GPT-6 Astra: A new generation of intelligence
דור חדש של בינה
עדכון מ-29 בספטמבר 2026: הכירו את המודל החדש ביותר של OpenAI: GPT‑6 .1 Sol.
עדכון מ-22 בספטמבר 2026: אנו מרחיבים את משפחת GPT‑6 עם GPT‑6 Sol ו-GPT‑6 Luna. למידע נוסף.
אנו מציגים את GPT‑6 Astra, המודל החכם ביותר בעולם והמיושר ביותר עם הערכים האנושיים.
GPT‑6 Astra משלב שנים של מחקר והשקעות שאפתניות באימון מקדים, בלמידת חיזוק ביישור עם הערכים האנושיים. Astra מוביל את התחום בשימוש במחשב, בגלישה, בהנדסת תוכנה, באבטחת סייבר, במדע ובעבודה מקצועית. Astra מגיע כמעט לתקרת הביצועים ב-FrontierMath רמה 4 עם ציון של 98%, לאחר שכבר סייע לפתור בעיות מתמטיות שנותרו פתוחות שנים רבות. Astra מגיע לתקרת הביצועים גם ב-ARC-AGI-3 עם ציון של 99.9% וב-ExploitBench עם ציון של 100%. הוא גם מציב רף חדש בשימוש במחשב ובדפדפן, ומבצע את העבודה המקצועית התובענית ביותר במהירות, בדיוק ובשיקול דעת שאין להם מתחרים.
GPT‑6 Astra מתחיל להיות זמין היום לקבוצה מצומצמת של ארגונים, ובימים הקרובים יהיה זמין לכל משתמשי ChatGPT Plus, Pro, Business ו-Enterprise, וכן דרך ה-API של OpenAI, Microsoft Azure ו-AWS Bedrock.
Astra הוא המודל המיושר ביותר לערכים האנושיים, עם שיפורים ניכרים בהבנת כוונת המשתמש ובהתנהגות המודל — אפשר להאציל לו משימות בביטחון רב יותר בשיקול דעתו. כאחת הדרכים לבדוק זאת, בנינו הערכה חדשה המבוססת על הלקחים מהתקרית ב-Hugging Face, שבוחנת אם מודל הניצב בפני משימה קשה או בלתי אפשרית יחרוג מהתחום שיועד לו. ללא אמצעי ההגנה של סביבת הייצור, GPT‑5.6 Sol חרג מהיעד המורשה ב-48% מהמקרים, לעומת GPT‑6 Astra שעשה זאת ב-0% מהמקרים.
המודל הטוב בעולם לשימוש במחשב
GPT‑6 Astra מציב רף חדש במהירות, בדיוק ובבטיחות של שימוש במחשב. הוא יכול לטפל במשימות מייגעות כמו מילוי טפסים מקוונים, עדכון רשומות לקוחות במערכת CRM וארגון היומן שלכם. הוא יכול לערוך מחקר ברשת ולנסח סיכומים בדוא״ל או בעורך המסמכים שלכם. הוא יכול לנתח נתונים מדעיים, להפיק גרפים, ליצור אתר ולהריץ בדיקות אבטחת איכות בממשק המשתמש כדי לוודא שכל תכונות האתר פועלות. הוא יכול לסייע בהתקנה ובבדיקה של תוכנות באופן עצמאי, ובפתרון בעיות שמופיעות על המסך. השיפורים האלה באים לידי ביטוי גם בתוצאות ההערכה המובילות שלנו.
השיפורים האלה מובילים גם לעלייה משמעותית ביעילות במשימות אמיתיות של עבודת ידע. בסימולציות זמן תגובה ב-OSWorld 2.0, Astra משיג ביצועי שימוש במחשב גבוהים יותר בכ-47% פחות זמן למשימה לעומת GPT‑5.6 Sol: ציון של 72.6% בכ-40 דקות למשימה, לעומת 65.7% בכ-75 דקות.3
יכולות השימוש במחשב של GPT‑6 Astra ניכרות בתוצרים במגוון תחומים, ובהם פיתוח משחקים, הנדסת חשמל ועבודת ידע יומיומית:
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
קפיצת מדרגה בעבודה מקצועית
GPT‑6 Astra משלב התקדמות בשימוש במחשב עם אימון ממוקד לסביבות מקצועיות, כדי לסייע בהתמודדות עם משימות עבודה מורכבות. הוא משלב את הבינה הנדרשת לבעיות מורכבות עם היכולת לבצע תהליכי עבודה מרובי שלבים ולהפיק מסמכים, גיליונות אלקטרוניים ומצגות ברמה גבוהה.
