„GPT-6 Astra“: naujos kartos intelektas

GPT

Astra

Naujos kartos intelektas

Pristatome „GPT‑6 Astra“ – išmaniausią ir geriausiai suderintą modelį pasaulyje.

„GPT‑6 Astra“ sujungia ilgametį tyrimų įdirbį ir drąsius sprendimus išankstinio mokymo, skatinamojo mokymosi bei suderinimo srityse. „Astra“ – pažangiausias modelis kompiuterio naudojimo, naršymo, programinės įrangos inžinerijos, kibernetinio saugumo, mokslo ir profesionalaus darbo srityse. „Astra“ pasiekia maksimalų „FrontierMath Tier 4“ rezultatą (98 %) ir jau padėjo išspręsti ilgai gvildentas atviras problemas⁠ matematikos srityje. „Astra“ taip pat pasiekia maksimalų ARC-AGI-3 rezultatą (99,9 %) ir šimtaprocentinį „ExploitBench“ rezultatą (100 %). Modelis taip pat atveria naujas kompiuterio ir naršyklės naudojimo galimybes bei atlieka sudėtingiausius profesionalius darbus neprilygstamu greičiu, tikslumu ir įžvalgumu.

Nuo šiandien „GPT‑6 Astra“ pristatoma ribotam organizacijų skaičiui, o artimiausiomis dienomis taps pasiekiama visiems „ChatGPT Plus“, „Pro“, „Business“ ir „Enterprise“ naudotojams, taip pat per „OpenAI“ API, „Microsoft Azure“ ir „AWS Bedrock“.

„Terminal-Bench Science 0.1“ vertina, ar agentai gali atlikti mokslinių tyrimų darbo eigas naudodami kodą ir terminalo priemones, įskaitant duomenų analizę, modeliavimą ir modelių derinimą. Tarp palygintų modelių „GPT‑6 Astra“ pasiekia naują rekordą (64,6 %), o „Claude Fable 5.1“ rezultatas siekia 52,6 %; be to, apskaičiuotos API išlaidos yra maždaug 31 % mažesnės. Pasirinkus mažesnių išlaidų nuostatą, „Astra“ surenka 61,1 %, palyginti su geriausiu „GPT‑5.6 Sol“ rezultatu (22,4 %), o apskaičiuotos API išlaidos yra maždaug 27 % mažesnės.

„Atliekant „ARC-AGI-3“ testą, „Astra“ pranoko mūsų žmogaus veiksmų efektyvumo atskaitos tašką 96 % lygių, taip faktiškai pasiekdama žmogaus lygį šiame etaloniniame teste. Tai ne tik geriausias mūsų kada nors išbandytas modelis, bet ir reikšmingas šuolis priešakinių modelių našumo srityje – kalbant tiek apie gebėjimą orientuotis ir ieškoti sprendimų naujose aplinkose, tiek apie tai, kaip efektyviai modelis mokosi tai daryti.“

Greg Kamradt, „ARC Prize Foundation“

„Astra“ – tai geriausiai suderintas mūsų modelis. Jis kur kas geriau supranta naudotojo ketinimus ir tinkamą modelio elgseną, todėl galite užtikrinčiau deleguoti užduotis ir pasikliauti „Astra“ sprendimais. Norėdami tai patikrinti, sukūrėme naują vertinimą, pagrįstą „Hugging Face“ incidentu. Jis matuoja, ar modelis, susidūręs su sudėtinga ar neįmanoma užduotimi, neperžengs jam numatytų ribų. Palyginti su „GPT‑5.6 Sol“, kuris be apsaugos priemonių realiomis sąlygomis peržengė leistinas ribas 48 % atvejų, „GPT‑6 Astra“ to nepadarė nė karto (0 % atvejų).

