GPT-6 Astra: A new generation of intelligence
ഇൻ്റലിജൻസിന്റെ ഒരു പുതിയ തലമുറ
ലോകത്തിലെ ഏറ്റവും ബുദ്ധിശേഷിയുള്ളതും മികച്ച രീതിയിൽ വിന്യസിച്ചിരിക്കുന്നതുമായ മോഡലായ GPT‑6 Astra ഞങ്ങൾ അവതരിപ്പിക്കുന്നു.
GPT‑6 Astra വർഷങ്ങളായുള്ള ഗവേഷണവും പ്രീ-ട്രെയിനിംഗ്, റീഇൻഫോഴ്സ്മെന്റ് ലേണിംഗ്, പൊരുത്തപ്പെടുത്തൽ എന്നിവയിലെ വലിയ നിക്ഷേപങ്ങളും ഒരുമിച്ച് കൊണ്ടുവരുന്നു. കമ്പ്യൂട്ടർ ഉപയോഗം, ബ്രൗസിംഗ്, സോഫ്റ്റ്വെയർ എഞ്ചിനീയറിംഗ്, സൈബർ സുരക്ഷ, ശാസ്ത്രം, പ്രൊഫഷണൽ ജോലി എന്നീ മേഖലകളിൽ Astra അത്യാധുനികമാണ്. ഗണിതശാസ്ത്രത്തിലെ ദീർഘകാലമായി പരിഹരിക്കപ്പെടാതെ കിടന്ന പ്രശ്നങ്ങൾ പരിഹരിക്കാൻ ഇതിനകം സഹായിച്ചിട്ടുള്ള Astra, FrontierMath Tier 4-ൽ 98% സ്കോറോടെ പരമാവധി പ്രകടനനിലയിലെത്തുന്നു. Astra 99.9% സ്കോറോടെ ARC-AGI-3-ലും 100% സ്കോറോടെ ExploitBench-ലും പരമാവധി പ്രകടനനിലയിലെത്തുന്നു. സമാനതകളില്ലാത്ത വേഗതയിലും കൃത്യതയിലും വിവേചനശേഷിയിലും ഏറ്റവും ആവശ്യപ്പെടുന്ന പ്രൊഫഷണൽ ജോലികൾ കൈകാര്യം ചെയ്തുകൊണ്ട്, കമ്പ്യൂട്ടർ, ബ്രൗസർ ഉപയോഗത്തിൽ ഇത് പുതിയ അത്യാധുനിക നിലവാരം സ്ഥാപിക്കുന്നു.
GPT‑6 Astra ഇന്ന് പരിമിതമായ ഒരു കൂട്ടം സ്ഥാപനങ്ങൾക്കായി ലഭ്യമായിത്തുടങ്ങുന്നു. വരും ദിവസങ്ങളിൽ എല്ലാ ChatGPT Plus, Pro, Business, Enterprise ഉപയോക്താക്കൾക്കും, കൂടാതെ OpenAI API, Microsoft Azure, AWS Bedrock എന്നിവയിലൂടെയും ഇത് ലഭ്യമാകും.
