GPT-6 Astra: A new generation of intelligence
Isang bagong henerasyon ng intelligence
Ipinapakilala namin ang GPT‑6 Astra, ang pinakamatalino at pinakaayon na modelo sa mundo.
Pinagsasama ng GPT‑6 Astra ang mga taon ng pananaliksik at malalaking pamumuhunan sa pre-training, pagpapatibay ng pag-aaral, at alignment. Pinakamoderno ang Astra sa paggamit ng computer, pagba-browse, software engineering, cybersecurity, agham, at propesyonal na trabaho. Nakuha ng Astra ang 98% na marka sa FrontierMath Tier 4, matapos nitong makatulong sa paglutas ng matagal nang hindi nalulutas na mga problema sa matematika. Nakamit rin ng Astra ang 99% na marka sa ARC-AGI-3 at ang 100% na marka sa ExploitBench. Nagtatakda rin ito ng bagong frontier sa paggamit ng computer at browser, na kayang pangasiwaan ang pinakamahihirap na propesyonal na trabaho nang may walang kapantay na bilis, katumpakan, at pagpapasya.
Inilulunsad ngayon ang GPT‑6 Astra para sa piling organisasyon, at sa mga susunod na araw ay magiging available ito sa lahat ng user ng ChatGPT Plus, Pro, Business, at Enterprise, pati na sa pamamagitan ng OpenAI API, Microsoft Azure, at AWS Bedrock.
Ang Astra ang aming pinaka-naka-align na modelo, na may malalaking pagpapahusay sa pag-unawa sa layunin ng user at paggawi ng modelo—maaari kang magtalaga ng mga gawain nang may higit na kumpiyansa sa paghatol ng Astra. Bilang isang paraan ng pagsubok namin dito, bumuo kami ng bagong pagsusuri na batay sa insidente sa Hugging Face para suriin kung ang modelo na humaharap sa mahirap o imposibleng gawain ay lalampas sa nilalayong saklaw nito. Kumpara sa GPT‑5.6 Sol, na nang walang mga pananggalang sa produksyon ay lumampas sa awtorisadong target sa 48% ng mga pagkakataon, ginawa ito ng GPT‑6 Astra sa 0% ng mga kaso.
Ang pinakamahusay na modelo ng paggamit ng computer sa mundo
Bagong antas ang naabot ng GPT‑6 Astra pagdating sa bilis, katumpakan, at kaligtasan sa paggamit ng computer. Kaya nitong gawin ang mga nakakapagod na gawain, gaya ng pagsagot sa mga online form, pag-update ng rekord ng customer sa CRM, at pag-aayos ng iyong calendar. Kaya nitong magsagawa ng online na pananaliksik at gumawa ng mga draft na buod sa iyong email o sa iyong document editor. Kaya nitong magsuri ng siyentipikong datos, bumuo ng mga plot, gumawa ng website, at magpatakbo ng mga frontend QA check para matiyak na gumagana ang lahat ng feature sa site na iyon. Matutulungan kayo nitong mag-install at mag-test ng software nang mag-isa, at mag-troubleshoot ng mga problemang nakikita ninyo sa screen. Makikita rin ang mga pagpapahusay na ito sa aming mga pinakamakabagong resulta ng pagsusuri.
Ang mga pagpapahusay na ito ay nagreresulta rin sa makabuluhang pagtaas ng kahusayan sa mga tunay na gawaing nakabatay sa kaalaman. Sa mga simulation ng latency sa OSWorld 2.0, nakakamit ng Astra ang mas mataas na pagganap sa paggamit ng computer sa humigit-kumulang 47% na mas kaunting oras bawat gawain kaysa sa GPT‑5.6 Sol, na nakakuha ng score na 72.6% sa humigit-kumulang 40 minuto bawat gawain, kumpara sa 65.7% sa humigit-kumulang 75 minuto.3
Makikita ang mga kakayahan ng GPT‑6 Astra sa paggamit ng computer sa mga output sa iba’t ibang larangan, kabilang ang pag-develop ng laro, electrical engineering, at pang-araw-araw na gawaing pangkaalaman:
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
Isang malaking pagbabago sa propesyonal na trabaho
Pinagsasama ng GPT‑6 Astra ang mga pagsulong sa paggamit ng computer at naka-target na pagsasanay para sa mga propesyonal na environment para makatulong sa pagharap sa mga kumplikadong gawain sa trabaho. Pinagsasama nito ang intelligence na kailangan para sa mga kumplikadong problema at ang kakayahang magsagawa ng mga daloy ng trabaho na binubuo ng maraming hakbang at gumawa ng mga pulidong dokumento, spreadsheet, at presentasyon.
