GPT-6 Astra: A new generation of intelligence
बुद्धिमत्तेची एक नवी पिढी
आम्ही जगातील सर्वात बुद्धिमान आणि अनुरूप मॉडेल, GPT‑6 Astra सादर करत आहोत.
GPT‑6 Astra प्री-ट्रेनिंग, रीइन्फोर्समेंट लर्निंग आणि संरेखनातील अनेक वर्षांचे संशोधन आणि महत्त्वाकांक्षी उपक्रम एकत्र आणते. Astra संगणकाचा वापर, ब्राउझिंग, सॉफ्टवेअर अभियांत्रिकी, सायबरसुरक्षा, विज्ञान आणि व्यावसायिक कामाच्या क्षेत्रांत अत्याधुनिक कामगिरी करते. Astra 98% स्कोअरसह FrontierMath Tier 4 मध्ये संतृप्ती पातळी गाठते, तसेच गणितातील दीर्घकाळापासून अनुत्तरित असलेल्या खुल्या समस्या सोडवण्यात यापूर्वीच मदत केली आहे. Astra ने ARC-AGI-3 वर 99.9% गुणांसह आणि ExploitBench वर 100% गुणांसह संतृप्ती पातळी गाठली. हे संगणक आणि ब्राउझर वापरातही एक नवीन अत्याधुनिक टप्पा प्रस्थापित करते, अतुलनीय वेग, अचूकता आणि विवेकबुद्धीसह सर्वाधिक मागणी असलेले व्यावसायिक काम हाताळते.
GPT‑6 Astra आज मर्यादित संस्थांसाठी रोलआउट होत आहे आणि पुढील काही दिवसांत ते सर्व ChatGPT Plus, Pro, Business आणि Enterprise वापरकर्त्यांसाठी तसेच OpenAI API, Microsoft Azure आणि AWS Bedrock द्वारे उपलब्ध होईल.
Astra हे आमचे सर्वाधिक संरेखित मॉडेल आहे. वापरकर्त्याचा हेतू आणि मॉडेलचे वर्तन समजून घेण्यात यात लक्षणीय सुधारणा झाल्या आहेत—Astraच्या निर्णयक्षमतेवर अधिक विश्वास ठेवून तुम्ही त्याला कार्ये सोपवू शकता. याची चाचणी घेण्याचा एक मार्ग म्हणून, आम्ही Hugging Face घटनेवर आधारित एक नवीन मूल्यमापन तयार केले आहे. ते तपासते की कठीण किंवा अशक्य कार्याचा सामना करणारे मॉडेल तुमच्या अपेक्षित कार्यक्षेत्राच्या पलीकडे जाईल का. उत्पादनातील सुरक्षा उपायांशिवाय अधिकृत लक्ष्याच्या पलीकडे 48% वेळा गेलेल्या GPT‑5.6 Solच्या तुलनेत, GPT‑6 Astra ने शून्य टक्के प्रकरणांमध्ये असे केले.
संगणक वापरासाठी जगातील सर्वोत्तम मॉडेल
GPT‑6 Astra संगणकाच्या वापरातील वेग, अचूकता आणि सुरक्षिततेमध्ये एक नवीन अत्याधुनिक टप्पा चिन्हांकित करते. ते ऑनलाइन फॉर्म भरणे, CRM मध्ये ग्राहकांच्या नोंदी अपडेट करणे आणि तुमचे कॅलेंडर व्यवस्थित करणे यांसारखी कंटाळवाणी कामे हाताळू शकते. हे ऑनलाइन संशोधन करू शकते आणि तुमच्या ईमेलमध्ये किंवा तुमच्या दस्तऐवज संपादकात सारांशांचे मसुदे तयार करू शकते. ते वैज्ञानिक डेटाचे विश्लेषण करू शकते, आलेख तयार करू शकते, वेबसाइट तयार करू शकते आणि त्या साइटवरील सर्व वैशिष्ट्ये योग्यरित्या कार्य करतात याची खात्री करण्यासाठी फ्रंटएंड QA तपासण्या चालवू शकते. ते तुम्हाला स्वयंचलितपणे सॉफ्टवेअर इन्स्टॉल करून त्याची चाचणी करण्यात, तसेच स्क्रीनवर दिसणाऱ्या समस्यांचे निवारण करण्यात मदत करू शकते. या सुधारणा आमच्या अत्याधुनिक मूल्यमापनाच्या निकालांमध्येही दिसून येतात.