Astra ഞങ്ങളുടെ ഏറ്റവും മികച്ച രീതിയിൽ പൊരുത്തപ്പെടുത്തിയ മോഡലാണ്. ഉപയോക്തൃ ഉദ്ദേശ്യവും മോഡൽ പെരുമാറ്റവും മനസ്സിലാക്കുന്നതിൽ ഇതിന് ഗണ്യമായ മെച്ചപ്പെടുത്തലുകളുണ്ട്—Astra-യുടെ വിധിനിർണയത്തിൽ കൂടുതൽ ആത്മവിശ്വാസത്തോടെ നിങ്ങൾക്ക് ടാസ്കുകൾ ഏൽപ്പിക്കാം. ഇത് പരിശോധിക്കുന്നതിനുള്ള ഒരു മാർഗമായി, പ്രയാസകരമോ അസാധ്യമോ ആയ ഒരു ടാസ്ക് നേരിടുന്ന മോഡൽ അതിന്റെ ഉദ്ദേശിച്ച പ്രവർത്തനപരിധിക്കപ്പുറം പോകുമോ എന്ന് വിലയിരുത്തുന്ന, Hugging Face സംഭവത്തിൽനിന്നുള്ള വിവരങ്ങളുടെ അടിസ്ഥാനത്തിലുള്ള ഒരു പുതിയ വിലയിരുത്തൽ ഞങ്ങൾ സൃഷ്ടിച്ചു. പ്രൊഡക്ഷൻ സുരക്ഷാ സംവിധാനങ്ങളില്ലാതെ 48% തവണയും അനുവദനീയമായ പരിധി ലംഘിച്ച GPT‑5.6 Sol-മായി താരതമ്യം ചെയ്യുമ്പോൾ, GPT‑6 Astra 0% കേസുകളിലാണ് ഇങ്ങനെ ചെയ്തത്.
ലോകത്തിലെ ഏറ്റവും മികച്ച കമ്പ്യൂട്ടർ ഉപയോഗ മോഡൽ
കമ്പ്യൂട്ടർ ഉപയോഗത്തിന്റെ വേഗത, കൃത്യത, സുരക്ഷ എന്നിവയിൽ GPT‑6 Astra ഒരു പുതിയ അത്യാധുനിക നിലവാരം കുറിക്കുന്നു. ഓൺലൈൻ ഫോമുകൾ പൂരിപ്പിക്കൽ, CRM-ൽ ഉപഭോക്തൃ രേഖകൾ അപ്ഡേറ്റ് ചെയ്യൽ, നിങ്ങളുടെ കലണ്ടർ ക്രമീകരിക്കൽ തുടങ്ങിയ മടുപ്പിക്കുന്ന ജോലികൾ ഇതിന് കൈകാര്യം ചെയ്യാൻ കഴിയും. ഇതിന് ഓൺലൈൻ ഗവേഷണം നടത്താനും നിങ്ങളുടെ ഇമെയിലിലോ ഡോക്യുമെന്റ് എഡിറ്ററിലോ സംഗ്രഹങ്ങളുടെ കരടുകൾ തയ്യാറാക്കാനും കഴിയും. ഇതിന് ശാസ്ത്രീയ ഡാറ്റ വിശകലനം ചെയ്യാനും, പ്ലോട്ടുകൾ സൃഷ്ടിക്കാനും, ഒരു വെബ്സൈറ്റ് നിർമ്മിക്കാനും, ആ സൈറ്റിലെ എല്ലാ ഫീച്ചറുകളും പ്രവർത്തിക്കുന്നുണ്ടെന്ന് ഉറപ്പാക്കാൻ ഫ്രണ്ട്എൻഡ് QA പരിശോധനകൾ നടത്താനും കഴിയും. സോഫ്റ്റ്വെയർ സ്വയമേവ ഇൻസ്റ്റാൾ ചെയ്ത് പരിശോധിക്കാനും, സ്ക്രീനിൽ കാണുന്ന പ്രശ്നങ്ങൾ പരിഹരിക്കാനും ഇത് നിങ്ങളെ സഹായിക്കും. ഈ മെച്ചപ്പെടുത്തലുകൾ ഞങ്ങളുടെ അത്യാധുനിക മൂല്യനിർണയ ഫലങ്ങളിലും പ്രതിഫലിക്കുന്നു.
ഈ മെച്ചപ്പെടുത്തലുകൾ യഥാർത്ഥ അറിവ്-അധിഷ്ഠിത ജോലികളിലും കാര്യക്ഷമതയിൽ ഗണ്യമായ നേട്ടങ്ങൾ നൽകുന്നു. OSWorld 2.0-ലെ ലേറ്റൻസി സിമുലേഷനുകളിൽ, GPT‑5.6-നെക്കാൾ ഓരോ ടാസ്കിനും ഏകദേശം 47% കുറവ് സമയത്തിൽ Astra ഉയർന്ന കമ്പ്യൂട്ടർ-ഉപയോഗ പ്രകടനം കൈവരിക്കുന്നു. ഏകദേശം 75 മിനിറ്റിൽ 65.7% എന്നതുമായി താരതമ്യം ചെയ്യുമ്പോൾ, Sol ഓരോ ടാസ്കിനും ഏകദേശം 40 മിനിറ്റിൽ 72.6% സ്കോർ നേടി.3.
