GPT-6 Astra: A new generation of intelligence
ઇન્ટેલિજન્સની નવી પેઢી
અમે GPT‑6 Astra રજૂ કરી રહ્યા છીએ, જે વિશ્વનું સૌથી બુદ્ધિશાળી અને સુસંગત મોડલ છે.
GPT‑6 Astra પ્રી-ટ્રેનિંગ, રીઇન્ફોર્સમેન્ટ લર્નિંગ અને સંરેખણમાં વર્ષોના સંશોધન અને મોટા દાવોને એકસાથે લાવે છે. Astra કમ્પ્યુટરનો ઉપયોગ, બ્રાઉઝિંગ, સૉફ્ટવેર એન્જિનિયરિંગ, સાઇબર સુરક્ષા, વિજ્ઞાન અને પ્રોફેશનલ કામમાં અત્યાધુનિક છે. Astra 98% સ્કોર સાથે FrontierMath Tier 4ને સંતૃપ્તી સ્તરે લઈ જાય છે અને તેણે ગણિતમાં લાંબા સમયથી વણઉકેલાયેલી ખુલ્લી સમસ્યાઓ ઉકેલવામાં પહેલેથી જ મદદ કરી છે. Astraએ 99.9%ના સ્કોર સાથે ARC-AGI-3ને અને 100%ના સ્કોર સાથે ExploitBenchને પણ સંતૃપ્તી સ્તરે લઈ ગયું. તે કમ્પ્યુટર અને બ્રાઉઝરના ઉપયોગમાં પણ એક નવો અત્યાધુનિક માપદંડ સ્થાપિત કરે છે અને અજોડ ઝડપ, ચોકસાઈ અને વિવેક સાથે સૌથી વધુ માંગવાળું પ્રોફેશનલ કામ સંભાળે છે.
GPT‑6 Astra આજે મર્યાદિત સંખ્યાની સંસ્થાઓ માટે અમલમાં આવી રહ્યું છે અને આગામી દિવસોમાં તે તમામ ChatGPT Plus, Pro, Business અને Enterprise વપરાશકર્તાઓ માટે તેમજ OpenAI API, Microsoft Azure અને AWS Bedrock મારફતે ઉપલબ્ધ થશે.
Astra અમારું સૌથી વધુ સંરેખિત મોડલ છે, જેમાં વપરાશકર્તાના ઇરાદા અને મોડલના વર્તનને સમજવામાં નોંધપાત્ર સુધારાઓ છે—તમે Astraના નિર્ણય પર વધુ વિશ્વાસ સાથે કાર્યો સોંપી શકો છો. આને પરીક્ષણની એક રીત તરીકે, અમે Hugging Face ઘટનાથી પ્રેરિત એક નવું મૂલ્યાંકન બનાવ્યું છે, જે તપાસે છે કે મુશ્કેલ અથવા અશક્ય કાર્યનો સામનો કરતું મોડલ તેના નિર્ધારિત કાર્યક્ષેત્રની બહાર જશે કે નહીં. GPT‑5.6 Solની સરખામણીમાં, જે ઉત્પાદન સુરક્ષાત્મક ઉપાયો વિના 48% વખત અધિકૃત લક્ષ્યની બહાર ગયું હતું, GPT‑6 Astraએ શૂન્ય ટકા કિસ્સાઓમાં આવું કર્યું હતું.
કમ્પ્યુટરનો ઉપયોગ કરવા માટે વિશ્વનું શ્રેષ્ઠ મોડલ
GPT‑6 Astra કમ્પ્યુટરના ઉપયોગની ઝડપ, ચોકસાઈ અને સલામતીમાં એક અત્યાધુનિક સ્થાપિત કરે છે. તે ઑનલાઇન ફોર્મ ભરવા, CRMમાં ગ્રાહક રેકોર્ડ અપડેટ કરવા અને તમારું કૅલેન્ડર ગોઠવવા જેવા કંટાળાજનક કાર્યો સંભાળી શકે છે. તે ઑનલાઇન સંશોધન કરી શકે છે અને તમારા ઇમેઇલમાં અથવા તમારા ડોક્યુમેન્ટ એડિટરમાં સારાંશોના ડ્રાફ્ટ તૈયાર કરી શકે છે. તે વૈજ્ઞાનિક ડેટાનું વિશ્લેષણ કરી શકે છે, પ્લોટ્સ જનરેટ કરી શકે છે, વેબસાઇટ બનાવી શકે છે અને તે સાઇટ પરની તમામ સુવિધાઓ યોગ્ય રીતે કામ કરે છે તેની ખાતરી કરવા માટે ફ્રન્ટએન્ડ QA તપાસો ચલાવી શકે છે. તે તમને સ્વાયત્ત રીતે સૉફ્ટવેર ઇન્સ્ટોલ અને પરીક્ષણ કરવામાં, તેમજ સ્ક્રીન પર દેખાતી સમસ્યાઓનું નિવારણ કરવામાં મદદ કરી શકે છે. આ સુધારાઓ અમારા અદ્યતન મૂલ્યાંકન પરિણામોમાં પણ પ્રતિબિંબિત થાય છે.
