GPT-6 Astra: A new generation of intelligence
Një brez i ri inteligjence
Po prezantojmë GPT‑6 Astra, modelin më inteligjent dhe më të harmonizuar në botë.
GPT‑6 Astra bashkon vite kërkimesh dhe investimesh të mëdha në paratrajnim, trajnim përforcues dhe harmonizim. Astra është i nivelit më të lartë në përdorimin e kompjuterit, shfletimin në internet, inxhinierinë softuerike, sigurinë kibernetike, shkencë dhe punë profesionale. Astra arrin ngopjen në nivelin 4 të FrontierMath me një rezultat prej 98%, pasi ka ndihmuar tashmë në zgjidhjen e problemeve të hapura prej kohësh në matematikë. Astra arrin gjithashtu ngopjen në ARC-AGI-3 me një rezultat prej 99,9% dhe në ExploitBench me një rezultat prej 100%. Gjithashtu, vendos një avangardë të re në përdorimin e kompjuterit dhe shfletuesit, duke trajtuar punët profesionale më kërkuese me shpejtësi, saktësi dhe gjykim të pakrahasueshëm.
GPT‑6 Astra po ofrohet sot për një numër të kufizuar organizatash dhe gjatë ditëve në vijim do të bëhet i disponueshëm për të gjithë përdoruesit e ChatGPT Plus, Pro, Business dhe Enterprise, si edhe përmes API-së së OpenAI, Microsoft Azure dhe AWS Bedrock.
Astra është modeli ynë më i harmonizuar, me përmirësime të konsiderueshme në kuptimin e qëllimit të përdoruesit dhe sjelljes së modelit—mund t'i delegosh detyrat me besim më të madh në gjykimin e Astra-s. Si një mënyrë për ta testuar këtë, krijuam një vlerësim të ri të bazuar në incidentin e Hugging Face, që vlerëson nëse një model që përballet me një detyrë të vështirë ose të pamundur do të dalë përtej fushës së tij të synuar. Krahasuar me GPT‑5.6 Sol, i cili, pa masat mbrojtëse të prodhimit, doli përtej objektivit të autorizuar në 48% të rasteve, GPT‑6 Astra e bëri këtë në 0% të rasteve.
Modeli më i mirë në botë për përdorimin e kompjuterit
GPT‑6 Astra shënon një avangardë të re në shpejtësinë, saktësinë dhe sigurinë e përdorimit të kompjuterit. Mund të merret me detyra të lodhshme, si plotësimi i formularëve online, përditësimi i të dhënave të klientëve në një CRM dhe organizimi i kalendarit tënd. Mund të kryejë kërkime në internet dhe të hartojë përmbledhje në emailin tënd ose në redaktuesin tënd të dokumenteve. Ai mund të analizojë të dhëna shkencore, të gjenerojë grafikë, të krijojë një faqe interneti dhe të kryejë kontrolle QA të frontend-it për t’u siguruar që të gjitha funksionalitetet në atë sajt funksionojnë. Mund të të ndihmojë të instalosh dhe testosh softuer në mënyrë autonome, si dhe të zgjidhësh problemet që sheh në ekran. Këto përmirësime pasqyrohen gjithashtu në rezultatet tona të vlerësimit të nivelit më të avancuar.
Këto përmirësime gjithashtu sjellin rritje të konsiderueshme të efikasitetit në detyrat reale të punës së bazuar në njohuri. Në simulimet e vonesës në OSWorld 2.0, Astra arrin performancë më të lartë në përdorimin e kompjuterit, duke përdorur rreth 47% më pak kohë për detyrë se GPT‑5.6 Sol, duke arritur 72,6% në rreth 40 minuta për detyrë, krahasuar me 65,7% në rreth 75 minuta.3
Aftësitë e GPT‑6 Astra për përdorimin e kompjuterit mund të shihen në rezultate në fusha të ndryshme, duke përfshirë zhvillimin e lojërave, inxhinierinë elektrike dhe punën e përditshme që mbështetet në njohuri:
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
Një ndryshim i madh cilësor në punën profesionale
GPT‑6 Astra kombinon përparimet në përdorimin e kompjuterit me trajnim të synuar për mjedise profesionale, për të ndihmuar në përballimin e detyrave komplekse të punës. Ai bashkon inteligjencën e nevojshme për probleme komplekse me aftësinë për të kryer flukse pune me shumë hapa dhe për të prodhuar dokumente, fletëllogaritëse dhe prezantime të përpunuara mirë.