ഗെയിം ഡെവലപ്മെൻ്റ്, ഇലക്ട്രിക്കൽ എഞ്ചിനീയറിംഗ്, ദൈനംദിന വിജ്ഞാനാധിഷ്ഠിത ജോലികൾ എന്നിവയുൾപ്പെടെ വിവിധ മേഖലകളിലെ ഔട്ട്പുട്ടുകളിൽ GPT‑6 Astra-യുടെ കമ്പ്യൂട്ടർ ഉപയോഗ ശേഷികൾ കാണാൻ കഴിയും:
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
പ്രൊഫഷണൽ ജോലിയിൽ ഒരു വലിയ മുന്നേറ്റം
സങ്കീർണ്ണമായ ജോലി ടാസ്ക്കുകൾ എളുപ്പത്തിൽ ചെയ്തു തീർക്കാൻ സഹായിക്കുന്നതിനായി, കമ്പ്യൂട്ടർ ഉപയോഗത്തിലെ പുതിയ പുരോഗതികളെ വ്യവസായ-ജോലി ആവശ്യങ്ങൾക്കായുള്ള പ്രത്യേക പരിശീലനവുമായി GPT‑6 Astra ഒന്നിച്ച് ചേർക്കുന്നു. സങ്കീർണ്ണമായ പ്രശ്നങ്ങൾക്കാവശ്യമായ ഇൻ്റലിജൻസും ഒന്നിലധികം ഘട്ടങ്ങളുള്ള വർക്ക്ഫ്ലോകൾ നടപ്പിലാക്കാനും മിനുക്കമുള്ള ഡോക്യുമെന്റുകൾ, സ്പ്രെഡ്ഷീറ്റുകൾ, അവതരണങ്ങൾ എന്നിവ സൃഷ്ടിക്കാനുമുള്ള കഴിവും ഇത് സംയോജിപ്പിക്കുന്നു.
നിലവിലുള്ള ടെംപ്ലേറ്റുകൾ കൃത്യമായി പാലിച്ചുകൊണ്ട്, വ്യക്തമായ ഘടനയോടും ചുരുങ്ങിയ വാക്കുകളിലും പ്രധാന വിവരങ്ങൾ പങ്കുവെക്കുന്ന മനോഹരമായ പ്രസന്റേഷൻ സ്ലൈഡുകൾ തയ്യാറാക്കാൻ ഏറ്റവും അനുയോജ്യമായ ഞങ്ങളുടെ മികച്ച മോഡലാണ് GPT‑6 Astra. നിങ്ങളുടെ ടെംപ്ലേറ്റുകൾ കൃത്യമായി പാലിച്ചുകൊണ്ടും നിങ്ങളുടെ എഴുത്തു ശൈലിക്കും ദൃശ്യശൈലിക്കും അനുയോജ്യമായും വ്യക്തവും സുസംഘടിതവുമായ ഡോക്യുമെന്റുകൾ, പ്രസന്റേഷനുകൾ, സ്പ്രെഡ്ഷീറ്റുകൾ, വിശകലനങ്ങൾ എന്നിവ നിർമ്മിക്കാൻ ഇതിന് സാധിക്കും. ജോലിക്ക് ആവശ്യമില്ലാത്ത വിവരങ്ങൾ വീണ്ടും ആവർത്തിക്കുന്നതിന് പകരം ഏറ്റവും അനുയോജ്യമായ വിവരങ്ങൾ മാത്രം കണ്ടെത്തി ഔട്ട്പുട്ടുകളിൽ ഉൾപ്പെടുത്താൻ പ്രത്യേകമായി പരിശീലനം ലഭിച്ച മോഡലാണ് Astra. ഇതെല്ലാം വ്യക്തമാക്കുന്നത്, നിങ്ങളുടെ ബിസിനസ്സ് സാഹചര്യങ്ങൾക്കും മാനദണ്ഡങ്ങൾക്കും അനുയോജ്യമായതും നേരിട്ട് ഉപയോഗിക്കാൻ സാധിക്കുന്നതുമായ ഔട്ട്പുട്ടുകൾ നൽകാൻ ഇതിന് സാധിക്കും എന്നാണ്.