આ સુધારાઓ વાસ્તવિક જ્ઞાન-કામનાં કાર્યોમાં કાર્યક્ષમતામાં નોંધપાત્ર વધારો પણ કરે છે. OSWorld 2.0 પરના લેટન્સી સિમ્યુલેશન્સમાં, GPT‑5.6 Solની સરખામણીએ Astra કાર્ય દીઠ લગભગ 47% ઓછા સમયમાં વધુ સારું કમ્પ્યુટર-ઉપયોગ પ્રદર્શન હાંસલ કરે છે, લગભગ 40 મિનિટ પ્રતિ કાર્યમાં 72.6% સ્કોર કરે છે, જ્યારે લગભગ 75 મિનિટમાં 65.7% સ્કોર કરે છે.3
GPT‑6 Astraની કમ્પ્યુટર-ઉપયોગ ક્ષમતાઓ વિવિધ ક્ષેત્રોના આઉટપુટમાં જોઈ શકાય છે, જેમાં ગેમ ડેવલપમેન્ટ, ઇલેક્ટ્રિકલ એન્જિનિયરિંગ અને રોજિંદા નોલેજ કામનો સમાવેશ થાય છે:
Astra સાથે, અમે કમ્પ્યુટર ઉપયોગની ઝડપમાં નોંધપાત્ર સુધારો કરવા માટે Codex કાર્યપ્રણાલીને પણ અપડેટ કરી રહ્યા છીએ. Astraની કાર્યક્ષમતા સાથે જોડીને, Mind2Web બેન્ચમાર્ક પર આ વર્તમાન GPT‑5.6 Sol અનુભવની સરખામણીમાં 1.9 ગણું ઝડપી કાર્ય પૂર્ણ કરવામાં પરિણમે છે. ઝડપમાં મોડલના સુધારાઓનો અર્થ એ છે કે તે તમારા માટે ઘણા સમય માંગી લેતા રોજિંદા કાર્યો તમે કરી શકો તેના કરતાં વધુ ઝડપથી કરી શકે છે.
પ્રોફેશનલ કામમાં એક નોંધપાત્ર પરિવર્તન
GPT‑6 Astra જટિલ કામનાં કાર્યોનો સામનો કરવામાં મદદ કરવા માટે કમ્પ્યુટર ઉપયોગમાં થયેલી પ્રગતિઓને પ્રોફેશનલ વાતાવરણ માટેની લક્ષિત તાલીમ સાથે જોડે છે. તે જટિલ સમસ્યાઓ માટે જરૂરી ઇન્ટેલિજન્સને બહુ-પગલાંના વર્કફ્લો હાથ ધરવાની અને સુઘડ દસ્તાવેજો, સ્પ્રેડશીટ્સ અને પ્રેઝન્ટેશનો તૈયાર કરવાની ક્ષમતા સાથે જોડે છે.
GPT‑6 Astra એ હાલના નમૂનાઓને અનુસરવા અને સુવ્યવસ્થિત લેઆઉટવાળી તથા સંરચિત નેરેટિવ દ્વારા મુખ્ય મુદ્દાઓને સંક્ષિપ્તમાં રજૂ કરતી સ્લાઇડ્સ બનાવવા માટેનું અમારું શ્રેષ્ઠ મોડલ છે. તે તમારા નમૂનાઓને અનુસરતા અને તમારી લેખન તથા દૃશ્ય શૈલી સાથે મેળ ખાતા સ્પષ્ટ, સુવ્યવસ્થિત દસ્તાવેજો, પ્રસ્તુતિઓ, સ્પ્રેડશીટ્સ અને વિશ્લેષણો બનાવે છે. Astraને આઉટપુટમાં માત્ર સંબંધિત સંદર્ભ જ સ્પષ્ટપણે સામેલ કરવા માટે પણ તાલીમ આપવામાં આવી છે, જેથી વર્તમાન કામ માટે અનાવશ્યક માહિતીનું પુનરાવર્તન ન થાય. આ બધાનો અર્થ એ થાય છે કે તે તમારા વ્યવસાયિક સંદર્ભ અને ધોરણો સાથે મેળ ખાતી, વધુ તરત ઉપયોગમાં લઈ શકાય તેવી આર્ટિફેક્ટ્સ આઉટપુટ કરી શકે છે.