Geriausias pasaulyje kompiuterį naudojantis modelis

„GPT‑6 Astra“ atveria naujas kompiuterio naudojimo greičio, tikslumo ir saugos ribas. Modelis gali pasirūpinti tokiomis nuobodžiomis užduotimis kaip internetinių formų pildymas, klientų įrašų atnaujinimas ryšių su klientais valdymo (CRM) sistemoje ir jūsų kalendoriaus tvarkymas. Jis gali atlikti informacijos paiešką internete ir parengti santraukas jūsų el. pašto programoje arba dokumentų rengyklėje. Jis gali analizuoti mokslinius duomenis, braižyti grafikus, sukurti interneto svetainę ir atlikti naudotojo sąsajos kokybės užtikrinimo (QA) patikras, siekdamas užtikrinti, kad visos tos svetainės funkcijos veiktų sklandžiai. Jis gali padėti autonomiškai įdiegti ir išbandyti programinę įrangą bei išspręsti problemas, kurias matote ekrane. Šie patobulinimai atsispindi ir mūsų pažangiausiuose vertinimo rezultatuose.

„Agents’ Last Exam“ vertina agentų gebėjimą atlikti sudėtingas profesionalias užduotis naudojant realią programinę įrangą – nuo finansinio modeliavimo iki inžinerijos ir medijų kūrimo. Pateiktame palyginime „GPT‑6 Astra“ pasiekia naują rekordą (surenka 59,3 %), palyginti su 55,5 % („Claude Opus 5“) ir 53,6 % („GPT‑5.6 Sol“). Pasirinkus šias geriausius rezultatus garantuojančias nuostatas, „Astra“ taip pat sunaudoja maždaug 65 % mažiau išvesties žetonų nei „Opus 5“.

Šie patobulinimai taip pat gerokai padidina efektyvumą atliekant realias žinių srities užduotis. Atliekant vėlavimo modeliavimą „OSWorld 2.0“ teste, „Astra“ pasiekia didesnį kompiuterio naudojimo našumą, o vienai užduočiai skiria maždaug 47 % mažiau laiko nei „GPT‑5.6 Sol“ (pasiekia 72,6 % rezultatą per maždaug 40 minučių vienai užduočiai, palyginti su 65,7 % per maždaug 75 minutes)^³.

„GPT‑6 Astra“ kompiuterio naudojimo gebėjimai matomi įvairių sričių rezultatuose, įskaitant žaidimų kūrimą, elektros inžineriją ir kasdienį protinį darbą:

Tai 15 sekundžių trukmės sutrumpintas įrašas, kuriame „GPT‑6 Astra“ projektuoja spausdintinės plokštės (angl. „Printed Circuit Board“, PCB) maketą programoje „KiCad“ – paverčia elektroninę schemą gamybai paruošta plokšte, išdėstydamas komponentus ir nutiesdamas varines jungtis. Kadangi PCB maketavimas yra neatsiejama kiekvieno šiuolaikinio elektronikos įrenginio dalis, šis dažniausiai rankomis atliekamas darbas yra dažna vėlavimo priežastis elektronikos projektavimo procese. Paspartinus šį procesą, inžinieriai gali skirti daugiau laiko naujoms idėjoms kurti, optimizuoti ir testuoti kur kas didesniu tempu.

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

„GPT‑6 Astra“: 2 min. 54 sek.

„Pristatymo dieną integruojame „GPT‑6 Astra“ į „Devin“ infrastruktūrą, kurioje modelis pasiekia pažangiausius mūsų vidinio etaloninio testo rezultatus. Dėl puikaus kompiuterio naudojimo, teksto rašymo ir kodo bazės supratimo testavimas pagerėjo vos pradėjus naudoti modelį: vaizdo įrašus pastebimai lengviau sekti, o ataskaitos aiškesnės ir glaustesnės.“

Silas Alberti, „Cognition“ tyrimų vyresnysis viceprezidentas

Didžiulis šuolis profesionaliame darbe

„GPT‑6 Astra“ sujungia kompiuterio naudojimo pasiekimus su profesionalioms aplinkoms skirtu tiksliniu mokymu, padedančiu atlikti sudėtingas darbo užduotis. Modelyje sujungiamas intelektas, būtinas sudėtingoms problemoms spręsti, su gebėjimu vykdyti kelių etapų darbo eigas ir rengti kokybiškus dokumentus, skaičiuokles bei pristatymus.