GPT‑6 Astra നിർമ്മിക്കുന്ന വെബ്സൈറ്റുകൾ, ഗെയിമുകൾ, ആപ്ലിക്കേഷനുകൾ, റെൻഡറിങ്ങുകൾ എന്നിവയ്ക്ക് കൂടുതൽ ശക്തമായ ദൃശ്യപരമായ വിലയിരുത്തലും നൽകുന്നു. ChatGPT‑യിലെ Sites(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) ഉപയോഗിച്ച്, ഒരു പ്രോംപ്റ്റിൽ നിന്ന് നേരിട്ട് വെബ്സൈറ്റുകളും വെബ് ആപ്പുകളും ഗെയിമുകളും സൃഷ്ടിക്കാനും ഹോസ്റ്റ് ചെയ്യാനും പങ്കിടാനും Astra-യ്ക്ക് കഴിയും.
നിർദ്ദേശങ്ങൾ വ്യാഖ്യാനത്തിന് ഇടം നൽകുമ്പോൾ, ശരിയായ തീരുമാനം എടുക്കുന്നതിൽ മുൻകാല മോഡലുകളേക്കാൾ മികച്ചതാണ് GPT‑6 Astra. ഇത് പതിവ് വിടവുകൾ നികത്താൻ സന്ദർഭം ഉപയോഗിക്കുകയും, ഉത്തരം ഫലത്തെ മാറ്റാൻ ഇടയുള്ളപ്പോൾ കൃത്യമായ ചോദ്യങ്ങൾ ചോദിക്കുകയും ചെയ്യുന്നു. Codex-ൽ, നിങ്ങളുടെ മറുപടിയെ ആശ്രയിക്കാത്ത ജോലികൾ തുടർന്നും ചെയ്യുന്നതിനിടെ ഇതിന് അസമന്വിതമായി ചോദ്യങ്ങൾ ചോദിക്കാനാകും. നിങ്ങൾ പ്രതികരിക്കുന്നില്ലെങ്കിൽ, അനുയോജ്യമായിടത്ത് അത് യുക്തിസഹമായ അനുമാനങ്ങളോടെ മുന്നോട്ട് പോകും, എന്നാൽ നിർണായകമായ തീരുമാനങ്ങളിൽ നിങ്ങളുടെ ഇൻപുട്ടിനായി കാത്തിരിക്കും.
താഴെ നൽകിയിരിക്കുന്ന ഉദാഹരണങ്ങൾ, ആവശ്യമായ വിവരങ്ങൾ ഇല്ലാത്തപക്ഷം ഉത്തരത്തിൽ ഗണ്യമായ മാറ്റം വരുത്തിയേക്കാവുന്ന ദൈനംദിന ടാസ്കുകളിൽ Astra എങ്ങനെ സഹകരിക്കുന്നു എന്ന് കാണിക്കുന്നു.
