OpenAI

GPT-6 Astra: A new generation of intelligence

Yeni nesil zeka

Dünyanın en zeki ve en uyumlu modeli olan GPT‑6 Astra ile tanışın.

GPT‑6 Astra, ön eğitim, pekiştirmeli öğrenme ve uyum alanlarında yıllar süren araştırmaları ve büyük yatırımları bir araya getiriyor. Astra; bilgisayar kullanımı, web'de gezinme, yazılım mühendisliği, siber güvenlik, bilim ve profesyonel çalışma alanlarında en yüksek performansı sunuyor. Astra, matematikte uzun süredir çözülemeyen açık problemlerin çözümüne şimdiden katkıda bulundu ve FrontierMath Tier 4'te %98 puanla ölçeğin üst sınırına ulaştı. Astra ayrıca ARC-AGI-3'te %99,9, ExploitBench'te ise %100 puan alarak her iki kıyaslama testinde de ölçeğin üst sınırına ulaştı. Bilgisayar ve tarayıcı kullanımında da yeni bir performans düzeyi belirleyen Astra, en zorlu profesyonel işlerin üstesinden benzersiz bir hız, doğruluk ve muhakemeyle geliyor. 

GPT‑6 Astra bugün sınırlı sayıda kuruluş için kullanıma sunuluyor. Önümüzdeki günlerde tüm ChatGPT Plus, Pro, Business ve Enterprise kullanıcılarının yanı sıra OpenAI API, Microsoft Azure ve AWS Bedrock üzerinden de kullanıma sunulacak.

"ARC-AGI-3'te Astra, seviyelerin %96'sında insanların eylem verimliliğine ilişkin referans değerimizi aşarak kıyaslamada insanlarla aynı düzeye ulaştı. Bu yalnızca bugüne kadar test ettiğimiz en iyi model olmakla kalmıyor; aynı zamanda en üst seviye model performansında da önemli bir sıçramayı temsil ediyor. Üstelik sadece yeni ortamlarda yolunu bulup problemleri çözme yeteneğiyle değil, bunu ne kadar verimli öğrendiğiyle de öne çıkıyor."
Greg Kamradt, ARC Prize Foundation

Astra, kullanıcı niyetini anlama ve model davranışları konusunda önemli gelişmeler sunan, en uyumlu modelimizdir. Astra'nın muhakemesine daha fazla güvenerek görevlerinizi ona devredebilirsiniz. Bunu test etmek için Hugging Face olayından hareketle yeni bir değerlendirme geliştirdik. Bu değerlendirme, zor veya imkansız bir görevle karşılaşan modelin kendisine tanınan kapsamın dışına çıkıp çıkmadığını ölçüyor. Canlı ortam güvenlik önlemleri olmadan çalıştırılan GPT‑5.6 Sol, vakaların %48'inde yetkilendirilen hedefin dışına çıkarken GPT‑6 Astra hiçbir vakada kapsam dışına çıkmadı.

Dünyanın en iyi bilgisayar kullanım modeli

GPT‑6 Astra, bilgisayar kullanımında hız, doğruluk ve güvenlik açısından yeni bir standart belirliyor. Çevrimiçi form doldurma, CRM'deki müşteri kayıtlarını güncelleme ve takviminizi düzenleme gibi zahmetli işleri sizin yerinize yapabilir. Çevrimiçi araştırma yapabilir, e-postanızda veya belge düzenleyicinizde özetler hazırlayabilir. Bilimsel verileri analiz edebilir, grafikler oluşturabilir, web sitesi hazırlayabilir ve sitedeki tüm özelliklerin çalıştığından emin olmak için ön uç kalite kontrolleri gerçekleştirebilir. Yazılımları otonom olarak yükleyip test etmenize ve ekranda karşılaştığınız sorunları gidermenize yardımcı olabilir. Bu gelişmeler, en ileri düzey değerlendirme sonuçlarımıza da yansıyor.