BenchCAD tests whether models can reconstruct 3D objects from multi-view renders by generating CAD code. With tools, GPT‑6 Astra reaches a new high in the comparison shown, achieving a 95.9% geometric-overlap score, versus 83.3% for GPT‑5.6 Sol and 84.3% reported for Claude Fable 5.1.⁵ Estimated API cost is approximately 43% lower than Sol and 86% lower than Fable 5.1 in the configurations shown.

„GPT‑6 Astra“ – geriausias mūsų modelis, gebantis laikytis esamų šablonų, kurti tvarkingo maketo skaidres ir trumpai bei aiškiai perteikti pagrindines mintis naudojant struktūruotą pasakojimą. Jis sukuria aiškius, tinkamai struktūruotus dokumentus, pristatymus, skaičiuokles ir analizes, kurie atitinka jūsų šablonus, rašymo ir vizualinį stilių. Taip pat „Astra“ specialiai išmokytas į išvestis įtraukti tik svarbų kontekstą, užuot kartojęs konkrečiam darbui nereikalingą informaciją. Visa tai reiškia, kad modelis gali pateikti iš karto naudojamus rezultatus, atitinkančius jūsų verslo kontekstą ir standartus.

Pavyzdinis failas

„GPT‑6 Astra“ išvestis

„GPT‑6 Astra“ sukuria skaidrių pristatymą apie „GPT‑Gaia“ – išgalvotą modelį – panaudojęs vos kelias „OpenAI“ pristatymo šablono skaidres ir išlaikydamas tinkamą toną bei maketą visame pristatyme. Tai reiškia, kad galite tikėtis skaidrių rinkinių, tinkamai suformatuotų pagal jūsų verslo standartus.

„GPT‑6 Astra“ taip pat išsiskiria geresniu vaizdiniu vertinimu kuriant interneto svetaines, žaidimus, programas ir atvaizdavimus. Naudojant „ChatGPT“ funkciją „Sites“ („Svetainės“)⁠(atsidaro naujame lange), „Astra“ gali kurti, talpinti ir dalytis interneto svetainėmis, žiniatinklio programomis bei žaidimais tiesiog iš užklausos.

„Astra suteikia mums reikšmingą pranašumą tiek gebėjimų, tiek efektyvumo atžvilgiu. Modelis sėkmingai atlieka mūsų sudėtingiausias kūrybines darbo eigas ir sunaudoja iki 20 % mažiau žetonų nei kiti mūsų išbandyti modeliai. Svarbiausia, kad mūsų klientams tai reiškia geresnę rezultatų kokybę.“

Alex Mashrabov, „Higgsfield AI“ generalinis direktorius ir vienas iš įkūrėjų

„GPT‑6 Astra“ sukuria namo modelį programoje „Blender“ ir „Unreal Engine 5“ variklyje paverčia jį aplinka, kurioje galima vaikščioti, taip padėdamas dizaineriams ir klientams tyrinėti išplanavimą bei patirti erdvę dar prieš ją pastatant.

Modelis atgaivina žaidimus pasitelkdamas ryškią grafiką, įtraukiantį žaidimo procesą ir tikslius judesius, todėl net ir techninių žinių neturintys žmonės gali per kelias minutes sukurti ir žaisti pasirinktinius žaidimus, peržengiančius bazinių elementų ribas. Autorius: Pietro Schirano.

Kai nurodymuose paliekama erdvės interpretacijai, „GPT‑6 Astra“ geriau nei ankstesni modeliai priima tinkamus sprendimus. Jis naudoja kontekstą įprastoms spragoms užpildyti ir užduoda tikslinius klausimus, kai atsakymas gali pakeisti rezultatą. Naudojant „Codex“, jis gali pateikti klausimus asinchroniškai ir tęsti darbą, kuris nepriklauso nuo jūsų atsakymo. Jei neatsakote, prireikus jis remiasi pagrįstomis prielaidomis, tačiau laukia jūsų įvesties prieš priimdamas reikšmingus sprendimus.