GPT‑6 Astra તે બનાવે છે તેવી વેબસાઇટ્સ, ગેમ્સ, એપ્લિકેશન્સ અને રેન્ડરિંગ્સ માટે વધુ મજબૂત દૃશ્યાત્મક નિર્ણયક્ષમતા પણ લાવે છે. ChatGPTમાં સાઇટ્સ(નવી વિન્ડોમાં ખૂલે છે) સાથે, Astra પ્રોમ્પ્ટથી સીધી વેબસાઇટ્સ, વેબ એપ્લિકેશન્સ અને ગેમ્સ બનાવી શકે, હોસ્ટ કરી શકે અને શેર કરી શકે છે.
જ્યારે સૂચનાઓ અર્થઘટન માટે અવકાશ છોડી દે છે, ત્યારે યોગ્ય નિર્ણય લેવામાં GPT‑6 Astra અગાઉના મોડલ્સ કરતાં વધુ સારું છે. તે સામાન્ય ખાલી જગ્યાઓ પૂરી કરવા માટે સંદર્ભનો ઉપયોગ કરે છે અને જ્યારે જવાબ પરિણામ બદલી શકે તેમ હોય ત્યારે કેન્દ્રિત પ્રશ્નો પૂછે છે. Codexમાં, તે તમારા જવાબ પર નિર્ભર ન હોય તેવું કાર્ય ચાલુ રાખતાં અસિંક્રોનસ રીતે પ્રશ્નો પૂછી શકે છે. જો તમે જવાબ ન આપો, તો જ્યાં યોગ્ય હોય ત્યાં તે વાજબી અનુમાનો સાથે આગળ વધે છે, પરંતુ મહત્વપૂર્ણ નિર્ણયો માટે તમારા ઇનપુટની રાહ જુએ છે.
નીચેનાં ઉદાહરણો દર્શાવે છે કે Astra રોજિંદા કાર્યોમાં કેવી રીતે સહયોગ કરે છે, જ્યાં ખૂટતી માહિતી જવાબને નોંધપાત્ર રીતે બદલી શકે છે.
Astra કાર્ય આગળ વધે તેમ દિશાબોધ જાળવી રાખવામાં પણ વધુ સારું છે. અગાઉનાં મોડલ્સ ક્યારેક માર્ગદર્શક સંદેશાને નવા લક્ષ્ય તરીકે લેતાં હતાં, જેના કારણે મૂળ વિનંતી અથવા અગાઉની મર્યાદાઓ પરનું ધ્યાન છૂટી જતું હતું. Astra નવી આવશ્યકતાઓને સમાવી લે છે, કહેવામાં આવે ત્યારે દિશા બદલે છે અને વ્યાપક કાર્યને નજરઅંદાજ કર્યા વિના અન્ય પ્રશ્નોના જવાબ આપે છે.
કોડિંગ
GPT‑6 Astra આજ સુધી સૉફ્ટવેર એન્જિનિયરિંગ માટેનું શ્રેષ્ઠ મોડલ છે.
“GPT‑6 Astra અમારા આંતરિક કોડિંગ બેન્ચમાર્ક પર અત્યાધુનિક કામગીરી આપે છે અને GPT‑5.6 Solની સરખામણીમાં ટ્રેડિંગ ઇન્ટ્યુઇશન મૂલ્યાંકનોમાં સ્પષ્ટ પ્રગતિ દર્શાવે છે. એજન્ટિક કોડિંગ માટે ઉપયોગ કરવામાં આવે ત્યારે, GPT‑6 Astra ડેવલપર્સ માટે અનુસરવામાં સરળ હોય તેવી રીતે સંવાદ કરે છે અને એવો કોડ બનાવે છે જેને પ્રોડક્શન ગુણવત્તા સુધી પહોંચાડવા માટે ઓછા પુનરાવર્તનની જરૂર પડે છે.”
“અમે અમારી પ્રથમ-જનરેશન મૂલ્યાંકનમાંથી એક પર Astraને લો, મીડિયમ અને હાઇ પ્રયત્ન સ્તરોમાં પરીક્ષણ કર્યું અને તે GPT 5.6 Sol કરતાં નોંધપાત્ર રીતે આગળ નીકળ્યું. ઉચ્ચ પ્રયત્નથી નવા બિલ્ડ પર વધુ પુનરાવર્તનો, બ્રાઉઝર પરીક્ષણ દ્વારા વધુ ચકાસણી અને apply-patch કરતાં કોડ અમલીકરણ તરફ વધુ ઝોક મળે છે. મોડલ તેના પ્રયત્નનો ઉપયોગ કેવી રીતે કરે છે તે સમજવાથી જ અમે લાખો બિલ્ડર્સને વિચારથી કાર્યરત એપ સુધી પહોંચવાનો વધુ ઝડપી અને વધુ વિશ્વસનીય માર્ગ આપીએ છીએ.”