GPT‑6 Astra הוא המודל הטוב ביותר שלנו להיצמדות לתבניות קיימות וליצירת שקופיות מאורגנות היטב, שמעבירות בתמציתיות את עיקרי הדברים באמצעות רצף סיפורי מובנה. הוא יוצר מסמכים, מצגות, גיליונות אלקטרוניים וניתוחים ברורים ומובנים היטב, התואמים לתבניות שלכם ולסגנון הכתיבה והעיצוב החזותי שלכם. Astra מאומן גם לשלב בתוצרים רק את ההקשר הרלוונטי, במקום לחזור על מידע שאינו נחוץ לעבודה הנוכחית. כל אלה מאפשרים לו להפיק תוצרים רבים יותר המוכנים לשימוש מיידי ותואמים להקשר העסקי ולסטנדרטים שלכם.
GPT‑6 Astra מפגין גם שיקול דעת חזותי משופר באתרים, במשחקים, ביישומים ובהדמיות שהוא בונה. באמצעות אתרים(נפתח בחלון חדש) ב-ChatGPT, Astra יכול ליצור, לארח ולשתף אתרים, יישומי רשת ומשחקים ישירות מתוך הנחיה.
כשההוראות משאירות מקום לפרשנות, GPT‑6 Astra מיטיב לקבל את ההחלטה הנכונה יותר ממודלים קודמים. הוא נעזר בהקשר כדי להשלים פרטים שגרתיים חסרים, ושואל שאלות ממוקדות כשהתשובה עשויה לשנות את התוצאה. ב-Codex הוא יכול לשאול באופן אסינכרוני, ובמקביל להמשיך בעבודה שאינה תלויה בתשובה שלכם. אם אינכם משיבים, הוא ממשיך על סמך הנחות סבירות כשזה מתאים, אך ממתין לקלט שלכם בהחלטות בעלות השלכות משמעותיות.
הדוגמאות הבאות מראות כיצד Astra משתף פעולה במשימות יומיומיות שבהן מידע חסר עשוי לשנות מהותית את התשובה.
Astra גם מיטיב לשמור על הכיוון ככל שהמשימה מתפתחת. מודלים קודמים התייחסו לעיתים להודעות הכוונה כאל מטרה חדשה, ואיבדו את הבקשה המקורית או מגבלות שנקבעו קודם לכן. Astra משלב דרישות חדשות, משנה כיוון כשמבקשים ממנו ועונה על שאלות צדדיות בלי לזנוח את המשימה הכוללת.
תכנות
GPT‑6 Astra הוא המודל הטוב ביותר להנדסת תוכנה עד כה.