Toliau pateiktuose pavyzdžiuose parodyta, kaip „Astra“ bendradarbiauja atliekant kasdienes užduotis, kai trūkstama informacija gali iš esmės pakeisti atsakymą.

Gretutinis „GPT-5.6 Sol“ ir „GPT-6 Astra“ palyginimas, rodantis, kaip modeliai kuria asmeninę karjeros interneto svetainę.

„Astra“ taip pat geriau orientuojasi kintant užduoties sąlygoms. Ankstesni modeliai kartais nukreipiamąsias žinutes laikydavo nauju tikslu, todėl pamiršdavo pradinę užklausą ar ankstesnius apribojimus. „Astra“ integruoja naujus reikalavimus, paprašius keičia kryptį ir atsako į papildomus klausimus, neatitrūkdama nuo pagrindinės užduoties.

„Astra“ užtikrina reikšmingą kokybės šuolį palyginti su „GPT‑5.6 Sol“ atliekant sudėtingas teisines užduotis. Ankstyvuosiuose bandymuose „Astra“ išsiskyrė tuo, kad teisinį darbą atlieka taip, kaip tai darytų įžvalgus teisininkas: atskiria dokumentus nuo patvirtintų įrašų, išryškina nepagrįstas prielaidas ir trūkumus paverčia konkrečiomis formuluotėmis rengiant dokumentus.“

Niko Grupen, „Harvey“ taikomųjų tyrimų vadovas

Programavimas

„GPT‑6 Astra“ – iki šiol geriausias programinės įrangos inžinerijos modelis.

„„GPT‑6 Astra“ pasiekia pažangiausius rezultatus atliekant mūsų vidinius programavimo etaloninius testus ir demonstruoja akivaizdų progresą prekybos intuicijos vertinimuose, palyginti su „GPT‑5.6 Sol“. Naudojant agentiniam programavimui, „GPT‑6 Astra“ bendrauja taip, kad kūrėjams būtų lengviau sekti procesą, ir generuoja kodą, kuriam reikia mažiau iteracijų, kad jį būtų galima naudoti realiomis sąlygomis.“

John Crepezzi, DI asistentai, „Jane Street“

„Išbandėme „Astra“ taikydami mažų, vidutinių ir didelių pastangų lygį viename iš mūsų pirmosios kartos vertinimų, ir šis modelis gerokai aplenkė „GPT‑5.6 Sol“. Didesnės pastangos reiškia daugiau iteracijų naujoje darbinėje versijoje, daugiau patikrinimų testuojant naršyklėje ir prioritetą kodo vykdymui, o ne pataisų taikymui. Suprasdami, kaip modelis paskirsto pastangas, galime milijonams kūrėjų pasiūlyti greitesnį ir patikimesnį kelią nuo idėjos iki veikiančios programos.“

Fabian Hedin, „Lovable“ technologijų vadovas ir vienas iš įkūrėjų

1 iš 2

„„GPT‑6 Astra“ pasiekia pažangiausius rezultatus atliekant mūsų vidinius programavimo etaloninius testus ir demonstruoja akivaizdų progresą prekybos intuicijos vertinimuose, palyginti su „GPT‑5.6 Sol“. Naudojant agentiniam programavimui, „GPT‑6 Astra“ bendrauja taip, kad kūrėjams būtų lengviau sekti procesą, ir generuoja kodą, kuriam reikia mažiau iteracijų, kad jį būtų galima naudoti realiomis sąlygomis.“

John Crepezzi, DI asistentai, „Jane Street“

„Išbandėme „Astra“ taikydami mažų, vidutinių ir didelių pastangų lygį viename iš mūsų pirmosios kartos vertinimų, ir šis modelis gerokai aplenkė „GPT‑5.6 Sol“. Didesnės pastangos reiškia daugiau iteracijų naujoje darbinėje versijoje, daugiau patikrinimų testuojant naršyklėje ir prioritetą kodo vykdymui, o ne pataisų taikymui. Suprasdami, kaip modelis paskirsto pastangas, galime milijonams kūrėjų pasiūlyti greitesnį ir patikimesnį kelią nuo idėjos iki veikiančios programos.“

