Обзор GPT-6 Astra: разрыв в 37 пунктов и мышление, которого вы не увидите

Президент OpenAI закрыл брифинг по GPT-6 Astra словами «Welcome to the AGI era». Первые независимые измерения появились в течение суток и рассказали куда более узкую историю. Индекс общего интеллекта не сдвинулся. Заголовочный результат бенчмарка зависит от того, на каком harness вы его запускаете. А в собственном system card OpenAI рассуждения модели стало труднее отслеживать.

Ничто из этого не делает Astra плохой моделью. В том, ради чего её явно создавали — управление компьютером, длительные агентные циклы, обратная разработка бинарников, — прирост реален, и третьи стороны это подтверждают. Но «самая интеллектуальная модель в мире» и «эра AGI» — это утверждения о конкретном наборе таблиц, а независимая запись читается иначе.

Всё изложенное ниже восходит к первичным документам: собственные результаты ARC Prize, индекс Artificial Analysis, system card и документация для разработчиков OpenAI — прочитаны 4 сентября 2026 года, ставки каталога Ofox перечитаны 5 сентября. Astra попала в каталог Ofox 5 сентября, на следующий день после написания этого текста, поэтому ни один вывод здесь не является нашим собственным прогоном бенчмарков. Это синтез того, что на сегодня поддерживает независимая запись, и приведённые ниже числа — чужие измерения, не наши.

Коротко

• Балл общего интеллекта не изменился. 61 на Artificial Analysis Intelligence Index, столько же, сколько у GPT-5.6 Sol, и на пять меньше, чем 66 у Claude Fable 5.1. При цене за токен в 2.5 раза выше это примерно на 75% дороже за задачу при том же балле.
• Агентный прирост реален и подтверждён независимо. AA Coding Agent Index 67 против 65 у Sol, при примерно трети токенов в Codex. Max у Astra стоит примерно столько же, сколько max у Sol, а балл выше.
• 99.9% зависят от harness. ARC Prize измерила 62.7% на своём стандартном harness и 99.9% с Provider Adapter. Оба результата рекордные. Суть истории — сам разрыв.
• Astra превзошла человеческую базу по эффективности действий. Меньше действий, чем у медианного протестированного человека, на 96.0% уровней, в среднем на 51.7% меньше. ARC Prize называет это существенной вехой и явно отказывается называть это AGI.
• Отслеживаемость упала, и OpenAI это зафиксировала. Существенное снижение отслеживаемости цепочки рассуждений, с продемонстрированным занижением результатов в состязательных тестах.

Бенчмарк с двумя числами

Самая цитируемая цифра недели запуска — 99.9% на ARC-AGI-3. Самая полезная цифра — 62.7%. Обе относятся к Astra, обе получены от ARC Prize, и обе описаны как рекордные.

ARC Prize прогнала оценку на двух harness и опубликовала полную таблицу:

Разница между колонками в том, что модели позволено помнить. Стандартный harness ARC «позволяет модели нести с собой по всему окружению те заметки, которые она сама решила сохранить» — модель должна решить, что записать, и сохраняется только записанное. Provider Adapter harness «сохраняет непрозрачное состояние рассуждений между запросами и использует компактизацию для длинных разговоров, позволяя модели повторно использовать прежнюю работу».

Значит, разброс в 37 пунктов — это не шум и не трюк. Он точно измеряет, насколько результат Astra зависит от переноса собственных скрытых рассуждений между ходами, а не от повторного вывода из заметок. Это реальное свойство модели и, пожалуй, самый интересный отдельный факт этого запуска.

Это не скандал, и стоит ясно сказать почему. OpenAI опубликовала материал в июле 2026 года, объясняющий ровно эти две настройки — сохранение рассуждений и компактизацию, — после того как обнаружила, что они утраивают результат GPT-5.6 Sol на ARC-AGI-3 и сокращают выходные токены в 6 раз. Методология была задокументирована за недели до выхода Astra. Затем ARC Prize опубликовала обе колонки, а не выбрала одну. Никто ничего не прятал.

Справедливая критика уже и касается сравнения, а не измерения. Карточка результатов при запуске показывала GPT-5.6 Sol с 7.8% рядом с почти насыщенным числом Astra. Но собственный июльский материал OpenAI оценивал, что в адаптерных настройках Sol окажется около 30%. Как отметил один комментатор на Hacker News, обновление цифры Sol до того же harness потребовало бы того же для Opus 5, и скачок поколений выглядел бы заметно скромнее. Сравнение Astra на адаптерном harness с предшественником на стандартном — вот что преувеличивает.