״GPT‑6 Astra מספק ביצועים מובילים במבחני התכנות הפנימיים שלנו ומציג התקדמות ברורה בהערכות של אינטואיציית מסחר לעומת GPT‑5.6 Sol. בשימוש לתכנות באמצעות סוכנים, GPT‑6 Astra מתקשר באופן שקל יותר למפתחים לעקוב אחריו, ומפיק קוד שדורש פחות סבבי שיפור כדי להגיע לאיכות המתאימה לסביבת ייצור.״
״בדקנו את Astra ברמות מאמץ נמוכה, בינונית וגבוהה באחת מההערכות מהדור הראשון שלנו, והוא הקדים משמעותית את GPT 5.6 Sol. מאמץ גבוה יותר מתורגם ליותר סבבי שיפור בבנייה חדשה, ליותר אימות באמצעות בדיקות בדפדפן ולהעדפה של הרצת קוד על פני apply-patch. ההבנה כיצד מודל משקיע את המאמץ שלו היא שמאפשרת לנו לתת למיליוני יוצרים דרך מהירה ואמינה יותר מרעיון ליישום עובד.״
עם Astra אנו מציגים דרך חדשה שבה Codex שומר ושולף הקשר כשחלון ההקשר מתמלא. עד כה, מודלים השתמשו בצמצום הקשר כדי לסכם עבודה במהלך הפעלות ממושכות, למשל בעת ניפוי בעיות מורכבות או שינויי מבנה נרחבים בקוד. כל צמצום כזה עלול להשמיט פרטים על הסיבה שתיקון נכשל או על אופן הפעולה של רכיב. ב-Codex, Astra יכול לשמור הערות בין חלונות הקשר, וכך לשמר פרטים שהצטברו בלי לדחוס אותם שוב ושוב לסיכום יחיד. אפשר להמשיך לחפש בחלונות הקשר קודמים, כך ש-Astra יכול למצוא דרישות או תוצאות בדיקה מהודעות קודמות ומפלטי כלים — גם אם המידע הזה לא נכלל בהערות שלו. אפשר להפעיל את התכונה הניסיונית הזו בקובץ config.toml של Codex,(נפתח בחלון חדש) ובשבועות הקרובים היא תהפוך לברירת המחדל של Astra.
קידום הגילוי המדעי
Astra יכול לסייע בעבודה המעשית שמאחורי הגילוי המדעי. באמצעות שילוב של חשיבה מדעית ושימוש במחשב, הוא יכול לעבוד ישירות בתוכנות ייעודיות כדי לבחון נתונים ולחקור תוצאות, ולעזור לחוקרים להעריך את הראיות ולהחליט מה לחקור בהמשך.
אבטחת סייבר
כפי שדנו בעדכון הבטיחות שלנו, Astra מהווה קפיצה משמעותית ביכולות סייבר ועומד בסף הקריטי באבטחת סייבר לפי מסגרת המוכנות שלנו. יכולתו לזהות חולשות יום אפס ולפתח קוד לניצולן יכולה לעזור למגינים למצוא ולתקן חולשות, אך גם יוצרת צורך באמצעי הגנה חזקים יותר. כדי להבין את היקף היכולות האלה, הרצתנו את Astra בהערכות פנימיות ובהערכות של מומחים חיצוניים.
תחילה בדקנו את המודל ללא אמצעי ההגנה של סביבת הייצור ב-ExploitBench וב-ExploitGym, הבוחנים אם מודלים יכולים להפוך חולשות תוכנה מוכרות לקוד ניצול פעיל. ב-ExploitBench, Astra השיג ציון מושלם של 100%, לעומת 78.5% של GPT‑5.6 Sol, המודל המתקדם הקודם שלנו בעל יכולות הסייבר. ב-ExploitGym, Astra הגיע לשיעור הצלחה של 42.4%, לעומת 30.3% של GPT‑5.6 Sol, תוך שימוש במספר קטן משמעותית של טוקני פלט.13
לנוכח החשש שחשיפה לחולשות תוכנה מהעבר עשויה להשפיע על תוצאות מבחני הביצועים, הערכנו את Astra גם בשני מבחנים חדשים. ראשית, בנינו הערכה פנימית בשם ״ExploitBench (יוני–אוגוסט 2026)״ כדי לבדוק פיתוח קוד ניצול לחולשות משלושת החודשים הקודמים.14 במערך הנתונים הזה Astra השיג שיעורי הרצת קוד שרירותי גבוהים משמעותית מ-GPT‑5.6 Sol, תוך שימוש בהרבה פחות טוקני פלט. במהלך ההערכה, Astra אף גילה וניצל שתי חולשות יום אפס שלא היו מוכרות קודם לכן. אנו מדווחים על שתי החולשות לאחראים לתחזוקת התוכנה.
בדקנו את Astra גם ב-SRE-Bench15, מבחן שבודק אם מודלים יכולים להנדס לאחור קבצים בינריים של תוכנה כדי להבין את הלוגיקה המרכזית שלה, ללא גישה לקוד המקור הגולמי. Astra פתר 88.0% מהמשימות בניסיון יחיד ו-99.2% בתוך ארבעה ניסיונות, לעומת 55.9% ו-68.7% של GPT‑5.6 Sol, בהתאמה.