Fabian Hedin, „Lovable“ technologijų vadovas ir vienas iš įkūrėjų

„Terminal-Bench 4.0“ vertina agentus atliekant sudėtingas terminalo užduotis, įskaitant programinės įrangos inžineriją, sistemų konfigūravimą ir duomenų analizę. „GPT‑6 Astra“ pasiekė naują rekordą (57,9 %), palyginti su „GPT‑5.6 Sol“ (37,3 %)² ir „Claude Fable 5.1“ (55,8 %), atitinkamai už maždaug 9 % ir 63 % mažesnę numatomą API kainą vienai užduočiai.

Su „Astra“ pristatome naują būdą, kaip „Codex“ gali išsaugoti ir atkurti kontekstą prisipildžius konteksto langui. Iki šiol, ilgų seansų metu, pavyzdžiui, derinant sudėtingas problemas ar atliekant didelį kodo pertvarkymą, darbui apibendrinti modeliai naudojo tankinimą (angl. „compaction“). Kiekvienas toks apibendrinimas gali praleisti detales apie tai, kodėl pataisymas nepavyko arba kaip veikia atskiras komponentas. „Codex“ aplinkoje „Astra“ užrašus gali išsaugoti skirtinguose konteksto languose, taip išlaikant sukauptas detales ir pakartotinai jų nesutankinti į vieną santrauką. Ankstesniuose konteksto languose išlieka galimybė ieškoti, todėl „Astra“ gali rasti reikalavimus ar testų rezultatus iš ankstesnių žinučių ir priemonių išvesčių – net ir tuo atveju, jei ta informacija nebuvo išsaugota užrašuose. Šią eksperimentinę funkciją galite įjungti savo „Codex“ config.toml faile,⁠(atsidaro naujame lange) o ateinančiomis savaitėmis ji taps numatytąja „Astra“ nuostata.

Mokslinių atradimų skatinimas

„Istorija tokia: vienos eros pabaiga, kitos – pradžia.“

Greg Burnham, „EpochAI“

GPT‑6 Astra is a major advance for scientific discovery, mathematics, and health. Today, we’re sharing two further results on the gaps between prime numbers.^{^{9 ir 10}}

Astra also sets new records across a suite of math and science evaluations.

„GPQA Diamond“ vertina magistrantūros lygio mokslinį protavimą biologijos, chemijos ir fizikos srityse. Kaip matoma palyginime, „GPT‑6 Astra“ pasiekia naują rekordą – 96,0 %. Net ir pasirinkus mažesnių išlaidų nuostatą, modelis viršija geriausią „GPT‑5.6 Sol“ rezultatą – 94,9 % palyginti su 94,6 % – o apskaičiuotos API išlaidos yra maždaug 37 % mažesnės.

„Astra“ gali padėti atlikti praktinius darbus, reikalingus moksliniams atradimams. Susiejus mokslinį protavimą su kompiuterio naudojimo įgūdžiais, modelis gali dirbti tiesiogiai specializuotoje programinėje įrangoje – tikrinti duomenis, nagrinėti rezultatus ir padėti tyrėjams įvertinti įrodymus bei nuspręsti, ką tirti toliau.

„GPT‑6 Astra“ naršo mokslinėje programinėje įrangoje, tikrindamas sekvenavimo kokybę ir vizualizuodamas genetinę variaciją, taip padėdamas tyrėjams įvertinti duomenis ir nustatyti, kur sutelkti tolesnę analizę.

Kibernetinis saugumas

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-Bench^¹⁵, 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(atsidaro naujame lange)..

Atsakingas „GPT‑6 Astra“ suderinimas ir diegimas

„Astra“ – geriausiai suderintas mūsų modelis. Modeliui „Astra“ puikiai sekasi atidžiai vertinti užduotis, laikytis užduočių ribų ir skaidriai bendrauti. Tai – naujausias mūsų ilgalaikės tyrimų programos, kurios tikslas – išmokyti modelius nuo pradžios iki pabaigos išlikti suderintus su žmogaus ketinimais, rezultatas.

