GPT-6 Astra: A new generation of intelligence
Новое поколение искусственного интеллекта
Представляем GPT‑6 Astra — самую интеллектуальную и согласованную модель в мире.
GPT‑6 Astra объединяет многолетние исследования и масштабные инвестиции в области предварительного обучения, обучения с подкреплением и согласования. Astra демонстрирует передовые результаты в управлении компьютером, веб-навигации, программной инженерии, кибербезопасности, науке и профессиональных задачах. Astra достигает практически предельного результата на FrontierMath Tier 4 — 98%, уже помогая решать давние нерешенные задачи в математике. Astra также достигает предельного результата в ARC-AGI-3 — 99,9%, а в ExploitBench — 100%. Astra также задаёт новый уровень возможностей в управлении компьютером и браузером, выполняя самые сложные профессиональные задачи с непревзойдёнными скоростью, точностью и качеством решений.
Сегодня начинается развертывание GPT‑6 Astra для ограниченного числа организаций, а в ближайшие дни модель станет доступна всем пользователям ChatGPT Plus, Pro, Business и Enterprise, а также через OpenAI API, Microsoft Azure и AWS Bedrock.
Astra — наша модель с самым высоким уровнем согласования. Она значительно лучше понимает намерения пользователя, а её поведение стало более согласованным, поэтому вы можете увереннее поручать ей задачи и больше полагаться на её суждения. В качестве одного из способов проверки этого мы разработали новую оценку с учетом инцидента с Hugging Face, которая проверяет, выйдет ли модель, столкнувшаяся со сложной или невыполнимой задачей, за пределы предусмотренных рамок. По сравнению с GPT‑5.6 Sol, которая без защитных механизмов, используемых в рабочей среде, в 48% случаев выходила за пределы разрешенной области действий, GPT‑6 Astra — в 0% случаев.
Лучшая в мире модель для работы с компьютером
GPT‑6 Astra задает новую планку скорости, точности и безопасности при работе с компьютером. Она может взять на себя рутинные задачи, такие как заполнение онлайн-форм, обновление записей о клиентах в CRM-системе и организация вашего календаря. Она может проводить исследования в интернете и готовить сводки в вашей электронной почте или редакторе документов. Она может анализировать научные данные, создавать графики, разрабатывать веб-сайт и проводить проверки качества фронтенда, чтобы убедиться, что все функции на этом сайте работают. Она может помочь вам автономно устанавливать и тестировать программное обеспечение, а также устранять неполадки, которые вы видите на экране. Эти улучшения также нашли отражение в наших результатах оценки, соответствующих передовому уровню.
Эти улучшения также значительно повышают эффективность при выполнении реальных задач, связанных с работой со знаниями. В симуляциях задержек на OSWorld 2.0 Astra показывает более высокий результат в управлении компьютером, затрачивая примерно на 47% меньше времени на задачу, чем GPT‑5.6 Sol: 72,6% при примерно 40 минутах на задачу против 65,7% при примерно 75 минутах.3
Возможности GPT‑6 Astra по работе с компьютером можно увидеть в результатах работы в различных областях, включая разработку игр, электротехнику и повседневную интеллектуальную работу:
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
Качественный скачок в профессиональной деятельности
GPT‑6 Astra сочетает достижения в управлении компьютером со специализированным обучением для профессиональной среды, помогая решать сложные рабочие задачи. Модель сочетает интеллект, необходимый для решения сложных задач, со способностью выполнять многоэтапные сценарии и создавать профессионально оформленные документы, электронные таблицы и презентации.
GPT‑6 Astra — наша лучшая модель для работы с существующими шаблонами и создания слайдов с продуманной компоновкой, кратко передающих ключевые моменты в рамках структурированной подачи материала. Создает понятные, четко структурированные документы, презентации, электронные таблицы и аналитические материалы, которые соответствуют вашим шаблонам, стилю письма и визуальному стилю. Astra также обучена включать в результаты только необходимый контекст, а не повторять информацию, не нужную для текущей работы. Благодаря этому она может создавать более пригодные для немедленного использования материалы, соответствующие контексту и стандартам вашего бизнеса.
