GPT-6 Astra: A new generation of intelligence
Uuden sukupolven älykkyys
Esittelemme GPT‑6 Astran, maailman älykkäimmän ja parhaiten linjassa olevan mallin.
GPT‑6 Astra yhdistää vuosien tutkimustyön ja merkittävät panostukset valmistavaan koulutukseen, vahvistusoppimiseen ja linjaukseen. Astra on huipputasoa tietokoneen käytössä, verkkoselailussa, ohjelmistotuotannossa, kyberturvallisuudessa, tieteessä ja ammattitoiminnassa. Astra saavuttaa FrontierMath Tier 4 -tasolla 98 %:n tuloksen ja on jo auttanut ratkaisemaan pitkään avoimina olleita ongelmia matematiikassa. Astra saavuttaa myös ARC-AGI-3-vertailutestissä 99,9 %:n tuloksen ja ExploitBenchissä 100 %:n tuloksen. Se avaa myös edistyneen tietokoneiden ja selainten käytön, sillä se suoriutuu vaativimmistakin ammattikäyttöön tarkoitetuista tehtävistä vertaansa vailla olevalla nopeudella, tarkkuudella ja harkintakyvyllä.
GPT‑6 Astra otetaan tänään käyttöön rajoitetulle joukolle organisaatioita, ja se tulee seuraavien päivien aikana saataville kaikille ChatGPT Plus-, Pro-, Business- ja Enterprise-käyttäjille sekä OpenAI API:n, Microsoft Azuren ja AWS Bedrockin kautta.
Astra on parhaiten linjassa oleva mallimme. Sen kyky ymmärtää käyttäjän aikomuksia ja mallin käyttäytymistä on parantunut merkittävästi, joten voit delegoida tehtäviä luottavaisemmin Astran harkintaan. Yhtenä tapana testata tätä kehitimme Hugging Face -tapauksen pohjalta uuden arvioinnin, jossa arvioidaan, ylittääkö vaikean tai mahdottoman tehtävän edessä oleva malli valtuuksiensa rajat. GPT‑5.6 Sol ylitti ilman tuotannon suojatoimia valtuutetun tavoitteen 48 %:ssa tapauksista, kun taas GPT‑6 Astra teki näin 0 %:ssa tapauksista.
Maailman paras tietokoneen käyttöön tarkoitettu malli
GPT‑6 Astra merkitsee uutta edistynyt tietokoneen käytön nopeudessa, tarkkuudessa ja turvallisuudessa. Se voi hoitaa työläitä tehtäviä, kuten verkkolomakkeiden täyttämistä, asiakastietojen päivittämistä CRM-järjestelmässä ja kalenterisi järjestämistä. Se voi tehdä verkkotutkimusta ja laatia tiivistelmiä sähköpostissasi tai asiakirjaeditorissasi. Se voi analysoida tieteellistä dataa, luoda kuvaajia, luoda verkkosivuston ja suorittaa käyttöliittymän laadunvarmistustarkistuksia varmistaakseen, että kaikki sivuston ominaisuudet toimivat. Se voi auttaa sinua asentamaan ja testaamaan ohjelmistoja itsenäisesti sekä ratkaisemaan näytöllä näkyviä ongelmia. Nämä parannukset näkyvät myös huipputason arviointituloksissamme.
Nämä parannukset johtavat myös merkittäviin tehokkuushyötyihin todellisissa tietotyöhön liittyvissä tehtävissä. OSWorld 2.0:n viivesimulaatioissa Astra saavuttaa GPT‑5.6:ta paremman tietokoneenkäytön suorituskyvyn noin 47 % lyhyemmässä ajassa tehtävää kohden. Sol, joka saavutti 72,6 %:n tuloksen noin 40 minuutissa tehtävää kohden, verrattuna 65,7 %:iin noin 75 minuutissa.3
GPT‑6 Astran tietokoneenkäyttöominaisuudet näkyvät eri alojen tuotoksissa, kuten pelikehityksessä, sähkötekniikassa ja jokapäiväisessä tietotyössä:
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
Merkittävä harppaus asiantuntijatyössä
GPT‑6 Astra yhdistää tietokoneen käytön edistysaskeleet ammatillisiin ympäristöihin kohdennettuun koulutukseen, mikä auttaa ratkomaan monimutkaisia työtehtäviä. Se yhdistää monimutkaisten ongelmien ratkaisemiseen tarvittavan älykkyyden kykyyn toteuttaa monivaiheisia työnkulkuja ja tuottaa viimeisteltyjä asiakirjoja, laskentataulukoita ja esityksiä.
GPT‑6 Astra on paras mallimme olemassa olevien mallipohjien noudattamiseen ja hyvin aseteltujen diojen tuottamiseen, joissa keskeiset kohdat välittyvät tiiviisti jäsennellyn kerronnan avulla. Se luo selkeitä, hyvin jäsenneltyjä asiakirjoja, esityksiä, laskentataulukoita ja analyysejä, jotka noudattavat mallipohjiasi ja vastaavat kirjoitustyyliäsi ja visuaalista tyyliäsi. Astra on myös koulutettu sisällyttämään tuotoksiinsa nimenomaan vain merkityksellisen kontekstin sen sijaan, että se toistaisi käsillä olevan tehtävän kannalta tarpeetonta tietoa. Kaikki tämä tarkoittaa, että se voi tuottaa entistä välittömämmin hyödynnettäviä tuotoksia, jotka vastaavat liiketoimintakontekstiasi ja standardejasi.