या सुधारणांमुळे वास्तविक ज्ञानाधारित कामांमध्ये कार्यक्षमतेत लक्षणीय वाढही होते. OSWorld 2.0 वरील विलंब सिम्युलेशनमध्ये, Astra प्रति कार्य सुमारे 47% कमी वेळेत GPT‑5.6 पेक्षा उच्च संगणक-वापर कार्यक्षमता साध्य करते Sol ने प्रति कार्य अंदाजे 40 मिनिटांत 72.6% गुण मिळवले, त्या तुलनेत प्रति कार्य अंदाजे 75 मिनिटांत 65.7% गुण मिळाले.3
GPT‑6 Astra च्या संगणक-वापर क्षमता गेम डेव्हलपमेंट, इलेक्ट्रिकल इंजिनिअरिंग आणि दैनंदिन ज्ञानाधारित कामासह विविध क्षेत्रांतील आउटपुटमध्ये पाहता येतात:
Astra सोबत, संगणक वापराचा वेग लक्षणीयरीत्या सुधारण्यासाठी आम्ही Codex हार्नेसही अद्ययावत करत आहोत. Astra च्या कार्यक्षमतेसह, यामुळे Mind2Web बेंचमार्कवर सध्याच्या GPT‑5.6 Sol अनुभवाच्या तुलनेत कामे 1.9x अधिक जलद पूर्ण होतात. मॉडेलच्या वेगातील सुधारणांमुळे ते तुमच्यासाठी अनेक वेळखाऊ दैनंदिन कामे तुम्ही करू शकता त्यापेक्षा जलद हाताळू शकते.
व्यावसायिक कामातील मोठा बदल
GPT‑6 Astra संगणक वापरातील प्रगतीला व्यावसायिक वातावरणांसाठीच्या लक्ष्यित प्रशिक्षणासह जोडते, जेणेकरून जटिल कामे हाताळण्यास मदत होईल. हे जटिल समस्यांसाठी आवश्यक असलेली बुद्धिमत्ता आणि बहु-टप्प्यांचे कार्यप्रवाह पार पाडण्याची तसेच परिष्कृत दस्तऐवज, स्प्रेडशीट्स आणि सादरीकरणे तयार करण्याची क्षमता एकत्रित करते.
GPT‑6 Astra हे विद्यमान टेम्पलेट्सचे पालन करण्यासाठी आणि सुयोग्य लेआउट असलेल्या तसेच संरचित कथनाद्वारे महत्त्वाचे मुद्दे संक्षिप्तपणे मांडणाऱ्या स्लाइड्स तयार करण्यासाठी आमचे सर्वोत्तम मॉडेल आहे. हे तुमच्या टेम्पलेट्सचे अनुसरण करणारे आणि तुमच्या लेखनशैली व दृश्य शैलीशी सुसंगत असलेले स्पष्ट, सुव्यवस्थित दस्तऐवज, सादरीकरणे, स्प्रेडशीट्स आणि विश्लेषणे तयार करते. Astra ला सध्या करायच्या कामासाठी अनावश्यक माहिती पुन्हा सांगण्याऐवजी, आउटपुटमध्ये केवळ संबंधित संदर्भच विशेषतः समाविष्ट करण्यासाठीही प्रशिक्षित केलेले आहे. या सर्वामुळे ते तुमच्या व्यवसायाच्या संदर्भाशी आणि मानकांशी सुसंगत असे, लगेच वापरता येण्याजोगे आर्टिफॅक्ट्स तयार करू शकते.