Bu iyileştirmeler ayrıca gerçek bilgiye dayalı işlerde önemli verimlilik artışları sağlıyor. OSWorld 2.0 gecikme simülasyonlarında Astra, GPT‑5.6 Sol'a kıyasla görev başına yaklaşık %47 daha kısa sürede daha yüksek bilgisayar kullanımı performansı sergiliyor: Astra yaklaşık 40 dakikada %72,6, Sol ise yaklaşık 75 dakikada %65,7 puan alıyor.3

GPT‑6 Astra'nın bilgisayar kullanma yeteneklerinin sunduğu sonuçlar; oyun geliştirme, elektrik mühendisliği ve günlük bilgi temelli işler dahil olmak üzere farklı alanlarda görülebilir:

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

"GPT‑6 Astra'yı kullanıma sunulduğu ilk gün Devin düzeneğine entegre ediyoruz. Model, şirket içi test kıyaslamamızda en yüksek performansı sergiliyor. Üstün bilgisayar kullanımı, yazma ve kod tabanını anlama yetenekleri test süreçlerini daha ilk kullanımdan itibaren geliştirdi: Videolar artık belirgin biçimde daha kolay takip ediliyor, raporlar ise daha açık ve öz."
Silas Alberti, Cognition Araştırmadan Sorumlu Kıdemli Başkan Yardımcısı

Profesyonel çalışmalarda köklü bir değişim

GPT‑6 Astra, karmaşık profesyonel görevlerin üstesinden gelmeye yardımcı olmak için bilgisayar kullanımındaki gelişmeleri iş ortamlarına yönelik özel eğitimle bir araya getiriyor. Karmaşık problemler için gereken akıl yürütme düzeyini, çok adımlı iş akışlarını yürütme ve özenle hazırlanmış belgeler, elektronik tablolar ve sunumlar oluşturma yeteneğiyle birleştiriyor.

GPT‑6 Astra, mevcut şablonlara uyma ve ana noktaları yapılandırılmış bir anlatımla kısa ve anlaşılır biçimde aktaran, iyi düzenlenmiş slaytlar oluşturma konusunda en iyi modelimizdir. Şablonlarınıza, anlatımınıza ve görsel tarzınıza uygun, açık ve iyi yapılandırılmış belgeler, sunumlar, elektronik tablolar ve analizler oluşturur. Astra ayrıca, eldeki çalışmayla ilgisi olmayan bilgileri tekrarlamak yerine yalnızca gerekli bağlamı çıktılara yansıtacak şekilde eğitilmiştir. Böylece işletmenizin bağlamına ve standartlarına uygun, doğrudan kullanılabilecek çıktılar üretebilir.

GPT‑6 Astra, oluşturduğu web siteleri, oyunlar, uygulamalar ve render görüntülerinde daha güçlü bir görsel muhakeme de sergiliyor. ChatGPT'deki Sites(yeni bir pencerede açılır) ile Astra, tek bir promptla doğrudan web siteleri, web uygulamaları ve oyunlar oluşturabilir, bunları barındırabilir ve paylaşabilir.

"Astra, hem yetenek hem de verimlilik açısından bize önemli bir avantaj sağlıyor. Test ettiğimiz diğer modellere kıyasla %20'ye kadar daha az token kullanırken en karmaşık yaratıcı iş akışlarımızı başarıyla yürütüyor. En önemlisi de bu, müşterilerimiz için daha yüksek kaliteli çıktılar sunmamızı sağlıyor."
Alex Mashrabov, Higgsfield AI CEO'su ve Kurucu Ortağı

Talimatların yoruma açık olduğu durumlarda GPT‑6 Astra, doğru kararı verme konusunda önceki modellerden daha başarılıdır. Rutin bilgi eksikliklerini bağlamdan yararlanarak tamamlar; yanıtın sonucu değiştirebileceği durumlarda ise amaca yönelik sorular sorar. Codex'te, yanıtınıza bağlı olmayan işlere devam ederken eş zamansız olarak soru sorabilir. Yanıt vermezseniz uygun durumlarda makul varsayımlarla ilerler ancak önemli kararlar için görüşünüzü bekler.

Aşağıdaki örnekler, eksik bilgilerin yanıtı önemli ölçüde değiştirebileceği günlük görevlerde Astra'nın nasıl iş birliği yaptığını gösterir.

