OpenAI przedstawiło GPT-6 Astra, nowy model flagowy

OpenAI opublikowało raport z wewnętrznych testów nowego modelu GPT-6 Astra. Firma porównała Astrę z GPT-5.6 Sol i Claude Fable 5.1 i przedstawiła zbiorcze wyniki z kilku kategorii zadań.

W zadaniach związanych z obsługą komputera Astra uzyskała 72,6% na teście OSWorld 2.0 wobec 65,7% u Sol; średni czas wykonania zadania skrócił się z 75 do 40 minut. W teście identyfikacji elementów interfejsu ScreenSpot-Pro wynik Astry to 92,7% wobec 76,9% u Sol. W teście Agents’ Last Exam Astra osiągnęła 59,3%, podczas gdy Sol uzyskał 53,6%, a Opus 5 — 55,5%.

W zadaniach zawodowych model osiągnął 41,4% na AutomationBench, ocenianym pod kątem obsługi procesów biznesowych, wobec 18,1% u Sol. W BenchCAD, gdzie model generuje kod dla modeli 3D CAD, Astra uzyskała 95,9% wobec 83,3% u Sol. W teście BrowseComp, dotyczącym przeglądania i analizy stron, wynik Astry to 91,5%.

W testach programistycznych Terminal-Bench 4.0 Astra osiągnęła 57,9%, Sol 37,3%, a Fable 5.1 55,8%. W DeepSWE v1.1 wynik Astry wyniósł 74,1% wobec 72,7%, a w FrontierCode 1.1 Extended 64,5% wobec 60,6% u Sol. W zadaniach migracji baz danych Astra uzyskała 63,9% wobec 42,7% u Sol.

W obszarze naukowym i rozumowania Astra uzyskała 64,6% w Terminal-Bench Science 0.1 wobec 52,6% u Fable 5.1. W FrontierMath Tier 4 wynik Astry wyniósł 97,6% wobec 83,0% u Sol. W teście GPQA Diamond model osiągnął 96,0%. W zadaniu Humanity’s Last Exam z dostępem do narzędzi Astra uzyskała 57,2%, a Fable 5.1 — 65,0%.

W dziedzinie cyberbezpieczeństwa Astra uzyskała 100% na ExploitBench, podczas gdy Sol miał 78,5%; autorzy raportu zaznaczyli, że ten benchmark jest nasycony. Na ExploitGym wynik Astry to 42,4% wobec 30,3% u Sol. W SRE-Bench, obejmującym inżynierię wsteczną plików binarnych, model poradził sobie w 88,0% przy pierwszym podejściu i osiągnął 99,2% po czterech próbach.

Najbardziej wyróżniony wynik to 99,9% na interaktywnym teście abstrakcyjnego rozumowania ARC-AGI-3; poprzedni model Sol uzyskał tam 17,8%. OpenAI dodało zastrzeżenie, że w standardowej konfiguracji ARC Prize model osiąga 62,7%. Greg Kamradt, prezes ARC Prize Foundation, zauważył: „Na 96% poziomów Astra przewyższyła ludzki punkt odniesienia pod względem efektywności działań.”

Raport OpenAI porównuje Astrę bezpośrednio z GPT-5.6 Sol i Claude Fable 5.1 oraz wskazuje, że część benchmarków osiągnęła poziom nasycenia, co ogranicza zdolność dalszego rozróżniania wydajności między modelami.