Astra સાથે, જ્યારે સંદર્ભ વિન્ડો ભરાઈ જાય ત્યારે Codex માટે સંદર્ભ જાળવી રાખવાની અને પુનઃપ્રાપ્ત કરવાની નવી રીત રજૂ કરી રહ્યા છીએ. ઐતિહાસિક રીતે, મોડલ્સે લાંબા સત્રો દરમિયાન કામનો સારાંશ આપવા માટે કૉમ્પેક્શનનો ઉપયોગ કર્યો છે, જેમ કે જટિલ સમસ્યાઓ ડિબગ કરતી વખતે અથવા મોટા રિફેક્ટર હાથ ધરતી વખતે. દરેક કૉમ્પેક્શનમાં કોઈ ઠીક કરવાની કામગીરી કેમ નિષ્ફળ ગઈ અથવા કોઈ ઘટક કેવી રીતે વર્તે છે તેની વિગતો છૂટી જઈ શકે છે. Codexમાં, Astra સંદર્ભ વિન્ડોઝમાં નોંધો રાખી શકે છે, જેથી સંચિત વિગતોને વારંવાર એક જ સારાંશમાં સંકુચિત કર્યા વિના જાળવી શકાય. પહેલાંની સંદર્ભ વિન્ડો શોધી શકાય તેવી રહે છે, તેથી Astra અગાઉના સંદેશા અને ટૂલ આઉટપુટ્સમાંથી જરૂરિયાતો અથવા પરીક્ષણ પરિણામો શોધી શકે છે—ભલે તે માહિતી તેની નોંધોમાં કૅપ્ચર કરવામાં આવી ન હોય. તમે તમારા Codex config.toml(નવી વિન્ડોમાં ખૂલે છે)માં આ પ્રાયોગિક સુવિધા સક્ષમ કરી શકો છો અને આગામી અઠવાડિયાઓમાં તે Astra માટે ડિફૉલ્ટ બની જશે.
વૈજ્ઞાનિક શોધને આગળ વધારવી
GPT‑6 Astra વૈજ્ઞાનિક શોધખોળ, ગણિત અને આરોગ્ય માટે એક મહત્ત્વપૂર્ણ પ્રગતિ છે. આજે, અમે અવિભાજ્ય સંખ્યાઓ વચ્ચેના અંતરો અંગેના બે વધુ પરિણામો શેર કરી રહ્યા છીએ [WITH LINK]. Astra વિજ્ઞાન મૂલ્યાંકનોના સમૂહમાં પણ નવા રેકોર્ડ સ્થાપે છે:
Astra વૈજ્ઞાનિક શોધ પાછળના વ્યવહારુ કામમાં મદદ કરી શકે છે. વૈજ્ઞાનિક રિઝનિંગને કમ્પ્યુટરના ઉપયોગ સાથે જોડીને, તે ડેટાનું નિરીક્ષણ કરવા અને પરિણામોની તપાસ કરવા માટે વિશિષ્ટ સૉફ્ટવેરમાં સીધું કામ કરી શકે છે, જેથી સંશોધકોને પુરાવાનું મૂલ્યાંકન કરવામાં અને આગળ શું તપાસવું તે નક્કી કરવામાં મદદ મળે છે.
સાયબર સિક્યુરિટી
Astra સાઇબર સુરક્ષા ક્ષમતાઓમાં એક નોંધપાત્ર પરિવર્તન છે. ઝીરો-ડે એક્સપ્લોઇટ્સને ઓળખવાની અને વિકસાવવાની તેની ક્ષમતા સુરક્ષા રક્ષકોને નબળાઈઓને પેચ કરવામાં મદદ કરી શકે છે, પરંતુ તે વધુ મજબૂત સુરક્ષા ઉપાયોની જરૂરિયાત પણ ઊભી કરે છે. આ ક્ષમતાઓ કેટલી હદ સુધી વિસ્તરે છે તે સમજવા માટે, અમે આંતરિક અને તૃતીય-પક્ષ નિષ્ણાત મૂલ્યાંકનોનો ઉપયોગ કર્યો.
અમે સૌપ્રથમ Astraને ExploitBench અને ExploitGym પર પરીક્ષણ કર્યું, જે માપે છે કે મોડલ્સ નબળાઈ ધરાવતા કોડબેઝમાં મનસ્વી કોડ એક્ઝિક્યુશન હાંસલ કરી શકે છે કે નહીં.