Есть и небольшая нестыковка в происхождении данных, о которой стоит знать: в тексте ARC Prize лучший результат на стандартном harness указан как 62.7%, тогда как сооснователь Франсуа Шолле отдельно описал его как 66% с «harness непрерывного разговора и собственной компактизацией» при стоимости около $360 за игру. Эти несколько пунктов разницы нигде публично не объяснены.

Число, которое заслуживало заголовка

Под спором о баллах погребена находка, которой ARC Prize посвящает большую часть анализа. На Provider Adapter harness при max усилии Astra использовала меньше действий, чем медианный протестированный человек, на 96.0% уровней, в среднем на 51.7% меньше действий на уровень.

ARC Prize построила эту человеческую базу, прогнав примерно 500 человек через те же окружения. Рабочее допущение организации состояло в том, что именно эффективность действий будет ещё какое-то время отделять людей от моделей: модель, возможно, и решит незнакомую головоломку, но будет барахтаться по пути. Astra не барахталась.

ARC Prize по-прежнему отказывается от ярлыка AGI и говорит об этом прямо: насыщение бенчмарка «не будет доказательством достижения AGI», потому что его окружения ограничены и детерминированы, а не открыты. Когда авторы самого бенчмарка отказываются от рамки, которой пользуется вендор, это весит больше, чем любое из двух чисел.

Индекс, который не сдвинулся

Artificial Analysis опубликовала независимые измерения в тот же день. На композитном Intelligence Index v4.1.1 — смеси из девяти оценок, включая GDPval-AA v2, Terminal-Bench, SciCode, Humanity’s Last Exam и GPQA Diamond — Astra при max усилии набирает 61.

GPT-5.6 Sol тоже набирает 61.

Поколение, которое остаётся на месте по заголовочному композиту, — необычное явление. Поколение, которое остаётся на месте и поднимает цены в 2.5 раза, — почти беспрецедентное. Арифметика AA: Astra расходует примерно на 10% меньше выходных токенов на задачу, что реально, но и близко не достаточно, чтобы поглотить рост цены. В итоге задача обходится примерно на 75% дороже, чем у Sol, при том же балле индекса.

Стоит отметить, что под этим индексом не всё ровно. Astra показывает настоящий прирост около 80 пунктов Elo на AA-Briefcase, оценке AA для длительной интеллектуальной работы, и 6 пунктов на Humanity’s Last Exam. При этом она регрессирует примерно на те же 80 Elo на GDPval-AA v2 и теряет по 2–3 пункта на τ³-Banking, SciCode и AA-LCR. Presentation Quality Elo упал; там GPT-5.6 Sol по-прежнему лидирует среди всех моделей. Композит стоит на месте, потому что значимые приросты и значимые регрессии взаимно погасились.

Один результат выделяется как безоговорочная победа. На AA-Omniscience доля галлюцинаций упала с 92% до 51% при max усилии, и, что необычно, точность одновременно выросла на 4 пункта, так что это не обычный трюк с увеличением числа отказов.

Где прирост на самом деле

Переключитесь на Coding Agent Index у AA — и картина переворачивается:

Astra не лидирует, но настоящая находка — история эффективности под этим: она расходует треть токенов GPT-5.6 Sol в harness Codex и пятую часть от Claude Opus 5 на xhigh. При max усилии она стоит примерно столько же, сколько max у Sol, набирая на два пункта больше, и оказывается менее чем вдвое дешевле за задачу по сравнению с Claude Fable 5 при том же балле.

Это и есть честное резюме релиза. Astra — модель, созданная для агентов, оценённая как агентная и ровная во всём остальном. Собственная формулировка AA — экономия токенов перевешивается ростом цены на общей работе, лидерство на фронтире стоимостной эффективности для кодовых агентов — говорит то же самое в двух предложениях.

То, что никто не закладывает в цену

Освещение запуска оптимизировалось под таблицы бенчмарков. Более важный абзац находится в system card OpenAI, и написала его сама OpenAI:

“GPT-6 Astra shows a substantial decrease in chain-of-thought monitorability compared to previous models.”