GPT‑6 Astra ते तयार करत असलेल्या वेबसाइट्स, गेम्स, अॅप्लिकेशन्स आणि रेंडरिंग्जमध्ये अधिक सक्षम दृश्यात्मक आकलनही आणते. ChatGPT मधील साइट्स(नवीन विंडोमध्ये उघडेल) सह, Astra प्रॉम्प्टमधून थेट वेबसाइट्स, वेब अॅप्स आणि गेम्स तयार करू शकते, होस्ट करू शकते आणि शेअर करू शकते.
सूचनांमध्ये अर्थ लावण्यासाठी वाव असल्यास, योग्य निर्णय घेण्यात GPT‑6 Astra मागील मॉडेल्सपेक्षा अधिक चांगले आहे. ते नेहमीच्या उणिवा भरून काढण्यासाठी संदर्भाचा वापर करते आणि जेव्हा उत्तरामुळे परिणाम बदलू शकतो तेव्हा नेमके प्रश्न विचारते. Codex मध्ये, ते तुमच्या उत्तरावर अवलंबून नसलेले काम सुरू ठेवत असताना असिंक्रोनस पद्धतीने प्रश्न विचारू शकते. तुम्ही उत्तर न दिल्यास, ते योग्य असेल तेथे समंजस गृहीतके धरून पुढे जाते, परंतु महत्त्वपूर्ण निर्णयांसाठी तुमच्या इनपुटची वाट पाहते.
खालील उदाहरणे दाखवतात की गहाळ माहितीमुळे उत्तरात लक्षणीयरीत्या बदल होऊ शकणाऱ्या दैनंदिन कामांमध्ये Astra कसे सहयोग करते.
कार्य विकसित होत असताना त्याची दिशा कायम ठेवण्यातही Astra अधिक चांगले आहे. आधीची मॉडेल्स कधीकधी दिशादर्शक संदेशांना नवीन उद्दिष्ट मानत, त्यामुळे मूळ विनंतीचा किंवा आधीच्या निर्बंधांचा मागोवा त्यांच्याकडून सुटत असे. Astra नवीन आवश्यकता समाविष्ट करते, सांगितल्यावर दिशा बदलते आणि व्यापक कार्याकडे दुर्लक्ष न करता अनुषंगिक प्रश्नांची उत्तरे देते.
कोडिंग
GPT‑6 Astra हे आजपर्यंतचे सॉफ्टवेअर अभियांत्रिकीसाठीचे सर्वोत्तम मॉडेल आहे.
“GPT‑6 Astra आमच्या अंतर्गत कोडिंग बेंचमार्क्सवर अत्याधुनिक कामगिरी देते आणि GPT‑5.6 Sol च्या तुलनेत ट्रेडिंग अंतर्ज्ञान मूल्यांकनांमध्ये स्पष्टपणे पुढचे पाऊल दाखवते. एजंटीक कोडिंगसाठी वापरल्यावर, GPT‑6 Astra डेव्हलपर्सना सहज समजेल अशा पद्धतीने संवाद साधते आणि प्रॉडक्शन-गुणवत्तेपर्यंत पोहोचण्यासाठी कमी पुनरावृत्ती आवश्यक असलेला कोड तयार करते.”
“आम्ही आमच्या पहिल्या पिढीतील एका इव्हॅलवर Astra ची कमी, मध्यम आणि उच्च प्रयत्नांच्या पातळ्यांवर चाचणी केली आणि ते GPT 5.6 Sol च्या लक्षणीयरीत्या पुढे आले. उच्च प्रयत्न केल्याने नवीन बिल्डवर अधिक पुनरावृत्ती, ब्राउझर चाचणीद्वारे अधिक पडताळणी आणि apply-patch पेक्षा कोड एक्झिक्यूशनकडे अधिक कल मिळतो. मॉडेल तुमच्या प्रयत्नांचा वापर कसा करते हे समजून घेणे म्हणजे आम्ही लाखो बिल्डर्सना कल्पनेपासून कार्यरत अॅपपर्यंतचा अधिक जलद आणि अधिक विश्वासार्ह मार्ग कसा देतो.”