GPT‑6 Astra также демонстрирует более развитое визуальное чутьё при создании сайтов, игр, приложений и рендеров. С помощью ChatGPT Сайты(открывается в новом окне) Astra может создавать, размещать и делиться сайтами, веб-приложениями и играми непосредственно из промпта.
Когда инструкции допускают неоднозначное толкование, GPT‑6 Astra лучше, чем предыдущие модели, принимает правильное решение. Astra использует контекст, чтобы самостоятельно восполнять типичные пробелы в информации, и задаёт конкретные вопросы, когда ответ может повлиять на результат. В Codex Astra может асинхронно задавать вопросы, продолжая работу, которая не зависит от вашего ответа. Если вы не ответите, Astra при необходимости продолжит работу, исходя из разумных предположений, но дождётся вашего ответа, если речь идёт о решениях с существенными последствиями.
Приведённые ниже примеры показывают, как Astra помогает с повседневными задачами, в которых недостающая информация может существенно изменить ответ.
Astra также лучше удерживает контекст по мере развития задачи. Более ранние модели иногда воспринимали корректирующие сообщения как новую цель, теряя из виду исходный запрос или прежние ограничения. Astra учитывает новые требования, меняет направление по запросу и отвечает на попутные вопросы, не теряя фокуса на общей задаче.
Кодирование
GPT‑6 Astra — лучшая модель для разработки программного обеспечения на сегодняшний день.
«GPT‑6 Astra демонстрирует передовые результаты на наших внутренних бенчмарках по программированию и показывает явный шаг вперёд в оценках торговой интуиции по сравнению с GPT‑5.6 Sol. При использовании для агентного программирования GPT‑6 Astra общается так, что разработчикам проще следить за ходом работы, и создаёт код, которому требуется меньше итераций для достижения качества, пригодного для эксплуатации».
«Мы протестировали Astra на одном из наших оценочных тестов первого поколения при низком, среднем и высоком уровнях рассуждения, и она значительно опередила GPT 5.6 Sol. Более высокий уровень усилий дает больше итераций на свежей сборке, более тщательную проверку через тестирование в браузере и склонность к выполнению кода вместо apply-patch. Понимание того, как модель распределяет свои усилия, позволяет нам обеспечить миллионам создателей более быстрый и надежный путь от идеи к работающему приложению».
С Astra мы представляем новый способ, с помощью которого Codex может сохранять и извлекать контекст, когда контекстное окно заполняется. Исторически модели использовали сжатие контекста, чтобы подводить итог проделанной работе во время длительных сеансов, например при отладке сложных проблем или выполнении масштабного рефакторинга. При каждом сжатии контекста могут быть опущены сведения о том, почему исправление не сработало или как ведет себя компонент. В Codex Astra может хранить заметки между контекстными окнами, сохраняя накопленные сведения без необходимости снова и снова сжимать их в единую сводку. Предыдущие контекстные окна по-прежнему доступны для поиска, поэтому Astra может находить требования или результаты тестов из предыдущих сообщений и выходных данных инструментов — даже если эта информация не была зафиксирована в заметках Astra. Вы можете включить эту экспериментальную функцию в вашем файле config.toml для Codex,(открывается в новом окне) и в ближайшие недели эта функция будет включена для Astra по умолчанию.
Продвигаем научные открытия
Astra может помочь с практической работой, лежащей в основе научных открытий. Сочетая научные рассуждения с управлением компьютером, Astra может напрямую работать в специализированном ПО, анализировать данные и изучать результаты, помогая исследователям оценивать фактические данные и решать, что исследовать дальше.
Кибербезопасность
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(открывается в новом окне)..