ഒരു ടാസ്ക് പുരോഗമിച്ച് മാറിക്കൊണ്ടിരിക്കുമ്പോഴും സന്ദർഭബോധം നിലനിർത്തുന്നതിലും Astra കൂടുതൽ മികച്ചതാണ്. സ്റ്റിയറിംഗ് സന്ദേശങ്ങളെ മുൻകാല മോഡലുകൾ ചിലപ്പോൾ ഒരു പുതിയ ലക്ഷ്യമായി കണക്കാക്കിയിരുന്നു; അതിനാൽ യഥാർത്ഥ അഭ്യർത്ഥനയുടെയോ മുമ്പത്തെ നിയന്ത്രണങ്ങളുടെയോ പിന്തുടർച്ച നഷ്ടപ്പെടുമായിരുന്നു. Astra പുതിയ ആവശ്യകതകൾ ഉൾക്കൊള്ളുകയും, ആവശ്യപ്പെടുമ്പോൾ ദിശ മാറ്റുകയും, വിശാലമായ ദൗത്യം കൈവിടാതെ അനുബന്ധ ചോദ്യങ്ങൾക്ക് മറുപടി നൽകുകയും ചെയ്യുന്നു.
കോഡിംഗ്
ഇതുവരെയുള്ളതിൽ സോഫ്റ്റ്വെയർ എഞ്ചിനീയറിങ്ങിനുള്ള ഏറ്റവും മികച്ച മോഡലാണ് GPT‑6 Astra.
“ഞങ്ങളുടെ ആഭ്യന്തര കോഡിംഗ് ബെഞ്ച്മാർക്കുകളിൽ GPT‑6 Astra അത്യാധുനിക പ്രകടനം കാഴ്ചവെക്കുകയും GPT‑5.6 Sol-നുമായി താരതമ്യം ചെയ്യുമ്പോൾ ട്രേഡിംഗ് അവബോധ വിലയിരുത്തലുകളിൽ വ്യക്തമായ മുന്നേറ്റം കാണിക്കുകയും ചെയ്യുന്നു. ഏജന്റിക് കോഡിംഗിനായി ഉപയോഗിക്കുമ്പോൾ, ഡെവലപ്പർമാർക്ക് എളുപ്പത്തിൽ പിന്തുടരാനാകുന്ന രീതിയിൽ GPT‑6 Astra ആശയവിനിമയം നടത്തുകയും പ്രൊഡക്ഷൻ നിലവാരത്തിലെത്താൻ കുറഞ്ഞ തിരുത്തലുകൾ മാത്രം ആവശ്യമായ കോഡ് സൃഷ്ടിക്കുകയും ചെയ്യുന്നു.”
“ഞങ്ങളുടെ ആദ്യതലമുറ വിലയിരുത്തലുകളിൽ ഒന്നിൽ കുറഞ്ഞതും ഇടത്തരവും ഉയർന്നതുമായ പ്രയത്നങ്ങളിലൂടെ ഞങ്ങൾ Astra-യെ പരിശോധിച്ചു; അത് GPT 5.6 Sol-നേക്കാൾ വലിയ മുന്നേറ്റം കാഴ്ചവെച്ചു. ഉയർന്ന ശ്രമം ചെലുത്തുന്നതിലൂടെ പുതിയൊരു ബിൽഡിൽ കൂടുതൽ ആവർത്തനങ്ങൾ നടത്താനും ബ്രൗസർ പരിശോധന വഴി കൂടുതൽ കാര്യങ്ങൾ സ്ഥിരീകരിക്കാനും അപ്ലൈ-പാച്ച് രീതിയേക്കാൾ കോഡ് എക്സിക്യൂഷന് മുൻഗണന നൽകാനും സാധിക്കുന്നു. ഒരു മോഡൽ അതിന്റെ ശ്രമം എങ്ങനെ ചെലവഴിക്കുന്നുവെന്ന് മനസ്സിലാക്കുന്നതിലൂടെയാണ് ആശയത്തിൽ നിന്ന് പ്രവർത്തിക്കുന്ന ആപ്പിലേക്കുള്ള വേഗമേറിയതും കൂടുതൽ വിശ്വസനീയവുമായ വഴി ദശലക്ഷക്കണക്കിന് ബിൽഡർമാർക്ക് നൽകുന്നത്.”