Astra सह, कॉन्टेक्स्ट विंडो भरल्यावर संदर्भ जतन करण्याचा आणि पुन्हा मिळवण्याचा आम्ही Codex साठी एक नवीन मार्ग सादर करत आहोत. पूर्वी, जटिल समस्या डीबग करताना किंवा मोठे रिफॅक्टर हाताळताना, दीर्घ सत्रांदरम्यान कामाचा सारांश तयार करण्यासाठी मॉडेल्सनी कॉम्पॅक्शनचा वापर केला आहे. प्रत्येक कॉम्पॅक्शनमुळे निराकरण का अयशस्वी झाले किंवा एखादा घटक कसा वागतो याबद्दलचे तपशील वगळले जाऊ शकतात. Codex मध्ये, Astra कॉन्टेक्स्ट विंडोंमध्ये नोंदी ठेवू शकते आणि संचित तपशीलांना वारंवार एका सारांशात संकुचित न करता जतन करू शकते. आधीच्या कॉन्टेक्स्ट विंडो शोधण्यायोग्य राहतात, त्यामुळे Astra ला मागील मेसेज आणि टूल आउटपुटमधून आवश्यकता किंवा चाचणी निकाल शोधता येतात—जरी ती माहिती त्याच्या नोंदींमध्ये समाविष्ट केलेली नसली तरीही. तुम्ही तुमच्या Codex config.toml,(नवीन विंडोमध्ये उघडेल) मध्ये हे प्रायोगिक वैशिष्ट्य सक्षम करू शकता, आणि येत्या काही आठवड्यांत ते Astra साठी डीफॉल्ट बनेल.
वैज्ञानिक शोधांना पुढे नेणे
GPT‑6 Astra हे वैज्ञानिक शोध, गणित आणि आरोग्यासाठी एक महत्त्वपूर्ण प्रगती आहे. आज आम्ही अविभाज्य संख्यांमधील अंतरांबाबतचे आणखी दोन निष्कर्ष सामायिक करत आहोत [WITH LINK]. Astra विज्ञान मूल्यांकनांच्या एका संचामध्ये नवीन विक्रमही प्रस्थापित करते:
Astra वैज्ञानिक शोधांमागील व्यावहारिक कामात मदत करू शकते. वैज्ञानिक रीझनिंग आणि संगणकाचा वापर एकत्र करून, ती डेटा तपासण्यासाठी आणि निकालांचा शोध घेण्यासाठी विशेष सॉफ्टवेअरमध्ये थेट काम करू शकते, ज्यामुळे संशोधकांना पुराव्यांचे मूल्यांकन करण्यास आणि पुढे काय तपासायचे हे ठरवण्यास मदत होते.
सायबरसिक्युरिटी
Astra हे सायबरसुरक्षा क्षमतांमधील एक लक्षणीय झेप आहे. त्याची झिरो-डे एक्स्प्लॉइट्स ओळखण्याची आणि विकसित करण्याची क्षमता संरक्षण करणाऱ्या टीमना कमकुवतपणा दुरुस्त करण्यास मदत करू शकते, पण त्यामुळे अधिक मजबूत सुरक्षा उपायांची गरजही निर्माण होते. या क्षमता किती व्यापक आहेत हे समजून घेण्यासाठी, आम्ही आंतरिक आणि तृतीय-पक्ष तज्ज्ञ मूल्यमापनांचा वापर केला.
आम्ही प्रथम Astra ची ExploitBench आणि ExploitGym वर चाचणी केली, जे मॉडेल भेद्य कोडबेसमध्ये मनमानी कोड अंमलबजावणी साध्य करू शकतात का हे मोजतात.