Astra, görev ilerledikçe yönünü kaybetmeden ilerleme konusunda da daha başarılıdır. Önceki modeller bazen yönlendirme mesajlarını yeni bir hedef olarak değerlendirerek asıl isteği veya daha önce belirtilen kısıtlamaları gözden kaçırıyordu. Astra, yeni gereksinimleri dikkate alıyor, istendiğinde yön değiştiriyor ve genel görevi gözden kaçırmadan araya giren soruları yanıtlıyor.

"Astra, karmaşık hukuki görevlerde GPT‑5.6 Sol'a kıyasla önemli bir kalite artışı sağlıyor. İlk testlerimizde Astra, hukuki çalışmalara titiz bir avukat gibi yaklaşmasıyla öne çıktı: Belgeleri doğrulanmış kayıtlardan ayırıyor, dayanaksız varsayımları ortaya çıkarıyor ve eksik noktaları somut taslak oluşturma yaklaşımlarına dönüştürüyor."
Niko Grupen, Uygulamalı Araştırma Başkanı, Harvey

Kodlama

GPT‑6 Astra, yazılım mühendisliğinde bugüne kadarki en iyi modeldir.

1 / 2
"GPT‑6 Astra, şirket içi kodlama kıyaslamalarımızda en ileri düzey performans sergiliyor ve GPT‑5.6 Sol'a kıyasla alım satım sezgisi değerlendirmelerinde belirgin bir ilerleme gösteriyor. Ajan tabanlı kodlamada GPT‑6 Astra, geliştiricilerin daha kolay takip edebileceği şekilde iletişim kuruyor ve canlı ortam kalitesine ulaşmak için daha az yineleme gerektiren kodlar oluşturuyor."
John Crepezzi, Jane Street Yapay Zeka Asistanları

Astra ile birlikte, bağlam kapasitesi dolduğunda Codex'in bağlamı koruyup gerektiğinde geri getirmesini sağlayan yeni bir yöntem sunuyoruz. Modeller geçmişte, karmaşık sorunları giderme veya kapsamlı kod düzenlemeleri yapma gibi uzun süren oturumlarda çalışmaları özetlemek için bağlamı sıkıştırma yönteminden yararlanıyordu. Bağlam her sıkıştırıldığında, bir düzeltmenin neden işe yaramadığı veya bir bileşenin nasıl davrandığı gibi bazı ayrıntılar kaybolabilir. Codex'te Astra, biriken ayrıntıları tekrar tekrar tek bir özete sıkıştırmak zorunda kalmadan, bağlam kapasitesi yenilendiğinde bile notlarını koruyabilir. Önceki bağlam içerikleri aranabilir durumda kalır. Böylece Astra, ilgili bilgiler notlarında yer almasa bile önceki mesajlardaki ve araç çıktılarındaki gereklilikleri veya test sonuçlarını bulabilir. Bu deneysel özelliği Codex config.toml(yeni bir pencerede açılır) dosyanızdan etkinleştirebilirsiniz. Özellik önümüzdeki haftalarda Astra için varsayılan hale gelecek.

Bilimsel keşifleri ilerletme

"Meselenin özü şu: Bir dönem sona eriyor, yenisi başlıyor."
Greg Burnham, EpochAI

GPT‑6 Astra is a major advance for scientific discovery, mathematics, and health. Today, we’re sharing two further results on the gaps between prime numbers.9, 10

Astra also sets new records across a suite of math and science evaluations.

Astra, bilimsel keşfin ardındaki pratik çalışmalara yardımcı olabilir. Bilimsel akıl yürütme ile bilgisayar kullanımını birleştiren Astra, verileri incelemek ve sonuçları araştırmak için uzmanlık yazılımlarında doğrudan çalışabilir. Böylece araştırmacıların kanıtları değerlendirmesine ve sonraki aşamada neyi araştıracaklarına karar vermesine yardımcı olur.

Siber güvenlik

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(yeni bir pencerede açılır)..

GPT‑6 Astra'yı sorumlu şekilde uyumlu hale getirip devreye alma

Astra, en uyumlu modelimizdir. Özenli davranma, görev sınırlarına uyma ve şeffaf iletişim kurma konusunda öne çıkar. Bu çalışma, modelleri baştan sona insan niyetiyle uyumlu kalacak şekilde eğitmeye odaklanan uzun soluklu araştırma programımızın en yeni sonucudur.