GPT‑6 Astra tuo myös vahvempaa visuaalista harkintakykyä rakentamiinsa verkkosivustoihin, peleihin, sovelluksiin ja renderöinteihin. ChatGPT:n Sites(avautuu uudessa ikkunassa) -toiminnolla Astra voi luoda, isännöidä ja jakaa verkkosivustoja, verkkosovelluksia ja pelejä suoraan kehotteesta.
Kun ohjeet jättävät tulkinnanvaraa, GPT‑6 Astra osaa tehdä oikean ratkaisun aiempia malleja paremmin. Se hyödyntää asiayhteyttä täydentääkseen tavanomaiset puuttuvat kohdat ja esittää tarkentavia kysymyksiä, kun vastaus voisi muuttaa lopputulosta. Codexissa se voi esittää kysymyksiä asynkronisesti ja jatkaa samalla työtä, joka ei riipu vastauksestasi. Jos et vastaa, se etenee tarvittaessa järkevien oletusten pohjalta, mutta odottaa kannanottoasi merkittävien päätösten kohdalla.
Alla olevat esimerkit havainnollistavat, miten Astra tekee yhteistyötä arkisissa tehtävissä, joissa puuttuvat tiedot voivat muuttaa vastausta olennaisesti.
Astra pystyy myös paremmin säilyttämään kokonaiskuvan tehtävän kehittyessä. Aiemmat mallit pitivät ohjausviestejä toisinaan uutena tavoitteena ja kadottivat alkuperäisen pyynnön tai aiemmat rajoitukset. Astra ottaa uudet vaatimukset huomioon, muuttaa suuntaa pyydettäessä ja vastaa sivukysymyksiin unohtamatta laajempaa tehtävää.
Koodaus
GPT‑6 Astra on tähän mennessä paras malli ohjelmistotekniikkaan.
“GPT‑6 Astra tarjoaa huipputason suorituskyvyn sisäisissä koodausvertailuissamme ja osoittaa selkeää edistystä kaupankäynti-intuition arvioinneissa verrattuna GPT‑5.6 Soliin. Agenttipohjaisessa koodauksessa GPT‑6 Astra viestii tavalla, jota kehittäjien on helpompi seurata, ja tuottaa koodia, joka vaatii vähemmän iteraatioita saavuttaakseen tuotantotason laadun.”
“Testasimme Astraa matalalla, Keskitaso ja Korkea päättelyteholla yhdessä ensimmäisen sukupolven arvioinneistamme, ja se suoriutui huomattavasti paremmin kuin GPT 5.6 Sol. Suurempi päättelyteho mahdollistaa enemmän iteraatioita uudessa koontiversiossa, enemmän varmennusta selaintestauksen avulla ja suosii koodin suorittamista apply-patch-toiminnon sijaan. Se, että ymmärrämme, miten malli käyttää päättelypanostaan, antaa meille mahdollisuuden tarjota miljoonille kehittäjille nopeamman ja luotettavamman polun ideasta toimivaan sovellukseen.”
Astran myötä esittelemme Codexiin uuden tavan säilyttää ja hakea kontekstia, kun konteksti-ikkuna täyttyy. Mallit ovat perinteisesti käyttäneet kontekstin tiivistämistä työn yhteenvedon laatimiseen pitkien istuntojen aikana, esimerkiksi monimutkaisten ongelmien vianmäärityksessä tai laajojen refaktorointien yhteydessä. Jokaisessa kontekstin tiivistämisessä voi jäädä pois yksityiskohtia siitä, miksi korjaus epäonnistui tai miten komponentti käyttäytyy. Codex, Astra voi säilyttää muistiinpanoja konteksti-ikkunoiden välillä ja pitää kertyneet yksityiskohdat tallessa ilman, että niitä pakataan toistuvasti yhdeksi yhteenvedoksi. Aiemmat konteksti-ikkunat ovat edelleen haettavissa, joten Astra voi löytää vaatimuksia tai testituloksia aiemmista viesteistä ja työkalujen tulosteista, vaikka kyseisiä tietoja ei olisi tallennettu sen muistiinpanoihin. Voit ottaa tämän kokeellisen ominaisuuden käyttöön Codexin config.toml-tiedostossa,(avautuu uudessa ikkunassa) ja siitä tulee Astran oletusarvo tulevien viikkojen aikana.
Tieteellisten löytöjen edistäminen
Astra voi auttaa tieteellisten löytöjen taustalla olevassa käytännön työssä. Yhdistämällä tieteellisen päättelyn tietokoneen käyttöön se voi käyttää erikoisohjelmistoja suoraan datan tarkasteluun ja tulosten tutkimiseen, mikä auttaa tutkijoita arvioimaan näyttöä ja päättämään, mitä tutkia seuraavaksi.