GPT‑6 Astra është modeli ynë më i mirë për t'iu përmbajtur shablloneve ekzistuese dhe për të krijuar slajde të strukturuara mirë që përcjellin në mënyrë të përmbledhur pikat kryesore përmes një narrative të strukturuar. Krijon dokumente, prezantime, fletëllogaritëse dhe analiza të qarta e të mirëstrukturuara, që ndjekin shabllonet e tua dhe përputhen me stilin tënd të shkrimit dhe atë vizual. Astra është trajnuar gjithashtu që të përfshijë në mënyrë specifike në rezultatet e saj vetëm kontekstin që ka rëndësi, në vend që të përsërisë informacion të panevojshëm për detyrën në fjalë. E gjithë kjo do të thotë se mund të gjenerojë artefakte më të gatshme për përdorim të menjëhershëm, që përputhen me kontekstin dhe standardet e biznesit tënd.
GPT‑6 Astra sjell gjithashtu gjykim vizual më të fortë në faqet e internetit, lojërat, aplikacionet dhe paraqitjet që krijon. Me Sites(hapet në një dritare të re) në ChatGPT, Astra mund të krijojë, të hostojë dhe të ndajë faqe interneti, aplikacione uebi dhe lojëra drejtpërdrejt nga një kërkesë.
Kur udhëzimet lënë vend për interpretim, GPT‑6 Astra është më i mirë se modelet e mëparshme në marrjen e vendimit të duhur. Përdor kontekstin për të plotësuar boshllëqet e zakonshme dhe bën pyetje të përqendruara kur përgjigjja mund të ndryshojë rezultatin. Në Codex, ai mund të bëjë pyetje në mënyrë asinkrone ndërsa vazhdon punën që nuk varet nga përgjigjja jote. Nëse nuk përgjigjesh, ai vazhdon me supozime të arsyeshme aty ku është e përshtatshme, por pret kontributin tënd për vendimet me pasoja.
Shembujt më poshtë tregojnë se si Astra bashkëpunon në detyra të përditshme ku informacioni që mungon mund ta ndryshojë ndjeshëm përgjigjen.
Astra është gjithashtu më e aftë për të ruajtur orientimin ndërsa detyra evoluon. Modelet e mëparshme ndonjëherë i trajtonin mesazhet orientuese si një qëllim të ri, duke humbur gjurmët e kërkesës fillestare ose kufizimeve të mëparshme. Astra përfshin kërkesa të reja, ndryshon drejtim kur i kërkohet dhe u përgjigjet pyetjeve anësore pa e lënë pas detyrën më të gjerë.
Kodimi
GPT‑6 Astra është modeli më i mirë për inxhinieri softuerike deri më sot.
“GPT‑6 Astra ofron performancë të nivelit më të lartë në standardet tona të brendshme të kodimit dhe tregon një hap të qartë përpara në vlerësimet e intuitës për tregtim, krahasuar me GPT‑5.6 Sol. Kur përdoret për kodim agjentik, GPT‑6 Astra komunikon në një mënyrë që zhvilluesit mund ta ndjekin më lehtë dhe prodhon kod që kërkon më pak përsëritje për të arritur cilësinë e prodhimit.”
“Ne e testuam Astra-n në nivele përpjekjeje të ulët, mesatare dhe të lartë në një nga vlerësimet tona të gjeneratës së parë, dhe rezultoi dukshëm më e mirë se GPT 5.6 Sol. Përpjekja më e lartë mundëson më shumë përsëritje në një ndërtim të ri, më shumë verifikim përmes testimit në shfletues dhe një prirje drejt ekzekutimit të kodit në vend të apply-patch. Të kuptuarit se si një model e shpenzon përpjekjen e tij është mënyra se si u japim miliona ndërtuesve një rrugë më të shpejtë dhe më të besueshme nga ideja te një aplikacion funksional.”
Me Astra, po prezantojmë një mënyrë të re që Codex të ruajë dhe të rikuperojë kontekstin kur dritarja e kontekstit mbushet. Historikisht, modelet kanë përdorur kompaktimin për të përmbledhur punën gjatë sesioneve të gjata, si kur diagnostikojnë probleme komplekse ose trajtojnë rifaktorime të mëdha. Çdo kompaktim mund të lërë jashtë detaje se pse një rregullim dështoi ose si sillet një komponent. Në Codex, Astra mund të mbajë shënime nëpër dritare konteksti, duke ruajtur detajet e grumbulluara pa i ngjeshur vazhdimisht në një përmbledhje të vetme. Dritaret e mëparshme të kontekstit mbeten të kërkueshme, kështu që Astra mund të gjejë kërkesat ose rezultatet e testimit nga mesazhet e mëparshme dhe rezultatet e mjeteve—edhe nëse ai informacion nuk është përfshirë në shënimet e tij. Mund ta aktivizosh këtë veçori eksperimentale në config.toml të Codex,(hapet në një dritare të re) dhe do të bëhet parazgjedhja për Astra në javët e ardhshme.
