GPT-6 Astra: A new generation of intelligence
En ny generasjon intelligens
Vi introduserer GPT‑6 Astra, verdens mest intelligente og samordnede modell.
GPT‑6 Astra samler årevis med forskning og store satsinger innen førtrening, forsterkende læring og samordning. Astra er toppmoderne innen bruk av datamaskiner, nettlesing, programvareutvikling, cybersikkerhet, vitenskap og profesjonelt arbeid. Astra oppnår en poengsum på 98 % i FrontierMath Nivå 4, etter allerede å ha bidratt til å løse langvarige åpne problemer innen matematikk. Astra metter også ARC-AGI-3 med en poengsum på 99,9 % og ExploitBench med en poengsum på 100 %. Den flytter også banebrytende for bruk av datamaskiner og nettlesere og håndterer det mest krevende profesjonelle arbeidet med enestående hastighet, nøyaktighet og dømmekraft.
GPT‑6 Astra rulles ut i dag til et begrenset antall organisasjoner, og vil i løpet av de kommende dagene bli tilgjengelig for alle ChatGPT Plus-, Pro-, Business- og Enterprise-brukere, samt gjennom OpenAI API, Microsoft Azure og AWS Bedrock.
Astra er vår mest samordnede modell, med betydelige forbedringer i forståelsen av brukerens hensikt og modellens atferd. Det betyr at du kan delegere oppgaver med større tillit til Astras dømmekraft. Som én måte å teste dette på utviklet vi en ny evaluering basert på Hugging Face-hendelsen. Den vurderer om en modell som står overfor en vanskelig eller umulig oppgave, vil gå utover sitt tiltenkte virkeområde. Sammenlignet med GPT‑5.6 Sol, som uten sikkerhetstiltakene i produksjonsmiljøet gikk utover det autoriserte målet i 48 % av tilfellene, gjorde GPT‑6 Astra dette i 0 % av tilfellene.
Verdens beste modell for datamaskinbruk
GPT‑6 Astra markerer en ny banebrytende for hastighet, nøyaktighet og sikkerhet ved bruk av datamaskiner. Den kan ta seg av kjedelige oppgaver som å fylle ut nettskjemaer, oppdatere kundeposter i et CRM-system og organisere kalenderen din. Det kan utføre undersøkelser på nettet og lage utkast til sammendrag i e-posten din eller i dokumentredigeringsprogrammet ditt. Den kan analysere vitenskapelige data, generere plott, opprette et nettsted og kjøre QA-kontroller av frontend for å sikre at alle funksjonene på nettstedet fungerer. Den kan hjelpe deg med å installere og teste programvare på egen hånd og feilsøke problemer du ser på skjermen. Disse forbedringene gjenspeiles også i evalueringsresultatene våre, som er i toppklasse.
Disse forbedringene fører også til betydelige effektivitetsgevinster i reelle oppgaver innen kunnskapsarbeid. I responstidssimuleringer på OSWorld 2.0 oppnår Astra bedre ytelse ved datamaskinbruk på omtrent 47 % kortere tid per oppgave enn GPT‑5.6 Sol, som oppnådde 72,6 % på omtrent 40 minutter per oppgave, sammenlignet med 65,7 % på omtrent 75 minutter.3
GPT‑6 Astras evner til å bruke datamaskiner kan ses i resultater på tvers av områder, inkludert spillutvikling, elektroteknikk og hverdagslig kunnskapsarbeid:
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
Et markant skifte i profesjonelt arbeid
GPT‑6 Astra kombinerer fremskritt innen datamaskinbruk med målrettet opplæring for profesjonelle miljøer for å bidra til å håndtere komplekse arbeidsoppgaver. Den kombinerer intelligensen som kreves for komplekse problemer med evnen til å gjennomføre arbeidsflyter med flere trinn og produsere gjennomarbeidede dokumenter, regneark og presentasjoner.