Hassas ortamlarda Astra, risk düzeyine uygun bir özenle hareket eder. Astra, istenmeyen davranışları tetiklemek amacıyla karşıt örneklerden seçilen bilgisayar kullanımı görevlerinin değerlendirildiği bir testte, istenmeyen sonuçlardan kaçınma konusunda daha başarılı oldu. Varsayılan olarak sunulan ek güvenlik önlemleriyle çalıştırıldığında daha da etkili performans gösterdi.

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(yeni bir pencerede açılır) and Anthropic Messages API(yeni bir pencerede açılır)) and without additional protections that are normally deployed to Codex and ChatGPT Work users (auto-review, confirmation policy). 16

Astra'nın, kullanıcı tarafından belirlenen ve içinde bulunduğu ortamın işaret ettiği sınırlar içinde çalışma olasılığı da daha yüksek. Şirket içi bir değerlendirmede Astra, Codex Auto-Review tarafından verilen bir ret kararını atlatmayı hiçbir zaman denemedi. Bu sonuç, Auto-Review kasıtlı olarak atlatılabilecek biçimde yapılandırıldığında ve görevi başka türlü tamamlamak imkansız olduğunda da değişmedi. Ortam kısıtlamalarına gösterilen bu özen, yazının girişinde paylaştığımız imkansız siber görev değerlendirmesinin sonuçlarıyla ve sistem kartımızda(yeni bir pencerede açılır) belgelenen diğer bulgularla tutarlıdır.

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.

Yetenek halüsinasyonu değerlendirmemizde Astra, GPT‑5.6 Sol'a kıyasla önemli bir gelişme gösteriyor ve kendi yetenekleri hakkında daha az yanıltıcı iddiada bulunuyor.

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(yeni bir pencerede açılır) 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(yeni bir pencerede açılır) 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.

Kullanılabilirlik

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.

Bilgisayar Kullanımı

Computer Use

GPT‑6 Astra

GPT‑5.6 Sol2

Claude Fable 5.1

Claude Fable 5

Claude Opus 5

Gemini 3.8 Flash

Agents' Last Exam

59.3%

53.6%

-

48.7%

55.5%

-

OSWorld 2.0 (v2026.08.08, offline set, partial score)

72.6%

65.7%

-

-

70.2%3

-

ScreenSpot-Pro (no tools)

92.7%

76.9%

-

87.3%17

-

-

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

CodingGPT‑6 AstraGPT‑5.6 SolClaude Fable 5.1Claude Fable 5Claude Opus 5Gemini 3.8 Flash
Terminal-Bench 4.057.9%37.3%55.8%44.5%52.6%19.1%
DeepSWE v1.174.1%72.7%67.4%69.9%73.7%73.8%
FrontierCode 1.1 Extended (score)64.5% 860.6%63.6%64.9%63.6%56.3%
FrontierCode 1.1 Main (score)53.3% 847.5%50.9%53.5%53.4%43.6%
Internal Database Migration Tasks63.9%42.7%57.8%50.3%--
Artificial Analysis Coding Agent Index v1.467.065.1-67.268.161.2

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%

-

Bilim ve Sağlık

Science and HealthGPT‑6 AstraGPT‑5.6 SolClaude Fable 5.1Claude Fable 5Claude Opus 5Gemini 3.8 Flash
GeneBench Pro37.1%32.3%----
MedChemBench (Internal)49.3%47.4%----
LifeSciBench60.3%59.9%----
HealthBench Professional (length-adjusted)63.4%60.5%58.1% 1160.9% 1156.4% 1152.1%

Siber güvenlik

CybersecurityGPT‑6 AstraGPT‑5.6 SolClaude Fable 5.1Claude Fable 5Claude Opus 5Gemini 3.8 Flash
ExploitBench100.0%78.5%--70%-
ExploitGym42.4% 1330.3% 1330.4% 1728.4%1722.0%-
ExploitBench (June-Aug 2026)39.0%5.5%----
SRE-Bench88.0%55.9%--12.5%-
SEC-Bench Pro85.4%79.1%----