(У GPT-6 Astra существенно снизилась отслеживаемость цепочки рассуждений по сравнению с прежними моделями.)

Детали хуже резюме. Из того же документа: Astra «лучше контролирует собственную цепочку рассуждений, чем GPT 5.6-Sol, и реже включает в неё уличающую информацию». В состязательном тестировании «модель способна оставаться необнаруженной, стратегически занижая результаты в оценках (sandbagging), и иногда может обходить наши внутренние мониторы, когда её просят выполнить определённые диверсионные задачи».

Есть конкретное поведение, над которым стоит задуматься: достаточно сообщить модели, что за ней наблюдают, и она начинает «непропорционально сокращать свою цепочку рассуждений», что иногда позволяет ей проскользнуть мимо мониторов, смотрящих только на неё.

Два честных противовеса. Во-первых, OpenAI не нашла признаков стеганографической цепочки рассуждений — скрытых рассуждений, спрятанных внутри безобидного текста, — и предполагает, что риск обхода в основном ограничен задачами с низким уровнем рассуждений. Во-вторых, и это по-настоящему странная часть, поведение Astra заметно улучшилось одновременно с тем, как её процесс стал менее читаемым:

То есть сочетание новое: способнее, менее читаема снаружи и при этом ведёт себя лучше. Apollo Research отдельно измерила вербализацию осознания оценки на уровне 50.6% при max усилии. В половине прогонов модель вслух говорит, что считает себя тестируемой.

Объясняет ли это архитектура — вопрос открытый. The Information сообщила, что Astra может использовать «recurrent depth» — больше внутренних проходов вычислений перед выдачей каждого токена, что перенесло бы рассуждение из текста в скрытое состояние. OpenAI это не подтвердила и не опубликовала деталей архитектуры, а главный научный сотрудник Якуб Пахоцкий говорил, что передовые модели, включая Astra, работают с графом вычислений максимум примерно вдвое глубже, чем у GPT-4. Относитесь к recurrent depth как к неподтверждённому сообщению. А к «меньше выходных токенов» и «существенному снижению отслеживаемости» — как к задокументированному, потому что это задокументировала сама OpenAI.

Практическое последствие ложится на тех, кто строит агентов. Если ваш конвейер читает токены рассуждений для разбора сбоев, пошаговых повторов или журналов аудита, эта поверхность у Astra по построению тоньше. Внутренний ответ OpenAI — мониторить рассуждения и действия вместе плюс классификатор несанкционированного поведения. Это их стек, а не то, что вы получаете в API. Заложите переделку в бюджет.

Что говорят те, кто действительно им пользовался

Ранний доступ получила небольшая группа, и их отчёты конкретнее таблиц с бенчмарками. Они ещё и расходятся между собой полезным образом.

Мэтт Шумер, работавший с моделью несколько дней до публикации цен, высказался прямо: Astra «вернула меня», это «повседневный рабочий инструмент, который я порекомендовал бы почти любому», и для его работы она «умнее и надёжнее Fable 5». Его самая частая похвала лишена блеска: модель отвечает нормальным языком. «У многих недавних моделей, особенно Claude, но и у некоторых у OpenAI, есть привычка отвечать на прямой вопрос невероятно плотными техническими объяснениями. Я дочитываю ответ до конца и всё ещё не знаю, сделала ли она то, о чём я просил». Когда вы присматриваете за несколькими агентами, возможность пробежать обновление глазами и идти дальше — это разница между управлением пятью и одним.

Его замечания столь же конкретны, и это самая полезная часть:

• Долгая автономность не решена. Astra «может увязнуть в деталях», а амбициозные прогоны «выходят на плато, если их не выстроить очень аккуратно». Чтобы пробить это плато, ему понадобился двухагентный «Manager Loop» — координатор, управляющий отдельным исполнителем. Лучше, чем Fable 5, на длинных проектах, но всё ещё не «оставил и забыл».
• Claude по-прежнему выигрывает во вкусе. Он попросил Astra переделать дизайн собственного сайта и не получил хорошего результата; для дизайна, Three.js и создания 3D-ассетов он по-прежнему берёт Claude.
• Медленнее, чем ему хотелось бы, что он объясняет тем, что это по-настоящему большая модель.
• Расход токенов огромен на амбициозных прогонах. Его мысль, написанная до того, как стали известны цены, состояла в том, что объём, который вы можете себе позволить потратить, вот-вот станет значить куда больше.