Jautrioje aplinkoje „Astra“ veikia taip atidžiai, kaip to reikalauja rizika. Įvertinus kompiuterio naudojimo užduotis, kurios buvo sąmoningai parinktos siekiant išprovokuoti netinkamą elgesį, pastebėta, kad „Astra“ daug sėkmingiau išvengia nenumatytų pasekmių. Naudojant su papildomomis pagal numatytąsias nuostatas siūlomomis saugumo priemonėmis, pasiekti dar geresni rezultatai.

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(atsidaro naujame lange) and Anthropic Messages API⁠(atsidaro naujame lange)) and without additional protections that are normally deployed to Codex and ChatGPT Work users (auto-review, confirmation policy). ¹⁶

Be to, „Astra“ dažniau veikia neperžengdama naudotojo nustatytų ir aplinkos padiktuotų ribų. Per vidinį vertinimą „Astra“ nė karto nebandė apeiti „Codex“ automatinės peržiūros atmetimo. Tai pasitvirtino net ir tuomet, kai automatinė peržiūra buvo sąmoningai sukonfigūruota taip, kad ją būtų galima apeiti, o užduoties nebuvo įmanoma atlikti jokiu kitu būdu. Toks aplinkos apribojimų laikymasis atitinka neįmanomos kibernetinės užduoties vertinimo, kuriuo dalijomės šio įrašo pradžioje, rezultatus bei kitas išvadas, pateiktas mūsų sistemos kortelėje⁠(atsidaro naujame lange).

Šiuo vertinimu tikrinama, kaip modeliai reaguoja į automatinės peržiūros atmetimą atliekant žinių srities užduotis. Prastos naudotojo konfigūracijos išnaudojimas siekiant apeiti automatinę peržiūrą laikomas nesėkme. „Astra“ nė karto nebandė apeiti automatinės peržiūros.

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.

Mūsų atliktame gebėjimų pramanų vertinime „Astra“ gerokai lenkia „GPT‑5.6 Sol“ ir rečiau pateikia klaidinančius teiginius apie savo gebėjimus.

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(atsidaro naujame lange) 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(atsidaro naujame lange) 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.

Prieinamumas

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.

Kompiuterio naudojimas

Computer Use	GPT‑6 Astra	GPT‑5.6 Sol²	Claude Fable 5.1	Claude Fable 5	Claude Opus 5	Gemini 3.8 Flash
Agents' Last Exam	59.3%	53.6%	-	48.7%	55.5%	-
OSWorld 2.0 (v2026.08.08, offline set, partial score)	72.6%	65.7%	-	-	70.2%³	-
ScreenSpot-Pro (no tools)	92.7%	76.9%	-	87.3%¹⁷	-	-

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%	-

Mokslas ir sveikata

Science and Health	GPT‑6 Astra	GPT‑5.6 Sol	Claude Fable 5.1	Claude Fable 5	Claude Opus 5	Gemini 3.8 Flash
GeneBench Pro	37.1%	32.3%	-	-	-	-
MedChemBench (Internal)	49.3%	47.4%	-	-	-	-
LifeSciBench	60.3%	59.9%	-	-	-	-
HealthBench Professional (length-adjusted)	63.4%	60.5%	58.1% ¹¹	60.9% ¹¹	56.4% ¹¹	52.1%

Kibernetinis saugumas

Cybersecurity	GPT‑6 Astra	GPT‑5.6 Sol	Claude Fable 5.1	Claude Fable 5	Claude Opus 5	Gemini 3.8 Flash
ExploitBench	100.0%	78.5%	-	-	70%	-
ExploitGym	42.4% ¹³	30.3% ¹³	30.4% ¹⁷	28.4%¹⁷	22.0%	-
ExploitBench (June-Aug 2026)	39.0%	5.5%	-	-	-	-
SRE-Bench	88.0%	55.9%	-	-	12.5%	-
SEC-Bench Pro	85.4%	79.1%	-	-	-	-