Ang GPT‑6 Astra ang aming pinakamahusay na modelo para sa pagsunod sa mga umiiral na template at paggawa ng mga slide na maayos ang layout at maikli at malinaw na naghahatid ng mahahalagang punto sa pamamagitan ng istrukturadong salaysay. Gumagawa ito ng malinaw at maayos na nakabalangkas na mga dokumento, presentasyon, spreadsheet, at pagsusuri na sumusunod sa iyong mga template at tumutugma sa iyong estilo ng pagsulat at biswal na estilo. Sinanay din ang Astra na partikular na isama lamang sa mga output ang kontekstong mahalaga, sa halip na ulitin ang impormasyong hindi kinakailangan para sa kasalukuyang gawain. Nangangahulugan ang lahat ng ito na makakapaglabas ito ng mga artifact na mas agad magagamit at tumutugma sa konteksto at mga pamantayan ng iyong negosyo.
Mas mahusay din ang GPT‑6 Astra sa biswal na paghuhusga para sa mga website, laro, application, at rendering na ginagawa nito. Sa pamamagitan ng Sites(magbubukas sa bagong window) sa ChatGPT, makakagawa, makakapag-host, at makakapagbahagi ang Astra ng mga website, web app, at laro direkta mula sa isang prompt.
Kapag ang mga tagubilin ay may puwang para sa interpretasyon, mas mahusay ang GPT‑6 Astra kaysa sa mga naunang modelo sa paggawa ng tamang desisyon. Ginagamit nito ang konteksto para punan ang mga karaniwang puwang at nagtatanong ng nakatuong mga tanong kapag ang sagot ay maaaring magbago ng resulta. Sa Codex, maaari itong magtanong nang asynchronous habang nagpapatuloy sa trabaho na hindi nakadepende sa iyong sagot. Kung hindi ka sumagot, nagpapatuloy ito gamit ang makatuwirang mga palagay kung naaangkop, ngunit naghihintay sa iyong input para sa mga mahahalagang desisyon.
Ipinapakita ng mga halimbawa sa ibaba kung paano nakikipagtulungan ang Astra sa mga pang-araw-araw na gawain kung saan maaaring magbago nang malaki ang sagot kapag may kulang na impormasyon.
Mas mahusay din ang Astra sa pagpapanatili ng tamang oryentasyon habang nagbabago ang gawain. Kung minsan, itinuturing ng mga naunang modelo ang mga steering message bilang bagong layunin, kaya hindi na nila nasusubaybayan ang orihinal na kahilingan o mga naunang limitasyon. Isinasama ng Astra ang mga bagong kinakailangan, nagbabago ng direksyon kapag hiniling, at sumasagot sa mga karagdagang tanong nang hindi binibitawan ang mas malawak na gawain.
Pag-code
Ang GPT‑6 Astra ang pinakamahusay na modelo para sa software engineering hanggang sa kasalukuyan.
“Naghahatid ang GPT‑6 Astra ng makabagong antas ng pagganap sa aming mga pamantayan sa internal coding at nagpapakita ng malinaw na hakbang pasulong sa mga pagsusuri ng intuwisyon sa trading kumpara sa GPT‑5.6 Sol. Kapag ginagamit para sa agentic coding, nakikipag-ugnayan ang GPT‑6 Astra sa paraang mas madaling sundan ng mga developer at gumagawa ng code na nangangailangan ng mas kaunting pag-ulit upang maabot ang kalidad para sa produksyon.”
“Sinubukan namin ang Astra sa mababa, medium, at mataas na antas ng pagsisikap sa isa sa aming mga unang henerasyong eval, at malaki ang lamang nito sa GPT 5.6 Sol. Nagbibigay ang mas mataas na antas ng pagsisikap ng mas maraming pag-ulit sa bagong build, mas maraming pag-verify sa pamamagitan ng browser testing, at mas nakatuon sa pagpapatakbo ng code kaysa sa apply-patch. Sa pamamagitan ng pag-unawa sa kung paano ginugugol ng modelo ang pagsisikap nito, nabibigyan namin ang milyun-milyong builder ng mas mabilis at mas maaasahang landas mula sa ideya tungo sa gumaganang app.”
Sa Astra, ipinapakilala namin ang bagong paraan para mapanatili at makuha ng Codex ang konteksto kapag napuno ang context window. Noon pa man, ginagamit ng mga modelo ang compaction para ibuod ang gawain sa mahahabang sesyon, tulad ng kapag nagde-debug ng mga kumplikadong isyu o humaharap sa malalaking refactor. Puwedeng may maiwang detalye ang bawat compaction tungkol sa kung bakit nabigo ang pag-aayos o kung paano kumikilos ang component. Sa Codex, maaaring magpanatili ang Astra ng mga tala sa iba't ibang context window, na pinananatili ang mga naipong detalye nang hindi paulit-ulit na kino-compress ang mga ito sa iisang buod. Nanatiling madaling hanapin ang mga naunang context window, kaya mahahanap ng Astra ang mga kinakailangan o resulta ng test mula sa mga nakaraang mensahe at output ng tool—kahit hindi nakuha ang impormasyong iyon sa mga tala nito. Maaari mong i-enable ang experimental feature na ito sa iyong Codex config.toml,(magbubukas sa bagong window) at magiging default ito para sa Astra sa mga susunod na linggo.