ઐતિહાસિક સૉફ્ટવેર નબળાઈઓના સંપર્કથી બેન્ચમાર્ક પરિણામો પ્રભાવિત થયા હોઈ શકે તેવી સંભવિત ચિંતાઓને ધ્યાનમાં રાખીને, અમે Astraનું બે નવતર બેન્ચમાર્ક પર પણ મૂલ્યાંકન કર્યું. એક ઉદાહરણ તરીકે, અમે પાછલા ત્રણ મહિનાની નબળાઈઓનો ઉપયોગ કરીને એક્સ્પ્લોઇટ વિકાસનું પરીક્ષણ કરવા માટે આંતરિક “ExploitBench (જૂન–ઑગસ્ટ 2026)” મૂલ્યાંકન બનાવ્યું. 2 આ ડેટાસેટ પર Astraએ ઘણા ઓછા આઉટપુટ ટોકન વાપરીને GPT‑5.6 Sol કરતાં મનસ્વી કોડ-અમલના નોંધપાત્ર ઉચ્ચ દર હાંસલ કર્યા. મૂલ્યાંકન દરમિયાન, Astraએ અગાઉ અજાણી Chrome V8 હીપ સેન્ડબૉક્સમાંથી બહાર નીકળવાની બે તકનીકો શોધી કાઢી અને ઉપયોગમાં લીધી. અમે બંને નબળાઈઓનો તેમના સંબંધિત જાળવણીકર્તાઓ સમક્ષ ખુલાસો કરી રહ્યા છીએ.
અમે Astraનું SRE-Bench પર પણ પરીક્ષણ કર્યું, જે એક બેન્ચમાર્ક છે અને માપે છે કે મોડલ્સ બાઇનરી સૉફ્ટવેરની મુખ્ય તર્કપ્રણાલી સમજવા માટે તેનું રિવર્સ એન્જિનિયરિંગ કરી શકે છે કે નહીં. બેન્ચમાર્કના લેખકોએ સૉફ્ટવેર શરૂઆતથી બનાવ્યું અને તેનો સ્રોત કોડ ખાનગી રાખ્યો. Astraએ એક જ પ્રયાસમાં 88.0% કાર્યો ઉકેલ્યાં અને ચાર પ્રયાસોમાં 99.2% કાર્યો ઉકેલ્યાં, જ્યારે GPT‑5.6 Sol માટે અનુક્રમે 55.9% અને 68.7% હતાં.
બેન્ચમાર્ક્સથી આગળ, નિષ્ણાતોની આગેવાની હેઠળના મૂલ્યાંકનોમાં જાણવા મળ્યું કે Astra અગાઉ અજાણી નબળાઈઓનો ઉપયોગ કરીને કડક રીતે સુરક્ષિત બનાવેલા બ્રાઉઝર્સમાં મનસ્વી કોડ ચલાવી શકે છે અને કડક રીતે સુરક્ષિત બનાવેલી ઑપરેટિંગ સિસ્ટમ્સ માટે વિશેષાધિકાર-વધારા એક્સ્પ્લોઇટ્સ બનાવી શકે છે. એકંદરે, આ પરિણામોએ અમારા નિર્ણયને આધાર આપ્યો કે Astra અમારા પ્રિપેરડનેસ ફ્રેમવર્ક હેઠળ સાયબર સુરક્ષામાં નિર્ણાયક મર્યાદાએ પહોંચી ગયું છે.
જેમ કે અમે રક્ષકોની તકમાં ચર્ચા કરી હતી, અત્યાધુનિક સાયબર ક્ષમતાઓ રક્ષકોને નબળાઈઓ ઝડપથી શોધવામાં મદદ કરી શકે છે, પરંતુ તે નબળાઈઓનું શોષણ કરવાનું પણ સરળ બનાવે છે, જેના કારણે રક્ષકો માટે અનુકૂલન સાધવાની તાત્કાલિકતા વધે છે.
આજે લૉન્ચ થઈ રહેલી Astraની આવૃત્તિ માટે, અમે સુરક્ષિત કોડ સમીક્ષા, પેચિંગ અને ધમકી મોડેલિંગ જેવા મહત્ત્વપૂર્ણ રક્ષણાત્મક કાર્યોને સપોર્ટ કરીએ છીએ. જોકે, મૂળભૂત રીતે, Astra એક્સપ્લોઇટ શોધ જેવા અદ્યતન સાયબર સુરક્ષા કાર્યોમાં સહકાર આપવાનો ઇનકાર કરશે. OpenAI Daybreak દ્વારા, અમે OpenAI Daybreak પ્રોગ્રામમાં ભરોસાપાત્ર સાયબર સુરક્ષા રક્ષકોના એક આલ્ફા સમૂહને ઓછો પ્રતિબંધિત ઍક્સેસ આપી રહ્યા છીએ. આનાથી રક્ષણાત્મક વર્કફ્લોના ઍક્સેસનું વિસ્તરણ થાય છે, જેમાં નબળાઈઓનું ટ્રાયેજ અને માન્યકરણ, માલવેર વિશ્લેષણ, ડિટેક્શન એન્જિનિયરિંગ અને પેચ માન્યકરણનો સમાવેશ થાય છે. અમે Daybreak Blue મારફતે ઍક્સેસને વધુ વિસ્તૃત કરવાની યોજના ધરાવીએ છીએ.