ऐतिहासिक सॉफ्टवेअर भेद्यतांशी झालेल्या संपर्कामुळे बेंचमार्क निकालांवर परिणाम झाला असण्याच्या संभाव्य चिंतेच्या पार्श्वभूमीवर, आम्ही Astra चे दोन नवीन बेंचमार्कवरही मूल्यांकन केले. उदाहरणार्थ, मागील तीन महिन्यांतील भेद्यतांचा वापर करून एक्सप्लॉइट विकासाची चाचणी करण्यासाठी आम्ही अंतर्गत “ExploitBench (जून–ऑगस्ट 2026)” मूल्यमापन तयार केले. 2 या डेटासंचावर, खूप कमी आउटपुट टोकन वापरून Astra ने GPT‑5.6 Sol पेक्षा स्वेच्छित कोड अंमलबजावणीचे लक्षणीयरीत्या उच्च दर गाठले. मूल्यांकनादरम्यान, Astra ने पूर्वी अज्ञात असलेली दोन Chrome V8 हीप सँडबॉक्समधून बाहेर पडण्याची तंत्रे शोधली आणि वापरली. आम्ही दोन्ही भेद्यता त्यांच्या देखभालकर्त्यांना कळवत आहोत.
आम्ही Astra ची SRE-Bench वरही चाचणी केली. हा एक बेंचमार्क आहे जो मॉडेल्स बायनरी सॉफ्टवेअरचे रिव्हर्स इंजिनिअरिंग करून त्याचे मूलभूत लॉजिक समजून घेऊ शकतात का, हे मोजतो. बेंचमार्कच्या लेखकांनी हे सॉफ्टवेअर अगदी सुरुवातीपासून तयार केले आणि त्याचा स्रोत कोड खाजगी ठेवला. Astra ने एका प्रयत्नात 88.0% कामे आणि चार प्रयत्नांत 99.2% कामे सोडवली, तर GPT‑5.6 Sol ने अनुक्रमे 55.9% आणि 68.7% कामे सोडवली.
बेंचमार्कच्या पलीकडे, तज्ज्ञांच्या नेतृत्वाखालील मूल्यांकनांत असे आढळले की Astra पूर्वी अज्ञात असलेल्या असुरक्षांचा वापर करून कठोर सुरक्षायुक्त ब्राउझरमध्ये मनमानी कोड अंमलबजावणी साध्य करू शकते आणि कठोर सुरक्षायुक्त ऑपरेटिंग सिस्टिम्ससाठी विशेषाधिकार-वृद्धी एक्स्प्लॉइट्स तयार करू शकते. एकत्रितपणे, या निष्कर्षांनी आमच्या प्रिपेयर्डनेस फ्रेमवर्क अंतर्गत Astra ने सायबरसुरक्षेमध्ये क्रिटिकल थ्रेशोल्ड गाठल्याच्या आमच्या निर्णयाला आधार दिला.
The Defender’s Window मध्ये तुम्ही चर्चा केल्याप्रमाणे, अत्याधुनिक सायबर क्षमता बचावकर्त्यांना कमकुवत बाजू अधिक जलद शोधण्यात मदत करू शकतात, पण त्यामुळे त्या कमकुवत बाजूंचा गैरफायदा घेणेही सोपे होते, त्यामुळे बचावकर्त्यांनी जुळवून घेण्याची निकड वाढते.
आज लाँच होणाऱ्या Astra च्या आवृत्तीसाठी, आम्ही सुरक्षित कोड पुनरावलोकन, पॅचिंग आणि थ्रेट मॉडेलिंग यांसारख्या महत्त्वाच्या संरक्षणात्मक कामांना समर्थन देतो. तथापि, डीफॉल्टनुसार, Astra एक्स्प्लॉइट शोधण्यासारखी प्रगत सायबरसुरक्षा कार्ये करण्यास नकार देईल. OpenAI Daybreak द्वारे, आम्ही OpenAI Daybreak कार्यक्रमातील विश्वासार्ह सायबरसुरक्षा रक्षकांच्या अल्फा गटासाठी कमी निर्बंधित प्रवेश रोलआउट करत आहोत, रोलआउट करत आहोत. यामुळे संरक्षणात्मक वर्कफ्लोजमध्ये प्रवेशाचा विस्तार होतो, ज्यात भेद्यता वर्गीकरण आणि पडताळणी, मालवेअर विश्लेषण, शोध अभियांत्रिकी आणि पॅच पडताळणी यांचा समावेश आहे. Daybreak Blue च्या माध्यमातून प्रवेश आणखी विस्तारित करण्याची आमची योजना आहे.