GPT‑6 Astra er vår beste modell for å følge eksisterende maler og produsere velutformede lysbilder som kortfattet formidler hovedpoengene gjennom en strukturert fortelling. Den lager tydelige, velstrukturerte dokumenter, presentasjoner, regneark og analyser som følger malene dine og passer til skrivestilen og den visuelle stilen din. Astra er også trent til spesifikt å hente inn bare den konteksten som er relevant i utdataene, i stedet for å gjenta informasjon som er unødvendig for den aktuelle oppgaven. Alt dette betyr at den kan generere artefakter som er mer umiddelbart brukbare, og som samsvarer med virksomhetskonteksten din og standardene dine.
GPT‑6 Astra har også sterkere visuell vurderingsevne når den bygger nettsteder, spill, applikasjoner og gjengivelser. Med Sites(åpnes i et nytt vindu) i ChatGPT kan Astra lage, drifte og dele nettsteder, nettapper og spill direkte fra en prompt.
Når instruksjoner gir rom for tolkning, er GPT‑6 Astra bedre enn tidligere modeller til å ta den riktige avgjørelsen. Den bruker kontekst til å fylle ut vanlige informasjonsmangler og stiller målrettede spørsmål når svaret kan påvirke utfallet. I Codex kan den stille spørsmål asynkront mens den fortsetter å jobbe med oppgaver som ikke avhenger av svaret ditt. Hvis du ikke svarer, går den videre med rimelige antakelser der det er hensiktsmessig, men venter på dine innspill når det gjelder beslutninger med vesentlige konsekvenser.
Eksemplene nedenfor viser hvordan Astra samarbeider om hverdagslige oppgaver der manglende informasjon kan endre svaret vesentlig.
Astra er også bedre til å holde oversikten etter hvert som en oppgave utvikler seg. Tidligere modeller behandlet noen ganger styringsmeldinger som et nytt mål og mistet oversikten over den opprinnelige forespørselen eller tidligere begrensninger. Astra tar inn nye krav, endrer kurs når den blir bedt om det, og svarer på tilleggsspørsmål uten å miste den overordnede oppgaven av syne.
Koding
GPT‑6 Astra er den beste modellen for programvareutvikling hittil.
«GPT‑6 Astra leverer ytelse i toppklasse på våre interne referansetester for koding og viser et tydelig fremskritt i evalueringer av handelsintuisjon sammenlignet med GPT‑5.6 Sol. Når GPT‑6 Astra brukes til agentisk koding, kommuniserer den på en måte som er enklere for utviklere å følge, og produserer kode som krever færre iterasjoner for å nå produksjonskvalitet.»
«Vi testet Astra med lav, middels og høy innsats på en av våre førstegenerasjons evalueringer, og den kom betydelig foran GPT 5.6 Sol. Høyere innsats gir flere iterasjoner på en ny byggversjon, mer verifisering gjennom testing i nettleseren og en preferanse for kodekjøring fremfor apply-patch. Det er ved å forstå hvordan en modell bruker innsatsen sin at vi gir millioner av utviklere en raskere og mer pålitelig vei fra idé til fungerende app.»
Med Astra introduserer vi en ny måte for Codex å bevare og hente frem kontekst på når kontekstvinduet fylles opp. Historisk sett har modeller brukt komprimering til å oppsummere arbeid i lange økter, for eksempel ved feilsøking av komplekse problemer eller arbeid med store refaktoreringer. Hver komprimering kan utelate detaljer om hvorfor en feilretting mislyktes, eller hvordan en komponent oppfører seg. I Codex kan Astra lagre notater på tvers av kontekstvinduer og bevare oppsamlede detaljer uten gjentatte ganger å komprimere dem til ett enkelt sammendrag. Tidligere kontekstvinduer forblir søkbare, slik at Astra kan finne krav eller testresultater fra tidligere meldinger og verktøyutdata, selv om denne informasjonen ikke ble registrert i notatene. Du kan aktivere denne eksperimentelle funksjonen i Codex config.toml,(åpnes i et nytt vindu) og den blir standard for Astra i løpet av de neste ukene.
Fremmer vitenskapelige oppdagelser
Astra kan hjelpe til med det praktiske arbeidet bak vitenskapelige oppdagelser. Ved å kombinere vitenskapelig resonnering med bruk av datamaskin kan den arbeide direkte i spesialisert programvare for å undersøke data og utforske resultater, og hjelpe forskere med å vurdere evidensen og avgjøre hva de skal undersøke videre.