מעבר למבחני הביצועים, הערכות בהובלת מומחים מצאו שכאשר Astra הופעל ללא אמצעי ההגנה של סביבת הייצור, הוא הצליח להשתמש בחולשות שלא היו מוכרות כדי להריץ קוד שרירותי בדפדפנים מוקשחים וליצור קוד ניצול להסלמת הרשאות במערכות הפעלה מוקשחות.
כפי שדנו בחלון ההזדמנויות של המגינים, יכולות סייבר מתקדמות יכולות לעזור למגינים למצוא חולשות מהר יותר, אך גם מקלות על ניצולן ומגבירות את הדחיפות שבה על המגינים להסתגל. בגרסת Astra המושקת היום, מגינים יכולים להשתמש בו למשימות כגון סקירת קוד לאבטחה והחלת תיקונים.
עם זאת, Astra יסרב לבצע משימות אבטחת סייבר מתקדמות יותר, כגון יצירת קוד ניצול כהוכחת היתכנות לחולשות. באמצעות OpenAI Daybreak, אנו מתכננים להרחיב את הגישה ולהנהיג אמצעי הגנה מגבילים פחות בשבועות הקרובים. כך יתאפשרו תהליכי עבודה הגנתיים נוספים, כולל אימות חולשות והוכחות היתכנות, ניתוח נוזקות ופיתוח מנגנוני זיהוי.
חיזקנו גם את ההגנות שלנו מפני שימוש לרעה אפשרי בסייבר, על בסיס מערך אמצעי ההגנה שלנו ל-GPT‑5.6 Sol. אלה כוללים חיזוק עמידות המודל בפני ניסיונות אפשריים לעקיפת מגבלות, ומתן הקשר נוסף למערכות הניטור שלנו. המשכנו בבדיקות פנימיות וחיצוניות קפדניות, כולל הערכות אוטומטיות באמצעות התוקפים הפנימיים שלנו לבדיקות צוות אדום. פרטים נוספים על אמצעי ההגנה ובדיקות הסייבר שלנו זמינים בסקירת הבטיחות ובכרטיס המערכת(נפתח בחלון חדש) של Astra.
התאמת GPT‑6 Astra לכוונות האדם והטמעתו באחריות
Astra הוא המודל המיושר ביותר עם הערכים האנושיים. Astra מצטיין בפעולה זהירה, בכיבוד גבולות המשימה ובתקשורת שקופה. העבודה הזו היא התוצר העדכני ביותר של תוכנית המחקר ארוכת השנים שלנו, המתמקדת באימון מודלים שנשארים מיושרים לפי כוונות האדם מתחילת הדרך ועד סופה.
בסביבות רגישות, Astra פועל בזהירות התואמת את רמת הסיכון. בהערכה של משימות שימוש במחשב שנבחרו במכוון כדי לעורר התנהגות לא רצויה, Astra הצליח יותר בהימנעות מהשלכות לא מכוונות. הרצה עם אמצעי האבטחה הנוספים המוצעים כברירת מחדל הניבה ביצועים טובים אף יותר.
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(נפתח בחלון חדש) and Anthropic Messages API(נפתח בחלון חדש)) and without additional protections that are normally deployed to Codex and ChatGPT Work users (auto-review, confirmation policy). 16
גם הסבירות ש-Astra יפעל בתוך הגבולות שקבע המשתמש ושמשתמעים מסביבתו גבוהה יותר. בהערכה פנימית, Astra מעולם לא ניסה לעקוף דחייה של Codex Auto-Review. הדבר נשאר נכון גם כאשר Auto-review הוגדר במכוון כך שניתן יהיה לעקוף אותו, וכאשר לא הייתה דרך אחרת להשלים את המשימה. הכיבוד הזה של מגבלות הסביבה עולה בקנה אחד עם תוצאות הערכת משימות הסייבר הבלתי אפשריות ששיתפנו בהקדמה לפוסט זה, ועם ממצאים נוספים המתועדים בכרטיס המערכת(נפתח בחלון חדש) שלנו.