Astra ഉപയോഗിച്ച്, സന്ദർഭ പരിധി നിറയുമ്പോൾ സന്ദർഭം സംരക്ഷിക്കാനും വീണ്ടെടുക്കാനും Codex-നായി ഒരു പുതിയ മാർഗം ഞങ്ങൾ അവതരിപ്പിക്കുന്നു. ചരിത്രപരമായി, സങ്കീർണ്ണമായ പ്രശ്നങ്ങൾ ഡീബഗ് ചെയ്യുമ്പോഴോ വലിയ റിഫാക്ടറുകൾ കൈകാര്യം ചെയ്യുമ്പോഴോ പോലുള്ള ദൈർഘ്യമേറിയ സെഷനുകളിൽ ജോലി സംഗ്രഹിക്കാൻ മോഡലുകൾ കമ്പാക്ഷൻ ഉപയോഗിച്ചിട്ടുണ്ട്. ഓരോ കമ്പാക്ഷനും ഒരു പരിഹാരം പരാജയപ്പെട്ടതിന്റെ കാരണത്തെക്കുറിച്ചോ ഒരു ഘടകം എങ്ങനെ പ്രവർത്തിക്കുന്നുവെന്നതിനെക്കുറിച്ചോ ഉള്ള വിശദാംശങ്ങൾ ഒഴിവാക്കിയേക്കാം. Codex-ൽ, Astra-യ്ക്ക് സന്ദർഭ പരിധികളിലുടനീളം കുറിപ്പുകൾ സൂക്ഷിക്കാൻ കഴിയും, ശേഖരിച്ച വിശദാംശങ്ങൾ ആവർത്തിച്ച് ഒറ്റ സംഗ്രഹത്തിലേക്ക് ചുരുക്കാതെ തന്നെ അവ നിലനിർത്താം. മുൻകാല സന്ദർഭ പരിധികളിൽ തിരയാൻ കഴിയുന്നതിനാൽ, ആ വിവരങ്ങൾ അതിന്റെ കുറിപ്പുകളിൽ രേഖപ്പെടുത്തിയിട്ടില്ലെങ്കിലും മുൻ സന്ദേശങ്ങളിൽനിന്നും ടൂൾ ഔട്ട്പുട്ടുകളിൽനിന്നും ആവശ്യകതകളോ പരിശോധനാ ഫലങ്ങളോ Astra-യ്ക്ക് കണ്ടെത്താൻ കഴിയും. നിങ്ങളുടെ Codex config.toml-ൽ,(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) ഈ പരീക്ഷണാത്മക ഫീച്ചർ പ്രവർത്തനക്ഷമമാക്കാം, കൂടാതെ വരാനിരിക്കുന്ന ആഴ്ചകളിൽ ഇത് Astra-യുടെ ഡിഫോൾട്ടായി മാറും.
ശാസ്ത്രീയ കണ്ടെത്തലുകളുടെ പുരോഗതി
ശാസ്ത്രീയ കണ്ടെത്തലുകൾക്ക് പിന്നിലുള്ള പ്രായോഗിക പ്രവർത്തനങ്ങളിൽ Astra സഹായിക്കാനാകും. ശാസ്ത്രീയ റീസണിംഗും കമ്പ്യൂട്ടർ ഉപയോഗവും സംയോജിപ്പിക്കുന്നതിലൂടെ, ഡാറ്റ പരിശോധിക്കാനും ഫലങ്ങൾ പര്യവേക്ഷണം ചെയ്യാനും ഇതിന് പ്രത്യേക സോഫ്റ്റ്വെയറുകളിൽ നേരിട്ട് പ്രവർത്തിക്കാനാകും. ഇത് തെളിവുകൾ വിലയിരുത്താനും അടുത്തതായി എന്ത് അന്വേഷിക്കണമെന്ന് തീരുമാനിക്കാനും ഗവേഷകരെ സഹായിക്കുന്നു.
സൈബർസുരക്ഷ
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(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു)..