અમે GPT‑5.6 Sol માટેના અમારા સુરક્ષાત્મક ઉપાયોના માળખા પર આધાર રાખીને, સંભવિત સાયબર દુરુપયોગ સામેની અમારી સુરક્ષા પણ મજબૂત કરી છે. તેમાં સંભવિત જેલબ્રેક સામે વધુ સારી રીતે ટકી રહેવા માટે મોડલની મજબૂતી માટેની વધુ સઘન તાલીમ અને અમારી દેખરેખ સિસ્ટમ્સ માટે વધુ સંદર્ભનો સમાવેશ થાય છે. અમે અમારા આંતરિક રેડ ટીમિંગ હુમલાખોરો સાથેના સ્વચાલિત પરીક્ષણો સહિત સઘન આંતરિક અને બાહ્ય પરીક્ષણ ચાલુ રાખ્યું છે. અમારા સાયબર સુરક્ષાત્મક ઉપાયો અને પરીક્ષણ વિશે વધુ વિગતો Astraના સિસ્ટમ કાર્ડ અને અમારા બ્લૉગમાં ઉપલબ્ધ છે.
GPT‑6 Astraને જવાબદારીપૂર્વક સંરેખિત કરવું અને જમાવટ કરવી
Astra અમારું સૌથી વધુ સંરેખિત મોડલ છે. Astra કાળજીપૂર્વક વર્તવામાં, કાર્યની સીમાઓનું સન્માન કરવામાં અને પારદર્શક રીતે સંચાર કરવામાં ઉત્તમ છે. આ કાર્ય શરૂઆતથી અંત સુધી માનવીય ઇરાદા સાથે સંરેખિત રહેતા મોડલને તાલીમ આપવા પર કેન્દ્રિત અમારા લાંબા સમયથી ચાલતા સંશોધન કાર્યક્રમનું નવીનતમ પરિણામ છે.
સંવેદનશીલ વાતાવરણોમાં, Astra જોખમના સ્તરને અનુરૂપ સાવચેતી સાથે આગળ વધે છે. ગેરવર્તન પ્રેરિત કરવા માટે પ્રતિકૂળ રીતે પસંદ કરાયેલા કમ્પ્યુટર ઉપયોગનાં કાર્યોના મૂલ્યાંકનમાં, Astra અનિચ્છિત પરિણામો ટાળવામાં વધુ સફળ રહ્યું હતું. ડિફૉલ્ટ રૂપે પ્રદાન કરવામાં આવતા વધારાના સુરક્ષા પગલાં સાથે ચલાવવાથી હજી વધુ મજબૂત પ્રદર્શન મળ્યું.
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(નવી વિન્ડોમાં ખૂલે છે) and Anthropic Messages API(નવી વિન્ડોમાં ખૂલે છે)) and without additional protections that are normally deployed to Codex and ChatGPT Work users (auto-review, confirmation policy). 16
Astra વપરાશકર્તા દ્વારા નિર્ધારિત અને તેના વાતાવરણ દ્વારા સૂચિત મર્યાદાઓની અંદર કાર્ય કરે તેવી શક્યતા પણ વધુ છે. આંતરિક મૂલ્યાંકનમાં, Astraએ Codex ઑટો-રિવ્યૂના અસ્વીકારને ટાળવાનો ક્યારેય પ્રયાસ કર્યો નથી. આ વાત ત્યારે પણ માન્ય રહી જ્યારે ઑટો-રિવ્યૂને ઇરાદાપૂર્વક ટાળી શકાય તે રીતે કન્ફિગર કરવામાં આવ્યું હતું અને અન્યથા કાર્ય પૂર્ણ કરવું અશક્ય હતું. પર્યાવરણના પ્રતિબંધો પ્રત્યેનો આ આદર આ પોસ્ટની પ્રસ્તાવનામાં અમે શેર કરેલા અમારા અશક્ય સાઇબર કાર્યના મૂલ્યાંકનનાં પરિણામો અને અમારા સિસ્ટમ કાર્ડ(નવી વિન્ડોમાં ખૂલે છે)માં દસ્તાવેજીકૃત અન્ય તારણો સાથે સુસંગત છે.
Astra ભ્રામક વર્તનમાં નોંધપાત્ર ઘટાડો પણ દર્શાવે છે. કામ સોંપતા લોકોને મોડલની ક્ષમતાઓની સ્પષ્ટ સમજ અને તેની પ્રગતિ અંગે પ્રામાણિક અહેવાલની જરૂર હોય છે. આ પ્રામાણિકતાનું એક પાસું માપે છે; ઇરાદાપૂર્વકની છેતરપિંડી ઘટાડવી અમારા સંરેખણ કામનું વધુ વ્યાપક કેન્દ્રબિંદુ રહે છે.