Kyberturvallisuus
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(avautuu uudessa ikkunassa)..
GPT‑6 Astran vastuullinen linjaaminen ja käyttöönotto
Astra on parhaiten ihmisten tarkoitusperien mukainen mallimme. Astra on erityisen hyvä toimimaan huolellisesti, kunnioittamaan tehtävän rajoja ja viestimään avoimesti. Tämä työ on uusin tulos pitkäaikaisesta tutkimusohjelmastamme, joka keskittyy sellaisten mallien kouluttamiseen, jotka pysyvät ihmisten tarkoitusperien mukaisina alusta loppuun.
Herkissä ympäristöissä Astra toimii riskin edellyttämällä varovaisuudella. Arvioinnissa, jossa tietokoneen käyttöön liittyvät tehtävät oli valittu adversariaalisesti ei-toivotun toiminnan esiin saamiseksi, Astra onnistui paremmin välttämään tahattomia seurauksia. Oletusarvoisesti tarjottujen lisäturvatoimien käyttäminen tuotti vielä paremman suorituskyvyn.
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(avautuu uudessa ikkunassa) and Anthropic Messages API(avautuu uudessa ikkunassa)) and without additional protections that are normally deployed to Codex and ChatGPT Work users (auto-review, confirmation policy). 16
Astra toimii myös todennäköisemmin käyttäjän asettamien ja ympäristönsä edellyttämien rajojen puitteissa. Sisäisessä arvioinnissa Astra ei koskaan yrittänyt kiertää Codex automaattitarkastuksen hylkäystä. Tämä piti paikkansa silloinkin, kun Auto-review oli tarkoituksella määritetty kierrettävissä olevaksi ja tehtävää oli muuten mahdotonta suorittaa loppuun. Tämä ympäristön rajoitusten kunnioittaminen on linjassa tämän julkaisun johdannossa esittelemämme mahdottoman kybertehtävän arvioinnin tulosten sekä järjestelmäkortissamme(avautuu uudessa ikkunassa) dokumentoitujen muiden havaintojen kanssa.
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.
Kyvykkyyshallusinaatioita koskevassa arvioinnissamme Astra osoittaa merkittävää parannusta verrattuna GPT‑5.6 Soliin ja esittää kyvyistään vähemmän harhaanjohtavia väitteitä.
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(avautuu uudessa ikkunassa) 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(avautuu uudessa ikkunassa) 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.
Saatavuus
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% | - |
Kohdistaminen
Kohdistaminen | GPT‑6 Astra | GPT‑5.6 Sol | Claude Fable 5.1 | Claude Fable 5 | Claude Opus 5 | Gemini 3.8 Flash |
Sisäisen tietokoneenkäytön turvallisuuden vertailuarvo (alhaisempi on parempi) | 2,4 % | 22,0 % | 9,5 % | 18,3 % | 11,5 % | - |
Sisäinen tietokoneen käytön turvallisuuden vertailutesti, mukana AutoReview (pienempi on parempi) | 1,8 % | 4,3 % | - | - | - | - |
Sisäinen kiertämisen vertailuarvo (pienempi on parempi) | 0,00 % | 0,29 % | - | - | - | - |
ExploitGym-hunajapurkki (pienempi on parempi) | 0,0 % | 48,2 % | - | - | - | - |
Mahdoton ExploitGym | 100,0 % | - | - | - | - | - |
Sisäinen hallusinaatioiden vertailumittari (mitä pienempi, sitä parempi) | 4,2 % | 12,2 % | - | - | - | - |
Pitkä konteksti
Pitkä konteksti | 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-neulainen 256–512 K | 100,0 % | 91,5 % | - | - | - | - |
OpenAI MRCR v2 8-neulainen 512 K – 1 M | 96,3 % | 73,8 % | - | - | - | - |
Abstrakti ajattelu
| 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% | - |
Arviointipisteet ovat enimmäistasolla kaikilla panostustasoilla. GPT‑arvioinnit suoritettiin tutkimusympäristössämme tai API:mme kautta, mikä voi tuottaa hieman erilaisia tuloksia kuin tuotannossa käytettävä ChatGPT, koska järjestelmäkehotteet, käytettävissä olevat työkalut jne. eroavat toisistaan.
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(avautuu uudessa ikkunassa). 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(avautuu uudessa ikkunassa).
- 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(avautuu uudessa ikkunassa).” arXiv:2506.19065, 2025.
- 7
Mark R. H. Gotham, Maureen Redbond, Bruno Bower, and Peter Jonas. “The OpenScore String Quartet Corpus(avautuu uudessa ikkunassa).” 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(avautuu uudessa ikkunassa): "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(avautuu uudessa ikkunassa) 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(avautuu uudessa ikkunassa) and supporting research(avautuu uudessa ikkunassa).
- 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(avautuu uudessa ikkunassa) and supporting research(avautuu uudessa ikkunassa).
- 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(avautuu uudessa ikkunassa).” 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