आम्ही GPT‑5.6 Sol साठीच्या आमच्या सुरक्षा उपायांच्या संचावर आधारित, संभाव्य सायबर गैरवापराविरुद्धचे संरक्षणही मजबूत केले आहे. यामध्ये संभाव्य जेलब्रेक्सचा अधिक चांगल्या प्रकारे सामना करण्यासाठी मॉडेलची मजबुती वाढवणारे अधिक मजबूत प्रशिक्षण आणि आमच्या मॉनिटरिंग प्रणालींसाठी अधिक संदर्भ यांचा समावेश आहे. आमच्या अंतर्गत रेड टीमिंग हल्लेखोरांसोबत केलेल्या स्वयंचलित चाचण्यांसह आम्ही कठोर अंतर्गत आणि बाह्य चाचण्या सुरू ठेवल्या आहेत. आमच्या सायबर सुरक्षा उपाययोजना आणि चाचणीबद्दल अधिक तपशील Astra सिस्टम कार्ड आणि आमच्या ब्लॉगमध्ये उपलब्ध आहेत.
GPT‑6 Astra चे जबाबदारीने संरेखन आणि उपयोजन
Astra हे आमचे सर्वाधिक संरेखित मॉडेल आहे. Astra काळजीपूर्वक वागण्यात, कार्याच्या मर्यादांचा आदर करण्यात आणि पारदर्शकपणे संवाद साधण्यात उत्कृष्ट आहे. सुरुवातीपासून शेवटपर्यंत मानवी हेतूशी संरेखित राहणाऱ्या मॉडेलना प्रशिक्षण देण्यावर केंद्रित असलेल्या आमच्या दीर्घकाळ चाललेल्या संशोधन कार्यक्रमाचे हे काम नवीनतम फलित आहे.
संवेदनशील वातावरणांमध्ये, Astra त्याच्या जोखमीच्या प्रमाणात काळजी घेऊन पुढे जाते. गैरवर्तन उद्भवावे या उद्देशाने प्रतिकूल पद्धतीने निवडलेल्या संगणक-वापर कार्यांच्या मूल्यमापनात, Astra अनपेक्षित परिणाम टाळण्यात अधिक यशस्वी ठरले. डीफॉल्टनुसार उपलब्ध असलेल्या अतिरिक्त सुरक्षा उपायांसह चालवल्यावर आणखी अधिक मजबूत कार्यप्रदर्शन मिळाले.
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(नवीन विंडोमध्ये उघडेल) and Anthropic Messages API(नवीन विंडोमध्ये उघडेल)) and without additional protections that are normally deployed to Codex and ChatGPT Work users (auto-review, confirmation policy). 16
Astra वापरकर्त्याने निर्धारित केलेल्या आणि त्याच्या वातावरणातून अप्रत्यक्षपणे सूचित होणाऱ्या मर्यादांच्या आत कार्य करेल अशीही अधिक शक्यता असते. अंतर्गत मूल्यांकनात, Astra ने Codex ऑटो-रिव्ह्यूने दिलेल्या नकाराला वळसा घालण्याचा कधीही प्रयत्न केला नाही. स्वयंचलित पुनरावलोकन हेतुपुरस्सर टाळता येईल अशा प्रकारे कॉन्फिगर केलेले असतानाही, आणि अन्यथा कार्य पूर्ण करणे अशक्य असतानाही, हे खरे ठरले. पर्यावरणातील निर्बंधांबद्दलचा हा आदर, आम्ही या पोस्टच्या प्रस्तावनेत सामायिक केलेल्या अशक्य सायबर कार्याच्या मूल्यांकनाच्या निकालांशी आणि आमच्या सिस्टम कार्ड(नवीन विंडोमध्ये उघडेल) मध्ये नोंदवलेल्या इतर निष्कर्षांशी सुसंगत आहे.