અમારા ક્ષમતા-ભ્રમ મૂલ્યાંકનમાં, Astra GPT‑5.6 Sol કરતાં નોંધપાત્ર સુધારો દર્શાવે છે અને તેની ક્ષમતાઓ વિશે ઓછા ભ્રામક દાવા કરે છે.
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(નવી વિન્ડોમાં ખૂલે છે) 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(નવી વિન્ડોમાં ખૂલે છે) 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.
ઉપલબ્ધતા
GPT‑6 Astra આજે એન્ટરપ્રાઇઝ અને અમારા ભરોસાપાત્ર ઍક્સેસ પ્રોગ્રામના ગ્રાહકો માટે અમલમાં આવી રહ્યું છે, જ્યારે ChatGPT Plus, Pro, Business અને Enterpriseનું સબ્સ્ક્રિપ્શન ધરાવતા લોકો માટે આગામી થોડા દિવસોમાં વ્યાપક ઉપલબ્ધતા આવશે. Astraનો ઉપયોગ $100 અને $200ના Pro પ્લાન તથા $100ના Business પ્લાનમાં હાલની ઉપયોગ મર્યાદામાં સામેલ છે, જેમાં કોઈ વધારાની દર મર્યાદા કે પ્રતિબંધો નથી. $20નું Plus સબ્સ્ક્રિપ્શન ધરાવતા લોકો અને સ્ટાન્ડર્ડ Business પ્લાનના ગ્રાહકો ઓછી મર્યાદાઓ સાથે GPT‑6 Astra ઍક્સેસ કરી શકે છે, તેમજ વધારાના ઍક્સેસ માટે ક્રેડિટ્સ ખરીદવાનો વિકલ્પ પણ છે. Enterprise એડમિનિસ્ટ્રેટર્સ તેમના વર્કસ્પેસ માટે Astra સક્રિય કરી શકે છે; લૉન્ચ સમયે ઍક્સેસ ડિફૉલ્ટ રૂપે બંધ છે.
Pro Lite, Pro, Business અને Enterpriseના વપરાશકર્તાઓ ચૅટમાં GPT‑6 Astraનો પણ ઉપયોગ કરી શકે છે. Astra પાત્ર API ગ્રાહકો માટે ઝીરો ડેટા રિટેન્શન સમર્થન આપે છે અને અમે ગયા મહિને શેર કર્યું હતું તેમ, ગ્રાહકની ગોપનીયતા જાળવી રાખીને સુરક્ષા મોનિટરિંગને મજબૂત બનાવવા માટે અમે ખાનગી સુરક્ષા પ્રક્રિયાનું પરીક્ષણ કરી રહ્યા છીએ.
ડેવલપર્સ માટે, GPT‑6 Astra OpenAI APIમાં gpt-6-astra તરીકે ઉપલબ્ધ છે અને AWS Bedrockમાં પણ ઉપલબ્ધ છે. OpenAI APIની સ્ટાન્ડર્ડ કિંમત પ્રતિ દસ લાખ ઇનપુટ ટોકન $10 અને પ્રતિ દસ લાખ આઉટપુટ ટોકન $50 છે. કૅશ રીડ્સ અને રાઇટ્સ માટે અલગ-અલગ દરો લાગુ પડે છે. APIમાં GPT‑6 Astra માટે ઝડપી મોડ ઉપલબ્ધ છે અને તે સ્ટાન્ડર્ડ પ્રોસેસિંગની 2.5x સુધીની ઝડપ, સ્ટાન્ડર્ડ કિંમતના 2x ભાવે પૂરી પાડે છે.