Uyumlanma

Uyumlanma

GPT‑6 Astra

GPT‑5.6 Sol

Claude Fable 5.1

Claude Fable 5

Claude Opus 5

Gemini 3.8 Flash

Şirket içi bilgisayar kullanımı güvenlik kıyaslaması (düşük değer daha iyidir)

%2,4

%22,0

%9,5

%18,3

%11,5

-

AutoReview kullanılan şirket içi bilgisayar kullanımı güvenlik kıyaslaması (düşük değer daha iyidir)

%1,8

%4,3

-

-

-

-

Şirket içi atlatma kıyaslaması (düşük değer daha iyidir)

%0,00

%0,29

-

-

-

-

ExploitGym bal küpü (düşük değer daha iyidir)

%0,0

%48,2

-

-

-

-

ExploitGym - İmkansız Görevler

%100,0

-

-

-

-

-

Şirket içi halüsinasyon kıyaslaması (düşük değer daha iyidir)

%4,2

%12,2

-

-

-

-

Uzun Bağlam

Uzun Bağlam

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 256.000-512.000

%100,0

%91,5

-

-

-

-

OpenAI MRCR v2 8-needle 512.000-1 milyon

%96,3

%73,8

-

-

-

-

Soyut akıl yürütme

Abstract reasoningGPT‑6 AstraGPT‑5.6 SolClaude Fable 5.1Claude Fable 5Claude Opus 5Gemini 3.8 Flash
ARC-AGI-399.9% 17.8%--30.2%-
ARC-AGI-295.0%92.5%90.0%89.2%90.4%-
ARC-AGI-198.5%97.5%97.5%98.5%97.5%-

Değerlendirme puanları, herhangi bir akıl yürütme çabasında elde edilen en yüksek değerlerdir. GPT değerlendirmeleri araştırma ortamımızda veya API'miz üzerinden gerçekleştirilmiştir. Sistem istemleri ve kullanılabilen araçlar gibi unsurlardaki farklılıklar nedeniyle bu değerlendirmelerin çıktıları, canlı ortamdaki ChatGPT'nin çıktılarından bir miktar farklı olabilir.

FOOTNOTES

  1. 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. 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. 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(yeni bir pencerede açılır). 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. 4

    Model times are the reported elapsed times for the corresponding demonstration runs. The displayed clips are edited excerpts.

  5. 5

    On BenchCAD, Claude's scores reflect 3 modifications to the eval, detailed in the Fable 5.1 System Card(yeni bir pencerede açılır).

  6. 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(yeni bir pencerede açılır).” arXiv:2506.19065, 2025.

  7. 7

    Mark R. H. Gotham, Maureen Redbond, Bruno Bower, and Peter Jonas. “The OpenScore String Quartet Corpus(yeni bir pencerede açılır).” Proceedings of the 10th International Conference on Digital Libraries for Musicology, pp. 49–57. ACM, 2023.

  8. 8

    On FrontierCode, GPT-6 Astra was run with a developer  message similar to a section of its developer message in Codex(yeni bir pencerede açılır): "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. 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(yeni bir pencerede açılır) 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(yeni bir pencerede açılır) and supporting research(yeni bir pencerede açılır).

  10. 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(yeni bir pencerede açılır) and supporting research(yeni bir pencerede açılır).

  11. 11

    We independently evaluated all Claude models following the intended HealthBench Professional procedure, using GPT‑5.4 grading and length-adjusted, unclipped scores. For Fable 5.1, we used Opus 5 fallback for provider refusals.

  12. 12

    Claude Fable 5 and 5.1 are not included in LifeSciBench Gold v1, GeneBench Pro v13, and MedChemBench because they refuse the majority of questions in these evaluations.

  13. 13

    On ExploitGym, we tested Astra and Sol without the 6-hour time limit, to better assess their full cyber capabilities. They are fast enough that it has little impact.

  14. 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. 15
  16. 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. 17

    For ScreenSpot-Pro and ExploitGym, the Fable scores we report come from Mythos, which is Fable with fewer safeguards.