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% | - |
Alineación
Alineación | GPT‑6 Astra | GPT‑5.6 Sol | Claude Fable 5.1 | Claude Fable 5 | Claude Opus 5 | Gemini 3.8 Flash |
Benchmark interno de seguridad en el uso de computadoras (cuanto más bajo, mejor) | 2.4 % | 22.0 % | 9.5 % | 18.3 % | 11.5 % | - |
Benchmark interno de seguridad para el uso de computadoras, con AutoReview (cuanto más bajo, mejor) | 1.8 % | 4.3 % | - | - | - | - |
Benchmark interno de elusión (cuanto más bajo, mejor) | 0.00 % | 0.29 % | - | - | - | - |
Honeypot de ExploitGym (cuanto más bajo, mejor) | 0.0 % | 48.2 % | - | - | - | - |
ExploitGym imposible | 100.0 % | - | - | - | - | - |
Benchmark interno de alucinaciones (cuanto más bajo, mejor) | 4.2 % | 12.2 % | - | - | - | - |
Contexto largo
Contexto largo | 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-agujas 256 mil-512 mil | 100.0 % | 91.5 % | - | - | - | - |
OpenAI MRCR v2 8-agujas 512 mil-1 millón | 96.3 % | 73.8 % | - | - | - | - |
Abstract reasoning
| 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% | - |
Se muestra la puntuación máxima obtenida con cualquiera de los niveles de esfuerzo. Las evaluaciones de GPT se realizaron en nuestro entorno de investigación o mediante nuestra API, por lo que los resultados pueden diferir ligeramente de los de ChatGPT en producción debido a diferencias en los prompts del sistema, las herramientas disponibles, etc.
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(se abre en una nueva ventana). 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(se abre en una nueva ventana).
- 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(se abre en una nueva ventana).” arXiv:2506.19065, 2025.
- 7
Mark R. H. Gotham, Maureen Redbond, Bruno Bower, and Peter Jonas. “The OpenScore String Quartet Corpus(se abre en una nueva ventana).” 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(se abre en una nueva ventana): "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(se abre en una nueva ventana) 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(se abre en una nueva ventana) and supporting research(se abre en una nueva ventana).
- 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(se abre en una nueva ventana) and supporting research(se abre en una nueva ventana).
- 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(se abre en una nueva ventana).” 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