Astra मध्येही लक्षणीय फसव्या वर्तनात घट दिसून येते. काम सोपवणाऱ्या लोकांना मॉडेलच्या क्षमतांची स्पष्ट समज आणि त्याच्या प्रगतीचा प्रामाणिक अहवाल आवश्यक असतो. हे प्रामाणिकपणाचा एक पैलू मोजते; जाणूनबुजून केलेली फसवणूक कमी करणे हे आमच्या संरेखन कार्याचे व्यापक लक्ष राहते.
आमच्या क्षमता-भ्रम मूल्यमापनात, Astra ने GPT‑5.6 Sol च्या तुलनेत लक्षणीय सुधारणा दर्शवली असून, ती तिच्या क्षमतांबद्दल कमी दिशाभूल करणारे दावे करते.
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(नवीन विंडोमध्ये उघडेल) 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(नवीन विंडोमध्ये उघडेल) 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.
उपलब्धता
GPT‑6 Astra आज Enterprise आणि आमच्या Trusted Access Program मधील ग्राहकांसाठी रोलआउट होत आहे. पुढील काही दिवसांत ChatGPT Plus, Pro, Business आणि Enterprise चे सदस्यत्व घेणाऱ्या लोकांसाठी ते व्यापकपणे उपलब्ध होईल. Astra चा वापर $100 आणि $200 Pro योजना तसेच $100 Business योजनेतील विद्यमान वापर भत्त्यामध्ये समाविष्ट आहे आणि त्यासाठी कोणत्याही अतिरिक्त रेट मर्यादा किंवा निर्बंध नाहीत. $20 Plus सदस्यत्व असलेले लोक आणि मानक Business योजनेवरील ग्राहक कमी मर्यादांसह GPT‑6 Astra वापरू शकतात, तसेच अतिरिक्त प्रवेशासाठी क्रेडिट्स खरेदी करण्याचा पर्यायही आहे. Enterprise प्रशासक त्यांच्या वर्कस्पेससाठी Astra सक्षम करू शकतात; लॉन्चच्या वेळी प्रवेश डीफॉल्टनुसार बंद आहे.
Pro Lite, Pro, Business आणि Enterprise वापरकर्ते चॅटमध्ये GPT‑6 Astra देखील वापरू शकतात. Astra पात्र API ग्राहकांसाठी झीरो डेटा रिटेन्शनला समर्थन देते आणि आम्ही गेल्या महिन्यात सांगितल्याप्रमाणे, ग्राहकांची गोपनीयता जपत सुरक्षा निरीक्षण मजबूत करण्यासाठी आम्ही खाजगी सुरक्षा प्रक्रियेची चाचणी करत आहोत.
डेव्हलपर्ससाठी, GPT‑6 Astra हे OpenAI API मध्ये gpt-6-astra म्हणून उपलब्ध आहे आणि AWS Bedrock मध्येही उपलब्ध आहे. OpenAI API स्टँडर्डची किंमत प्रति दशलक्ष इनपुट टोकनसाठी $10 आणि प्रति दशलक्ष आउटपुट टोकनसाठी $50 आहे. कॅशे वाचन आणि लेखनासाठी वेगवेगळे दर लागू होतात. API मध्ये GPT‑6 Astra साठी फास्ट मोड उपलब्ध आहे आणि तो स्टँडर्ड प्रोसेसिंगच्या 2x किमतीत स्टँडर्ड प्रोसेसिंगपेक्षा 2.5x पर्यंत अधिक वेग देतो.