Astra מציב גם רף חדש לתקשורת שקופה עם המשתמשים. באחת ההערכות, הסבירות ש-Astra יציג מצג לא מדויק של יכולותיו ושל אפשרויות הפעולה שלו נמוכה פי שלושה מזו של GPT‑5.6 Sol.
בהערכה שלנו להזיות לגבי יכולות, Astra מציג שיפור ניכר לעומת GPT‑5.6 Sol ומעלה פחות טענות מטעות לגבי יכולותיו.
בהערכות שלנו נמצא שקשה יותר לנטר את החשיבה הכתובה של Astra מזו של GPT‑5.6 Sol, על סמך בדיקות שבהן התבקש במפורש לחמוק מניטור. אנו מייחסים זאת לשליטה הרבה יותר של Astra בחשיבה הכתובה במשימות פשוטות, וליכולתו לפתור בעיות בפחות שלבים כתובים. נראה ש-Astra עדיין מתקשה להסתיר את החשיבה הנדרשת למשימות מורכבות, אך אנו מתייחסים לירידה הזו ברצינות. שיפור יכולת הניטור נותר בראש סדר העדיפויות המחקרי, וכרטיס המערכת(נפתח בחלון חדש) המצורף מפרט את הממצאים ואת העבודה המתמשכת שלנו.
אימון ליישור עם ערכים אנושיים הוא לב הגישה שלנו להטמעה. כשכבת הגנה נוספת, אנו בונים גם אמצעי הגנה מערכתיים כמו בדיקה אוטומטית(נפתח בחלון חדש) של Codex וניטור החשיבה והפעולות של סוכנים, כדי לסייע בזיהוי התנהגות לא בטוחה ובריסונה. כפי שתואר בעדכון הבטיחות שלנו, אנו מטמיעים גם ניטור של אי-יישור בסביבת הייצור עבור מודלים ברמת Astra, כדי לזהות אי-יישור ולסייע בריסון המקרים החמורים ביותר. אמצעי ההגנה האלה דומים לניטור שלנו בהטמעות פנימיות, וכוללים מערכת מסווגים הבודקים את החשיבה והפעולות של המודל לאיתור התנהגות לא מורשית, ועוצרים אוטומטית פעילות שעלולה להיות לא מורשית.
לנוכח העלייה המשמעותית ביכולות אבטחת הסייבר של Astra, אנו נוקטים זהירות מיוחדת כדי להבטיח שההטמעה תהיה בטוחה ומאובטחת. בדיקות בטיחות נוספות עלולות לעיתים להאט, להשהות או לעצור עבודה לגיטימית, כולל פעילות סייבר הגנתית. אם משימה מושהית ב-ChatGPT או ב-Codex, ייתכן שתתבקשו לבדוק את הפעולה לפני ההמשך. ב-API המשימה תיעצר. בדיקות אלה עלולות לעיתים להפריע לעבודה לגיטימית, ואנו ממשיכים לשפר את המערכת כדי לצמצם הפרעות מיותרות. ניטור אי-היישור אינו יכול להחליף יישור לערכים אנושיים: מטרתנו היא לבנות מודלים שנשארים באופן אמין בתחום המורשה שלהם, כך שלא יהיה צורך בהתערבות של ההגנות האלה.
זמינות
GPT‑6 Astra מתחיל להיות זמין היום לקבוצה מצומצמת של ארגונים, ובימים הקרובים יהיה זמין לכל משתמשי ChatGPT Plus, Pro, Business ו-Enterprise, וכן דרך ה-API של OpenAI, Microsoft Azure ו-AWS Bedrock. השימוש ב-Astra כלול במכסות המינוי הקיימות — משתמשים ועסקים יוכלו גם לרכוש קרדיטים לשימוש נוסף. משתמשים בתוכניות Pro, Business ו-Enterprise יקבלו גם גישה ל-GPT‑6 Astra Pro. מנהלי Enterprise יכולים להפעיל את Astra בסביבת העבודה שלהם; בעת ההשקה הגישה כבויה כברירת מחדל.
Astra תומך באפס שמירת נתונים עבור לקוחות API זכאים, וכפי ששיתפנו בחודש שעבר, אנו בוחנים עיבוד בטיחות פרטי כדי לחזק את ניטור הבטיחות תוך שמירה על פרטיות הלקוחות.