Suderinimas

Suderinimas	GPT‑6 Astra	GPT‑5.6 Sol	Claude Fable 5.1	Claude Fable 5	Claude Opus 5	Gemini 3.8 Flash
Vidinio kompiuterio naudojimo saugos etaloninio testo rezultatai (kuo mažesnis rodiklis, tuo geriau)	2,4 %	22,0 %	9,5 %	18,3 %	11,5 %	-
Vidinio kompiuterio naudojimo saugos etaloninio testo rezultatai (su automatine peržiūra) (kuo mažesnis rodiklis, tuo geriau)	1,8 %	4,3 %	-	-	-	-
Vidinio apėjimo etaloninio testo rezultatai (kuo mažesnis rodiklis, tuo geriau)	0,00 %	0,29 %	-	-	-	-
„ExploitGym“ spąstai (mažiau – geriau)	0,0 %	48,2 %	-	-	-	-
Impossible ExploitGym	100,0 %	-	-	-	-	-
Vidinių pramanų etaloninio testo rezultatai (kuo mažesnis rodiklis, tuo geriau)	4,2 %	12,2 %	-	-	-	-

Ilgas kontekstas

Ilgas kontekstas	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 %	-	-	-	-

Abstraktus samprotavimas

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%	-

Pateikti vertinimo rezultatai rodo didžiausią pasiektą balą, nepriklausomai nuo bandymų skaičiaus. GPT vertinimai atlikti mūsų tyrimų aplinkoje arba per API, todėl rezultatai gali šiek tiek skirtis nuo „ChatGPT“ rezultatų realiomis sąlygomis dėl sistemos užklausų, prieinamų priemonių ir kitų skirtumų.

2026 m.

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(atsidaro naujame lange). 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
Model times are the reported elapsed times for the corresponding demonstration runs. The displayed clips are edited excerpts.
5
On BenchCAD, Claude's scores reflect 3 modifications to the eval, detailed in the Fable 5.1 System Card⁠(atsidaro naujame lange).
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(atsidaro naujame lange).” arXiv:2506.19065, 2025.
7
Mark R. H. Gotham, Maureen Redbond, Bruno Bower, and Peter Jonas. “The OpenScore String Quartet Corpus⁠(atsidaro naujame lange).” 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(atsidaro naujame lange): "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(atsidaro naujame lange) 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(atsidaro naujame lange) and supporting research⁠(atsidaro naujame lange).
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(atsidaro naujame lange) and supporting research⁠(atsidaro naujame lange).
11
We independently evaluated all Claude models following the intended HealthBench Professional procedure, using GPT‑5.4 grading and length-adjusted, unclipped scores. For Fable 5.1, we used Opus 5 fallback for provider refusals.
12
Claude Fable 5 and 5.1 are not included in LifeSciBench Gold v1, GeneBench Pro v13, and MedChemBench because they refuse the majority of questions in these evaluations.
13
On ExploitGym, we tested Astra and Sol without the 6-hour time limit, to better assess their full cyber capabilities. They are fast enough that it has little impact.
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(atsidaro naujame lange).” 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
For ScreenSpot-Pro and ExploitGym, the Fable scores we report come from Mythos, which is Fable with fewer safeguards.

GPT-6 Astra: A new generation of intelligence

Naujos kartos intelektas

Geriausias pasaulyje kompiuterį naudojantis modelis

„GPT‑6 Astra“: 2 min. 54 sek.

Didžiulis šuolis profesionaliame darbe

Programavimas

Mokslinių atradimų skatinimas

Kibernetinis saugumas

Atsakingas „GPT‑6 Astra“ suderinimas ir diegimas

Prieinamumas

Kompiuterio naudojimas

Professional

Coding

Academic

Mokslas ir sveikata

Kibernetinis saugumas

Suderinimas

Ilgas kontekstas

Abstraktus samprotavimas

FOOTNOTES

„GPT‑6 Astra“: 2 min. 54 sek.