कम्प्युटर वापर
| कम्प्युटर वापर | GPT‑6 Astra | GPT‑5.6 Sol | Claude Fable 5.1 | Claude Fable 5 | Claude Opus 5 | Gemini 3.7 Flash |
| OSWorld 2.0 (ऑगस्ट प्रकाशन, आंशिक गुण) | - | - | - | 66.1% | 70.6% | - |
| OSWorld 2.0 (ऑगस्ट रिलीझ, ऑफलाइन उपसंच, आंशिक स्कोअर) | - | - | - | - | - | - |
| 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% | - |
विज्ञान आणि हेल्थ
| विज्ञान आणि हेल्थ | 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 (Internal) | 49.7% | 47.4% | - | - | - | - |
| LifeSciBench | 60.8% | 59.9% | - | - | - | - |
| HealthBench व्यावसायिक (लांबी-समायोजित) | 63.4% | 60.5% | 62.1% | 60.9% | 59.8% | 48.7% |
सायबरसिक्युरिटी
| सायबरसिक्युरिटी | 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% | - | - | - | - |
| कॅप्चर द फ्लॅग चॅलेंजेस | - | 96.7% | - | - | - | - |
| SEC-Bench Pro | 85.4% | 79.1% | - | - | - | - |
| CyberGym | - | 84.5% | - | - | - | - |
| ExploitBench | 100.0% | 78.5% | - | - | 70.0% | - |
| ExploitGym (दोन तास) | - | 33.7%? | - | - | 171 | - |
| ExploitGym (6 तास) | - | 33.7%? | - | - | 191 | - |
अलाइनमेंट
अलाइनमेंट | GPT‑6 Astra | GPT‑5.6 Sol | Claude Fable 5.1 | Claude Fable 5 | Claude Opus 5 | Gemini 3.8 Flash |
अंतर्गत संगणक वापर सुरक्षा बेंचमार्क (कमी म्हणजे चांगले) | 2.4% | 22.0% | 9.5% | 18.3% | 11.5% | - |
अंतर्गत संगणक वापर सुरक्षा बेंचमार्क, AutoReview सह (कमी असणे चांगले) | 1.8% | 4.3% | - | - | - | - |
अंतर्गत बायपास बेंचमार्क (कमी म्हणजे चांगले) | 0.00% | 0.29% | - | - | - | - |
ExploitGym हनीपॉट (कमी असेल तर अधिक चांगलं) | 0.0% | 48.2% | - | - | - | - |
अशक्य ExploitGym | 100.0% | - | - | - | - | - |
अंतर्गत हॅल्युसिनेशन बेंचमार्क (कमी म्हणजे चांगले) | 4.2% | 12.2% | - | - | - | - |
लाँग संदर्भ
लाँग संदर्भ | 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% | - | - | - | - |
अमूर्त तर्क
| अमूर्त तर्क | 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% |
मूल्यांकन गुण कोणत्याही प्रयत्नाच्या पातळीवर कमाल असतात. GPT चे मूल्यांकन आमच्या संशोधन वातावरणात किंवा आमच्या API द्वारे चालवले गेले, ज्यामुळे सिस्टम प्रॉम्प्ट्स, उपलब्ध साधने इत्यादींमधील फरकांमुळे प्रोडक्शन ChatGPT पेक्षा थोडासा वेगळा आउटपुट मिळू शकतो.
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(नवीन विंडोमध्ये उघडेल). 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(नवीन विंडोमध्ये उघडेल).
- 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(नवीन विंडोमध्ये उघडेल).” arXiv:2506.19065, 2025.
- 7
Mark R. H. Gotham, Maureen Redbond, Bruno Bower, and Peter Jonas. “The OpenScore String Quartet Corpus(नवीन विंडोमध्ये उघडेल).” 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(नवीन विंडोमध्ये उघडेल): "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(नवीन विंडोमध्ये उघडेल) 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(नवीन विंडोमध्ये उघडेल) and supporting research(नवीन विंडोमध्ये उघडेल).
- 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(नवीन विंडोमध्ये उघडेल) and supporting research(नवीन विंडोमध्ये उघडेल).
- 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(नवीन विंडोमध्ये उघडेल).” 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