Përparimi i zbulimit shkencor
Astra mund të ndihmojë me punën praktike që qëndron pas zbulimit shkencor. Duke kombinuar arsyetimin shkencor me përdorimin e kompjuterit, ajo mund të punojë drejtpërdrejt në softuer të specializuar për të shqyrtuar të dhënat dhe për të eksploruar rezultatet, duke i ndihmuar studiuesit të vlerësojnë provat dhe të vendosin se çfarë të hetojnë më pas.
Siguria kibernetike
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(hapet në një dritare të re)..
Përafrimi dhe vendosja e përgjegjshme e GPT‑6 Astra
Astra është modeli ynë më i harmonizuar. Astra shquhet për kujdesin që tregon, respektimin e kufijve të detyrës dhe komunikimin transparent. Kjo punë është produkti më i fundit i programit tonë afatgjatë të kërkimit, të përqendruar në trajnimin e modeleve që mbeten në përputhje me qëllimin njerëzor nga fillimi deri në fund.
Në mjedise të ndjeshme, Astra vepron me kujdes në përpjesëtim me nivelin e rrezikut. Në një vlerësim të detyrave të përdorimit të kompjuterit, të përzgjedhura në mënyrë kundërshtuese për të nxitur sjellje të papërshtatshme, Astra ishte më e suksesshme në shmangien e pasojave të paqëllimshme. Funksionimi me masa shtesë sigurie të ofruara si parazgjedhje dha performancë edhe më të lartë.
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(hapet në një dritare të re) and Anthropic Messages API(hapet në një dritare të re)) and without additional protections that are normally deployed to Codex and ChatGPT Work users (auto-review, confirmation policy). 16
Astra ka gjithashtu më shumë gjasa të veprojë brenda kufijve të vendosur nga përdoruesi dhe të nënkuptuar nga mjedisi i saj. Në një vlerësim të brendshëm, Astra nuk u përpoq asnjëherë të anashkalonte një refuzim nga Rishikimi automatik i Codex. Kjo mbeti e vlefshme edhe kur Rishikimi automatik ishte konfiguruar qëllimisht në mënyrë që të mund të anashkalohej dhe detyra ishte e pamundur të përfundohej ndryshe. Ky respekt për kufizimet e mjedisit përputhet me rezultatet e vlerësimit tonë për një detyrë kibernetike të pamundur, të cilat i ndamë në hyrjen e këtij postimi, si dhe me gjetje të tjera të dokumentuara në kartë sistemi(hapet në një dritare të re).
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.
Në vlerësimin tonë të halucinacioneve të aftësive, Astra tregon një përmirësim të konsiderueshëm krahasuar me GPT‑5.6 Sol, duke bërë më pak pretendime mashtruese për aftësitë e saj.
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(hapet në një dritare të re) 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(hapet në një dritare të re) 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.
Disponueshmëria
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% | - |
Përshtatja
Përshtatja | GPT‑6 Astra | GPT‑5.6 Sol | Claude Fable 5.1 | Claude Fable 5 | Claude Opus 5 | Gemini 3.8 Flash |
Vlerësim krahasues i brendshëm i sigurisë së përdorimit të kompjuterit (sa më i ulët, aq më mirë) | 2,4% | 22,0% | 9,5% | 18,3% | 11,5% | - |
Standard i brendshëm matës i sigurisë së përdorimit të kompjuterit, me AutoReview (sa më i ulët, aq më mirë) | 1,8% | 4,3% | - | - | - | - |
Vlera krahasuese e brendshme e anashkalimit (më e ulët është më mirë) | 0,00% | 0,29% | - | - | - | - |
Kurthi kibernetik i ExploitGym (më i ulët është më mirë) | 0,0% | 48,2% | - | - | - | - |
ExploitGym i pamundur | 100,0% | - | - | - | - | - |
Vlerësimi i brendshëm krahasues i halucinacionit (sa më i ulët, aq më mirë) | 4,2% | 12,2% | - | - | - | - |
Kontekst i gjatë
Kontekst i gjatë | 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% | - | - | - | - |
Arsyetim abstrakt
| 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% | - |
Rezultatet e vlerësimit janë në nivelin maksimal për çdo nivel përpjekjeje. Vlerësimet e GPT u kryen në mjedisin tonë kërkimor ose përmes API-së sonë, gjë që mund të japë rezultate paksa të ndryshme nga ChatGPT në prodhim për shkak të dallimeve në promptet e sistemit, mjetet e disponueshme etj.
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(hapet në një dritare të re). 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(hapet në një dritare të re).
- 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(hapet në një dritare të re).” arXiv:2506.19065, 2025.
- 7
Mark R. H. Gotham, Maureen Redbond, Bruno Bower, and Peter Jonas. “The OpenScore String Quartet Corpus(hapet në një dritare të re).” 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(hapet në një dritare të re): "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(hapet në një dritare të re) 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(hapet në një dritare të re) and supporting research(hapet në një dritare të re).
- 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(hapet në një dritare të re) and supporting research(hapet në një dritare të re).
- 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(hapet në një dritare të re).” 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