GPT‑6 Astra-യെ ഉത്തരവാദിത്തത്തോടെ ക്രമീകരിക്കുകയും വിന്യസിക്കുകയും ചെയ്യുന്നു
Astra ഞങ്ങളുടെ ഏറ്റവും മികച്ച രീതിയിൽ വിന്യസിച്ചിരിക്കുന്ന മോഡലാണ്. ശ്രദ്ധ പുലർത്തുന്നതിലും, ജോലിയുടെ പരിധികളെ മാനിക്കുന്നതിലും, സുതാര്യമായി ആശയവിനിമയം നടത്തുന്നതിലും Astra മികവ് പുലർത്തുന്നു. തുടക്കം മുതൽ അവസാനം വരെ മനുഷ്യരുടെ ഉദ്ദേശ്യങ്ങളോട് വിന്യസിച്ചുനിൽക്കുന്ന മോഡലുകളെ പരിശീലിപ്പിക്കുന്നതിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്ന ഞങ്ങളുടെ ദീർഘകാല ഗവേഷണ പരിപാടിയുടെ ഏറ്റവും പുതിയ ഫലമാണ് ഈ പ്രവർത്തനം.
സെൻസിറ്റീവ് പരിസ്ഥിതികളിൽ, Astra അതിന്റെ അപകടസാധ്യതയ്ക്ക് അനുപാതമായ ജാഗ്രതയോടെ മുന്നോട്ട് പോകുന്നു. തെറ്റായ പെരുമാറ്റം പ്രേരിപ്പിക്കുന്നതിനായി പ്രതികൂലമായി തിരഞ്ഞെടുത്ത കമ്പ്യൂട്ടർ ഉപയോഗ ടാസ്കുകളുടെ ഒരു മൂല്യനിർണയത്തിൽ, ഉദ്ദേശിക്കാത്ത പ്രത്യാഘാതങ്ങൾ ഒഴിവാക്കുന്നതിൽ Astra കൂടുതൽ വിജയകരമായിരുന്നു. ഡിഫോൾട്ടായി നൽകുന്ന അധിക സുരക്ഷാ നടപടികളോടെ പ്രവർത്തിപ്പിച്ചപ്പോൾ ഇതിലും മികച്ച പ്രകടനം ലഭിച്ചു.
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(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) and Anthropic Messages API(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു)) and without additional protections that are normally deployed to Codex and ChatGPT Work users (auto-review, confirmation policy). 16
ഉപയോക്താവ് നിശ്ചയിച്ചിട്ടുള്ളതും അതിന്റെ പരിസരം പരോക്ഷമായി സൂചിപ്പിക്കുന്നതുമായ പരിധികൾക്കുള്ളിൽ Astra പ്രവർത്തിക്കാനുള്ള സാധ്യതയും കൂടുതലാണ്. ഒരു ആഭ്യന്തര വിലയിരുത്തലിൽ, Codex Auto-Review നിരസിക്കൽ മറികടക്കാൻ Astra ഒരിക്കലും ശ്രമിച്ചില്ല. ഓട്ടോ-റിവ്യൂ മനപ്പൂർവം മറികടക്കാവുന്ന രീതിയിൽ ക്രമീകരിച്ചിരിക്കുകയും, അല്ലാത്തപക്ഷം ആ ടാസ്ക് പൂർത്തിയാക്കാൻ അസാധ്യമായിരിക്കുകയും ചെയ്തപ്പോഴും ഇത് നിലനിന്നു. പരിതസ്ഥിതിയിലെ നിയന്ത്രണങ്ങളോടുള്ള ഈ ബഹുമാനം, ഈ പോസ്റ്റിന്റെ ആമുഖത്തിൽ ഞങ്ങൾ പങ്കുവെച്ച അസാധ്യമായ സൈബർ ടാസ്ക് വിലയിരുത്തലിന്റെ ഫലങ്ങളോടും ഞങ്ങളുടെ സിസ്റ്റം കാർഡിൽ(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) രേഖപ്പെടുത്തിയിട്ടുള്ള മറ്റ് കണ്ടെത്തലുകളോടും യോജിക്കുന്നു.