કમ્પ્યુટરનો ઉપયોગ
| કમ્પ્યુટરનો ઉપયોગ | GPT‑6 Astra | GPT‑5.6 Sol | Claude Fable 5.1 | Claude Fable 5 | Claude Opus 5 | Gemini 3.7 Flash |
| OSWorld 2.0 (ઑગસ્ટ રિલીઝ, આંશિક સ્કોર) | - | - | - | 66.1% | 70.6% | - |
| OSWorld 2.0 (ઑગસ્ટ રિલીઝ, ઑફલાઇન સબસેટ, આંશિક સ્કોર) | - | - | - | - | - | - |
| ScreenSpot Pro | 92.6% | 76.8% | - | - | - | - |
| BrowseComp | 92.1% | 90.4% | - | 87.4% | 90.8% | - |
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% | - |
વિજ્ઞાન અને હેલ્થ
| વિજ્ઞાન અને હેલ્થ | GPT‑6 Astra | GPT‑5.6 Sol | Claude Fable 5.1 | Claude Fable 5 | Claude Opus 5 | Gemini 3.7 Flash |
| GeneBench Pro | 37.1% | 32.3% | - | - | - | - |
| MedChemBench (આંતરિક) | 49.7% | 47.4% | - | - | - | - |
| LifeSciBench | 60.8% | 59.9% | - | - | - | - |
| HealthBench Professional (લંબાઈ-સમાયોજિત) | 63.4% | 60.5% | 62.1% | 60.9% | 59.8% | 48.7% |
સાયબર સિક્યુરિટી
| સાયબર સિક્યુરિટી | GPT‑6 Astra | GPT‑5.6 Sol | Claude Fable 5.1 | Claude Fable 5 | Claude Opus 5 | Gemini 3.7 Flash |
| CVE-Bench | - | 94.1% | - | - | - | - |
| કૅપ્ચર-ધ-ફ્લેગ્સ ચેલેન્જો | - | 96.7% | - | - | - | - |
| SEC-Bench Pro | 85.4% | 79.1% | - | - | - | - |
| CyberGym | - | 84.5% | - | - | - | - |
| ExploitBench | 100.0% | 78.5% | - | - | 70.0% | - |
| ExploitGym (બે કલાક) | - | 33.7 %? | - | - | 171 | - |
| ExploitGym (છ કલાક) | - | 33.7 %? | - | - | 191 | - |
એલાઇનમેન્ટ
એલાઇનમેન્ટ | GPT‑6 Astra | GPT‑5.6 Sol | Claude Fable 5.1 | Claude Fable 5 | Claude Opus 5 | Gemini 3.8 Flash |
આંતરિક કમ્પ્યુટર ઉપયોગ સલામતી બેન્ચમાર્ક (જેટલો ઓછો, તેટલો સારો) | 2.4% | 22.0% | 9.5% | 18.3% | 11.5% | - |
આંતરિક કમ્પ્યુટર ઉપયોગ સુરક્ષા બેન્ચમાર્ક, AutoReview સાથે (જેટલો ઓછો, તેટલો સારો) | 1.8% | 4.3% | - | - | - | - |
આંતરિક ટાળવાનો બેન્ચમાર્ક (જેટલો ઓછો, તેટલો સારો) | 0.00% | 0.29% | - | - | - | - |
ExploitGym હનીપોટ (ઓછું હોય તો વધુ સારું) | 0.0% | 48.2% | - | - | - | - |
અશક્ય ExploitGym | 100.0% | - | - | - | - | - |
આંતરિક હેલ્યુસિનેશન બેન્ચમાર્ક (જેટલો ઓછો, તેટલો સારો) | 4.2% | 12.2% | - | - | - | - |
લાંબો સંદર્ભ
લાંબો સંદર્ભ | 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% | - | - | - | - |
અમૂર્ત રિઝનિંગ
| અમૂર્ત રિઝનિંગ | GPT‑6 Astra | GPT‑5.6 Sol | Claude Fable 5.1 | Claude Fable 5 | Claude Opus 5 | Gemini 3.7 Flash |
| ARC-AGI-3 | 99.9% | 7.8% | - | - | 30.2% | - |
| ARC-AGI-2 | 95.0% | 92.5% | 90.0% | 89.2% | 90.4% | 84.6% |
| ARC-AGI-1 | 98.5% | 97.5% | 97.5% | 98.5% | 97.5% | 95.5% |
મૂલ્યાંકન સ્કોર કોઈપણ પ્રયાસ પર મહત્તમ હોય છે. GPT મૂલ્યાંકનો અમારા સંશોધન એન્વાયર્નમેન્ટમાં અથવા અમારી API મારફતે ચલાવવામાં આવ્યા હતા, જે સિસ્ટમ પ્રોમ્પ્ટ, ઉપલબ્ધ ટૂલ્સ વગેરેમાં તફાવતોને કારણે પ્રોડક્શન ChatGPT કરતાં થોડું અલગ આઉટપુટ આપી શકે છે.
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(નવી વિન્ડોમાં ખૂલે છે). 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(નવી વિન્ડોમાં ખૂલે છે).
- 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(નવી વિન્ડોમાં ખૂલે છે).” arXiv:2506.19065, 2025.
- 7
Mark R. H. Gotham, Maureen Redbond, Bruno Bower, and Peter Jonas. “The OpenScore String Quartet Corpus(નવી વિન્ડોમાં ખૂલે છે).” 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(નવી વિન્ડોમાં ખૂલે છે): "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(નવી વિન્ડોમાં ખૂલે છે) 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(નવી વિન્ડોમાં ખૂલે છે) and supporting research(નવી વિન્ડોમાં ખૂલે છે).
- 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(નવી વિન્ડોમાં ખૂલે છે) and supporting research(નવી વિન્ડોમાં ખૂલે છે).
- 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(નવી વિન્ડોમાં ખૂલે છે).” 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