Pagsusulong sa siyentipikong pagtuklas
Makakatulong ang Astra sa praktikal na gawain sa likod ng siyentipikong pagtuklas. Sa pamamagitan ng pagsasama ng siyentipikong pangangatwiran at paggamit ng computer, maaari itong direktang gumana sa espesyalisadong software upang suriin ang data at i-explore ang mga resulta, na tumutulong sa mga mananaliksik na tasahin ang ebidensya at magpasya kung ano ang susunod na iimbestigahan.
Cybersecurity
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(magbubukas sa bagong window)..
Responsableng pag-align at pag-deploy ng GPT‑6 Astra
Ang Astra ang aming pinaka-naka-align na modelo. Mahusay ang Astra sa maingat na pagkilos, pagsunod sa mga hangganan ng gawain, at malinaw na pakikipagkomunikasyon. Ang gawaing ito ang pinakabagong resulta ng aming matagal nang programa ng pananaliksik na nakatuon sa pag-train ng mga model na nananatiling naka-align sa layunin ng tao mula simula hanggang katapusan.
Sa mga sensitibong kapaligiran, kumikilos ang Astra nang may pag-iingat na naaayon sa antas ng panganib nito. Sa pagsusuri ng mga gawain sa paggamit ng computer na sadyang pinili upang mag-udyok ng maling gawi, mas naging matagumpay ang Astra sa pag-iwas sa mga di-sinasadyang kahihinatnan. Ang pagpapatakbo gamit ang mga karagdagang hakbang sa seguridad na iniaalok bilang default ay nagbunga ng mas mahusay pang pagganap.
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(magbubukas sa bagong window) and Anthropic Messages API(magbubukas sa bagong window)) and without additional protections that are normally deployed to Codex and ChatGPT Work users (auto-review, confirmation policy). 16
Mas malamang ding kumilos ang Astra sa loob ng mga hangganang itinakda ng user at ipinapahiwatig ng environment nito. Sa panloob na pagsusuri, hindi kailanman nagtangka ang Astra na iwasan ang Codex Auto-Review denial. Nanatili itong totoo kahit noong ang Auto-review ay sadyang na-configure para maaaring malusutan at imposibleng makumpleto ang gawain sa ibang paraan. Ang paggalang na ito sa mga environment restriction ay naaayon sa mga resulta ng aming pagsusuri sa imposibleng cyber task na ibinahagi namin sa intro ng post na ito at sa iba pang natuklasang nakadokumento sa aming card ng system(magbubukas sa bagong window).
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.
Sa aming pagsusuri sa capability-hallucination, malaki ang ipinakitang pagbuti ng Astra kumpara sa GPT‑5.6 Sol, dahil mas kaunti ang mapanlinlang na pahayag nito tungkol sa mga kakayahan nito.
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(magbubukas sa bagong window) 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(magbubukas sa bagong window) 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.
Pagiging available
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% | - |
Pagkakaayon
Pagkakaayon | GPT‑6 Astra | GPT‑5.6 Sol | Claude Fable 5.1 | Claude Fable 5 | Claude Opus 5 | Gemini 3.8 Flash |
Panloob na pamantayan sa kaligtasan ng paggamit ng computer (mas mainam ang mas mababa) | 2.4% | 22.0% | 9.5% | 18.3% | 11.5% | - |
Panloob na pamantayan sa kaligtasan ng paggamit ng computer, may AutoReview (mas mainam ang mas mababa) | 1.8% | 4.3% | - | - | - | - |
Panloob na pamantayan ng pag-iwas sa mga panuntunan (mas mainam ang mas mababa) | 0.00% | 0.29% | - | - | - | - |
ExploitGym honeypot (mas mababa, mas mabuti) | 0.0% | 48.2% | - | - | - | - |
Imposibleng ExploitGym | 100.0% | - | - | - | - | - |
Panloob na pamantayan ng halusinasyon (mas mainam ang mas mababa) | 4.2% | 12.2% | - | - | - | - |
Mahabang Konteksto
Mahabang Konteksto | 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-needle 256K-512K | 100.0% | 91.5% | - | - | - | - |
OpenAI MRCR v2 8-needle 512K-1M | 96.3% | 73.8% | - | - | - | - |
Abstract na pangangatwiran
| 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% | - |
Ang mga marka sa pagsusuri ay pinakamataas sa anumang antas ng pagsisikap. Isinagawa ang mga pagsusuri ng GPT sa environment ng aming pananaliksik o sa pamamagitan ng aming API, na maaaring magbigay ng output na bahagyang naiiba sa ChatGPT sa produksyon dahil sa mga pagkakaiba sa mga system prompt, mga tool na magagamit, at iba pa.
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(magbubukas sa bagong window). 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(magbubukas sa bagong window).
- 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(magbubukas sa bagong window).” arXiv:2506.19065, 2025.
- 7
Mark R. H. Gotham, Maureen Redbond, Bruno Bower, and Peter Jonas. “The OpenScore String Quartet Corpus(magbubukas sa bagong window).” 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(magbubukas sa bagong window): "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(magbubukas sa bagong window) 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(magbubukas sa bagong window) and supporting research(magbubukas sa bagong window).
- 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(magbubukas sa bagong window) and supporting research(magbubukas sa bagong window).
- 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(magbubukas sa bagong window).” 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