Ответственное согласование и развертывание GPT‑6 Astra
Astra — наша модель с самым высоким уровнем согласования. Astra отличается особой внимательностью, соблюдает границы поставленных задач и общается прозрачно. Эта работа — новейший результат нашей долгосрочной исследовательской программы, направленной на обучение моделей, которые остаются согласованными с намерениями человека от начала до конца.
В средах с повышенным риском Astra действует с осторожностью, соразмерной этому риску. В ходе оценки задач по управлению компьютером, специально подобранных так, чтобы спровоцировать нежелательное поведение, Astra успешнее избегала непреднамеренных последствий. Работа с дополнительными мерами безопасности, предлагаемыми по умолчанию, обеспечила ещё более высокую производительность.
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(открывается в новом окне) and Anthropic Messages API(открывается в новом окне)) and without additional protections that are normally deployed to Codex and ChatGPT Work users (auto-review, confirmation policy). 16
Astra также с большей вероятностью будет действовать в рамках ограничений, заданных пользователем и подразумеваемых её средой. В ходе внутренней оценки Astra ни разу не пыталась обойти отказ автоматической проверки Codex. Это оставалось верным даже тогда, когда Auto-review намеренно настраивали так, чтобы её можно было обойти, и иначе выполнить задачу было невозможно. Такое соблюдение ограничений среды согласуется с результатами нашей оценки невыполнимых киберзадач, которыми мы поделились во введении к этой публикации, а также с другими выводами, задокументированными в нашей системной карточке(открывается в новом окне).
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.
В нашей оценке галлюцинаций, связанных со способностями, Astra демонстрирует существенное улучшение по сравнению с GPT‑5.6 Sol, делая меньше вводящих в заблуждение заявлений о своих возможностях.
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(открывается в новом окне) 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(открывается в новом окне) 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.
Доступность
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% | - |
Согласование
Согласование | GPT‑6 Astra | GPT‑5.6 Sol | Claude Fable 5.1 | Claude Fable 5 | Claude Opus 5 | Gemini 3.8 Flash |
Внутренний бенчмарк безопасности управления компьютером (чем ниже, тем лучше) | 2,4% | 22,0% | 9,5% | 18,3% | 11,5% | - |
Внутренний бенчмарк безопасности управления компьютером с AutoReview (чем ниже, тем лучше) | 1,8% | 4,3% | - | - | - | - |
Внутренний бенчмарк обхода (чем ниже, тем лучше) | 0,00% | 0,29% | - | - | - | - |
Ловушка ExploitGym (чем ниже, тем лучше) | 0,0% | 48,2% | - | - | - | - |
Невозможный ExploitGym | 100,0 % | - | - | - | - | - |
Внутренний бенчмарк галлюцинаций (чем ниже, тем лучше) | 4,2% | 12,2% | - | - | - | - |
Расширенный контекст
Расширенный контекст | 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 256 тыс.–512 тыс. | 100,0 % | 91,5% | - | - | - | - |
OpenAI MRCR v2 8-needle 512 тыс.–1 млн | 96,3 % | 73,8% | - | - | - | - |
Абстрактное рассуждение
| 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% | - |
Для каждой оценки указан максимальный результат среди всех уровней усилий. Оценки GPT проводились в нашей исследовательской среде или через API, поэтому результаты могут немного отличаться от рабочей версии ChatGPT из-за различий в системных промптах, доступных инструментах и т. д.
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(открывается в новом окне). 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(открывается в новом окне).
- 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(открывается в новом окне).” arXiv:2506.19065, 2025.
- 7
Mark R. H. Gotham, Maureen Redbond, Bruno Bower, and Peter Jonas. “The OpenScore String Quartet Corpus(открывается в новом окне).” 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(открывается в новом окне): "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(открывается в новом окне) 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(открывается в новом окне) and supporting research(открывается в новом окне).
- 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(открывается в новом окне) and supporting research(открывается в новом окне).
- 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(открывается в новом окне).” 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