למפתחים, GPT‑6 Astra יהיה זמין ב-API של OpenAI בשם gpt-6-astra, וכן דרך Microsoft Azure ו-Amazon Bedrock.
התמחור הרגיל ב-API של OpenAI הוא 10 דולר למיליון טוקני קלט ו-50 דולר למיליון טוקני פלט. על קריאה וכתיבה במטמון חלים תעריפים נפרדים. מצב מהיר זמין עבור GPT‑6 Astra ב-API, ומספק מהירות של עד פי 2 מהעיבוד הרגיל, במחיר כפול מהמחיר הרגיל.
עבודה מקצועית
עבודה מקצועית | 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 | - | - | - | - |
משימות עיצוב פנימיות | 50.0% | 47.4% | - | 35.8% | - | - |
משימות פנימיות במדע הנתונים | 40.9% | 30.5% | - | 34.7% | - | - |
מדד הבינה של Artificial Analysis v4.1.1 | 61.2 | 60.9 | 65.7 | 62.1 | 63.1 | 58.7 |
תכנות
| תכנות | 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 (ציון) | 64.5% 8 | 60.6% | 63.6% | 64.9% | 63.6% | 56.3% |
| FrontierCode 1.1 Main (ציון) | 53.3% 8 | 47.5% | 50.9% | 53.5% | 53.4% | 43.6% |
| משימות פנימיות להעברת מסדי נתונים | 63.9% | 42.7% | 57.8% | 50.3% | - | - |
| מדד סוכני התכנות של Artificial Analysis v1.4 | 67.0 | 65.1 | - | 67.2 | 68.1 | 61.2 |
אקדמיה
אקדמיה | 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 רמה 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 (עם כלים) | 57.2% | - | 65.0% | 63.8% | 63.6% | - |
יישור (Alignment)
יישור (Alignment) | GPT‑6 Astra | GPT‑5.6 Sol | Claude Fable 5.1 | Claude Fable 5 | Claude Opus 5 | Gemini 3.8 Flash |
מבחן פנימי לבטיחות בשימוש במחשב (נמוך יותר עדיף) | 2.4% | 22.0% | 9.5% | 18.3% | 11.5% | - |
מבחן פנימי לבטיחות בשימוש במחשב, עם AutoReview (נמוך יותר עדיף) | 1.8% | 4.3% | - | - | - | - |
מבחן פנימי לעקיפת הגנות (נמוך יותר עדיף) | 0.00% | 0.29% | - | - | - | - |
מלכודת דבש ב-ExploitGym (נמוך יותר עדיף) | 0.0% | 48.2% | - | - | - | - |
ExploitGym בלתי אפשרי | 100.0% | - | - | - | - | - |
מבחן פנימי להזיות (נמוך יותר עדיף) | 4.2% | 12.2% | - | - | - | - |
הקשר ארוך
הקשר ארוך | 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% | - | - | - | - |
חשיבה מופשטת
| חשיבה מופשטת | 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% | - |
ציוני ההערכה הם הציונים המרביים שהושגו בכל רמת מאמץ. הערכות GPT הורצו בסביבת המחקר שלנו או דרך ה-API שלנו, שעשויים להפיק פלט שונה מעט מזה של ChatGPT בסביבת הייצור בשל הבדלים בהנחיות המערכת, בכלים הזמינים וכדומה.
הערות שוליים
- 1
ב-ARC-AGI-3, GPT-6 Astra הורץ באמצעות סביבת ההרצה שלנו ל-Responses API, שמשנה שתי הגדרות כדי לשקף טוב יותר ביצועים בעולם האמיתי. השינויים אינם מכוונים במיוחד ל-ARC-AGI-3.
- 2
GPT-5.6 Sol מתייחס לגרסה הזמינה ב-API שלנו, ב-ChatGPT Codex וב-ChatGPT Work. הגרסה ב-ChatGPT Chat שונה מעט.