Cybersikkerhet
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(åpnes i et nytt vindu)..
Ansvarlig samordning og utrulling av GPT‑6 Astra
Astra er vår mest innrettede modell. Astra utmerker seg ved å utvise varsomhet, respektere rammene for oppgaven og kommunisere åpent. Dette arbeidet er det nyeste resultatet av vårt langvarige forskningsprogram, som fokuserer på å trene modeller som forblir i tråd med menneskelig intensjon fra start til slutt.
I sensitive miljøer går Astra frem med varsomhet som står i forhold til den tilhørende risikoen. I en evaluering av oppgaver for datamaskinbruk som var fiendtlig valgt ut for å fremprovosere uønsket atferd, lyktes Astra bedre med å unngå utilsiktede konsekvenser. Kjøring med ekstra sikkerhetstiltak som tilbys som standard ga enda bedre ytelse.
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(åpnes i et nytt vindu) and Anthropic Messages API(åpnes i et nytt vindu)) and without additional protections that are normally deployed to Codex and ChatGPT Work users (auto-review, confirmation policy). 16
Astra er også mer tilbøyelig til å holde seg innenfor rammene som brukeren har satt, og som omgivelsene tilsier. I en intern evaluering forsøkte Astra aldri å omgå et avslag fra Codex Auto-Review. Dette gjaldt selv når Auto-review bevisst var konfigurert slik at den kunne omgås, og oppgaven ellers var umulig å fullføre. Denne respekten for miljøbegrensningene er i tråd med resultatene fra evalueringen vår av umulige cyberoppgaver, som vi delte i innledningen til dette innlegget, og andre funn dokumentert i systemkortet(åpnes i et nytt vindu).
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.
I vår evaluering av hallusinasjoner om kapabiliteter viser Astra en betydelig forbedring sammenlignet med GPT‑5.6 Sol og fremsetter færre villedende påstander om egne kapabiliteter.
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(åpnes i et nytt vindu) 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(åpnes i et nytt vindu) 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.
Tilgjengelighet
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% | - |
Tilpasning
Tilpasning | GPT‑6 Astra | GPT‑5.6 Sol | Claude Fable 5.1 | Claude Fable 5 | Claude Opus 5 | Gemini 3.8 Flash |
Referanseindeks for sikkerhet ved intern datamaskinbruk (lavere er bedre) | 2,4 % | 22,0 % | 9,5 % | 18,3 % | 11,5 % | – |
Intern sikkerhetsreferanse for datamaskinbruk, med AutoReview (lavere er bedre) | 1,8 % | 4,3 % | – | – | – | – |
Intern referansemåling for omgåelse (lavere er bedre) | 0,00 % | 0,29 % | – | – | – | – |
ExploitGym-lokkesystem (lavere er bedre) | 0,0 % | 48,2 % | – | – | – | – |
Umulig ExploitGym | 100,0 % | – | – | – | – | – |
Intern referansemåling for hallusinering (lavere er bedre) | 4,2 % | 12,2 % | – | – | – | – |
Lang kontekst
Lang kontekst | 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-nåls 512K-1M | 96,3 % | 73,8 % | – | – | – | – |
Abstrakt resonnering
| 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% | - |
Poengsummer for evaluering er maksimale ved ethvert innsatsnivå. GPT‑evalueringer ble kjørt i forskningsmiljøet vårt eller via API-et vårt, noe som kan gi litt annerledes resultater enn produksjonsversjonen av ChatGPT på grunn av forskjeller i systempromptene, tilgjengelige verktøy osv.
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(åpnes i et nytt vindu). 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(åpnes i et nytt vindu).
- 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(åpnes i et nytt vindu).” arXiv:2506.19065, 2025.
- 7
Mark R. H. Gotham, Maureen Redbond, Bruno Bower, and Peter Jonas. “The OpenScore String Quartet Corpus(åpnes i et nytt vindu).” 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(åpnes i et nytt vindu): "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(åpnes i et nytt vindu) 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(åpnes i et nytt vindu) and supporting research(åpnes i et nytt vindu).
- 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(åpnes i et nytt vindu) and supporting research(åpnes i et nytt vindu).
- 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(åpnes i et nytt vindu).” 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