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.
ഞങ്ങളുടെ കേപ്പബിലിറ്റി ഹാലുസിനേഷൻ മൂല്യനിർണയത്തിൽ, GPT‑5.6 Sol-നെ അപേക്ഷിച്ച് Astra ഗണ്യമായ പുരോഗതി കാണിക്കുന്നു; അതിന്റെ ശേഷികളെക്കുറിച്ച് തെറ്റിദ്ധരിപ്പിക്കുന്ന അവകാശവാദങ്ങൾ ഉന്നയിക്കുന്നതും കുറവാണ്.
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(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) 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(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) 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.
ലഭ്യത
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% | - |
അലൈൻമെന്റ്
അലൈൻമെന്റ് | GPT‑6 Astra | GPT‑5.6 Sol | Claude Fable 5.1 | Claude Fable 5 | Claude Opus 5 | Gemini 3.8 Flash |
ആന്തരിക കമ്പ്യൂട്ടർ ഉപയോഗ സുരക്ഷാ ബെഞ്ച്മാർക്ക് (കുറഞ്ഞത് മികച്ചതാണ്) | 2.4% | 22.0% | 9.5% | 18.3% | 11.5% | - |
ആന്തരിക കമ്പ്യൂട്ടർ ഉപയോഗ സുരക്ഷാ ബെഞ്ച്മാർക്ക്, AutoReview സഹിതം (കുറഞ്ഞത് മികച്ചതാണ്) | 1.8% | 4.3% | - | - | - | - |
ആന്തരിക മറികടക്കൽ ബെഞ്ച്മാർക്ക് (കുറഞ്ഞിരിക്കുന്നത് ഉത്തമം) | 0.00% | 0.29% | - | - | - | - |
ExploitGym ഹണിപോട്ട് (കുറഞ്ഞത് മികച്ചതാണ്) | 0.0% | 48.2% | - | - | - | - |
അസാധ്യമായ ExploitGym | 100.0% | - | - | - | - | - |
ആന്തരിക ഹാലൂസിനേഷൻ ബെഞ്ച്മാർക്ക് (കുറഞ്ഞിരിക്കുന്നത് ഉത്തമം) | 4.2% | 12.2% | - | - | - | - |
ദീർഘമായ സന്ദർഭം
ദീർഘമായ സന്ദർഭം | 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-നീഡിൽ 256K-512K | 100.0% | 91.5% | - | - | - | - |
OpenAI MRCR v2 8-നീഡിൽ 512K-1M | 96.3% | 73.8% | - | - | - | - |
Abstract reasoning
| 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% | - |
ഏത് ശ്രമനിലയിലും മൂല്യനിർണയ സ്കോറുകൾ പരമാവധിയാണ്. GPT മൂല്യനിർണ്ണയങ്ങൾ ഞങ്ങളുടെ ഗവേഷണ പരിസ്ഥിതിയിലോ ഞങ്ങളുടെ API വഴിയോ പ്രവർത്തിപ്പിച്ചു. സിസ്റ്റം പ്രോംപ്റ്റുകൾ, ലഭ്യമായ ഉപകരണങ്ങൾ തുടങ്ങിയവയിലെ വ്യത്യാസങ്ങൾ കാരണം, ഇത് പ്രൊഡക്ഷൻ ChatGPT‑ൽ നിന്ന് അല്പം വ്യത്യസ്തമായ ഔട്ട്പുട്ട് നൽകാൻ സാധ്യതയുണ്ട്.
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(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു). 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(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു).
- 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(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു).” arXiv:2506.19065, 2025.
- 7
Mark R. H. Gotham, Maureen Redbond, Bruno Bower, and Peter Jonas. “The OpenScore String Quartet Corpus(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു).” 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(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു): "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(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) 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(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) and supporting research(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു).
- 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(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) and supporting research(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു).
- 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(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു).” 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