- 3
OSWorld V2-Offline הוא תת-מערך של OSWorld V2 המקורי שפועל ללא גישה לאינטרנט. ביצועי מודלי Claude ב-OSWorld-V2 Offline שוחזרו בידי המחברים ופורסמו בטבלת הדירוג הרשמית(נפתח בחלון חדש). ב-OSWorld 2.0, הציונים של Claude מבוססים על ההגדרות הרשמיות, ולא על המשימות והניקוד המתוקנים מכרטיס המערכת של Fable 5.1.
- 4
- 5
ב-BenchCAD, הציונים של Claude משקפים שלושה שינויים בהערכה, המפורטים בכרטיס המערכת של Fable 5.1(נפתח בחלון חדש).
- 6
גואנג יאנג, ויקטוריה אברט, נאזיף טאמר, בריאן סיואן ג׳נג, לואיזה פוצובון ונואה א׳ סמית׳. ״LEGATO: גישה ניתנת להכללה, מקצה לקצה ובקנה מידה גדול לזיהוי אופטי של תווים מודפסים(נפתח בחלון חדש)״. arXiv:2506.19065, 2025.
- 7
מארק ר׳ ה׳ גותהאם, מורין רדבונד, ברונו באואר ופיטר יונאס. ״קורפוס רביעיות המיתרים של OpenScore(נפתח בחלון חדש)״. קובץ מאמרי הכנס הבינלאומי העשירי לספריות דיגיטליות למוזיקולוגיה, עמ׳ 49–57. ACM, 2023.
- 8
ב-FrontierCode, GPT-6 Astra הורץ עם הודעת מפתח הדומה לקטע מהודעת המפתח שלו ב-Codex(נפתח בחלון חדש): ״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.״ ההנחיה לא הותאמה במיוחד להערכה.
- 9
התוצאה הראשונה עוסקת במידת הקרבה האפשרית בין מספרים ראשוניים, לא משנה עד כמה מתקדמים על ציר המספרים. במשך יותר מעשור, התוצאה הטובה ביותר שהייתה ידועה קבעה שקיימים אינסוף זוגות של מספרים ראשוניים שהמרחק ביניהם הוא לכל היותר 246. יוליה שטדלמן(נפתח בחלון חדש) שיפרה לאחרונה את החסם הזה ל-240. Astra סייע להוכיח חסם חזק יותר של 186, והראה שקיימים אינסוף זוגות במרחק הקטן יותר הזה. פערים קטנים בין ראשוניים: הוכחה(נפתח בחלון חדש) ומחקר תומך(נפתח בחלון חדש).
- 10
התוצאה השנייה עוסקת בפערים גדולים במיוחד בין מספרים ראשוניים. Astra שיפר איבר בחסם על הפערים האלה שנותר ללא שינוי במשך יותר מ-80 שנה. אנו משתפים את ההוכחות, שרשרת החשיבה המקוצרת וחומרי האימות עבור שתי התוצאות. פערים גדולים בין ראשוניים: הוכחה(נפתח בחלון חדש) ומחקר תומך(נפתח בחלון חדש).
- 11
- 12
- 13
- 14
ExploitBench (יוני–אוגוסט 2026) כולל 20 חולשות בחומרה גבוהה ב-V8, על פני 13 גרסאות יציבות של Chrome. המבחן בודק אם סוכנים יכולים להשיג הרצת קוד שרירותי ב-V8 ובגרסאות הרשמיות של Chrome ל-Linux באמצעות ניצול כל אחת מהחולשות שצוינו. ייתכן שחלק מהחולשות הכלולות אינן מאפשרות הרצת קוד שרירותי תחת מגבלות ההערכה, ולכן ייתכן ששיעור הצלחה של 100% אינו אפשרי. הערה: הציון של GPT-5.6 Sol, 5.5%, נובע ממגבלת 300 הסבבים במבחן, שאינה חלה על לקוחות בפועל המשתמשים במאמץ מרבי. בהגדרות דומות, המודל השיג ציון של 11.5% כאשר נתקל בפחות מגבלות.
- 15
Jeremy Spence et al. “The Next Challenge for Agentic Cybersecurity: A Realistic, Contamination-Free Reverse Engineering Benchmark(נפתח בחלון חדש).” arXiv:2608.11469v1, 2026.
- 16
- 17