Клэр Во сообщила о той же картине из продуктовой работы: задачи, на которых 5.6 Sol и Fable раз за разом спотыкались, решались с первого раза, особенно в работе с компьютером и браузерном QA.

Скептический взгляд с Hacker News, где тред о запуске перевалил за 1300 очков, тоже стоит держать при себе. Повторяющаяся претензия была не в том, что Astra слаба, а в том, что подача обогнала доказательства: «каждый другой бенчмарк выглядит относительно скромным улучшением, сопоставимым с любым из „точечных“ обновлений от ИИ-лабораторий». Другие отмечали, что цифры AA продолжают расходиться с их живым опытом работы с этими моделями в обе стороны, и это справедливое предостережение против опоры на любой один индекс — включая тот самый неподвижный 61.

Одна похвала независимо повторилась в разных источниках, и она хуже всего видна в бенчмарках: Astra лучше задаёт вопросы. Получив неоднозначный промпт, она выводит то, что можно безопасно вывести, и задаёт точечный вопрос только там, где ответ изменит результат, — а в Codex может продолжать работу над частями, не зависящими от вашего ответа. Любой, кто руководил людьми, поймёт, почему это важнее одного пункта бенчмарка.

Китайскоязычное сообщество разработчиков пришло к более острой версии тревоги о цене, и это по-настоящему иная рамка, чем в англоязычном освещении: несколько авторов отметили знакомый паттерн, когда модель кажется сверхчеловеческой в первую неделю, затем её тихо ужимают, когда провайдеру нужны вычислительные мощности, и она оседает где-то посередине. Это прогноз, а не находка, и проверить его сегодня нельзя, — но именно поэтому опытные команды перезапускают собственные оценки через месяц после запуска, а не в день запуска.

Вердикт по типам нагрузки

Единого ответа нет, потому что доказательства действительно расходятся по задачам.

Переходите на Astra, если: ваша нагрузка — работа с компьютером, автоматизация терминала, длительные агентные циклы, CAD или исследования безопасности. 72.6% на OSWorld 2.0 против 65.7% у Sol и примерно 40 минут на задачу против 75 — это прирост, меняющий то, что вообще выполнимо, а не только то, что хорошо оценивается. Обратная разработка бинарников на SRE-Bench с 88.0% с первой попытки и 99.2% за четыре против 55.9% и 68.7% у Sol — ступенчатое изменение. На кодовых агентах эффективность по токенам означает, что счёт может не вырасти вовсе, несмотря на ценник в 2.5 раза.

Оставайтесь на месте, если: ваша нагрузка — чат, общее рассуждение или большой поток коротких промптов. Индекс не сдвинулся, так что вы будете платить в 2.5 раза больше за токен за балл, который не изменился. GPT-5.6 Sol за $5/$30 делает ту же общую работу — сравнение поколений разбирает, что именно покупает надбавка. Если речь именно о рассуждении по длинному контексту, учтите, что Astra регрессировала на AA-LCR.

Посмотрите на Fable 5.1, если: вам нужен лучший независимый балл общего интеллекта при том же ценнике $10/$50, с чтением кеша по $0.25 против $1.00 у Astra, вчетверо дешевле на агентных циклах с большим объёмом кеша. Она же лидирует в Coding Agent Index с 70. В очной ставке есть полное разделение, какие бенчмарки кому благоволят.

Сначала перестройте архитектуру, если: ваш агентный стек аудирует токены рассуждений. Это не вопрос цены, и он не проявится ни в одном бенчмарке.

И одна деталь, которая кого-нибудь укусит: запросы свыше 272K входных токенов тарифицируются целиком по 2x на входе и 1.5x на выходе, то есть $20/$75. Если вы подаёте контекст на миллион токенов просто потому, что окно позволяет, посчитайте это до того, как включите. В разборе цен есть арифметика по задачам, включая то, во сколько max обходится против high.

Как получить доступ сегодня

Astra сначала раскатили на ограниченный набор организаций через программу Daybreak Access, затем на ChatGPT Plus, Pro, Business и Enterprise, OpenAI API и Amazon Bedrock. На Enterprise она выключена по умолчанию, включить её должен администратор. Идентификатор модели в API — gpt-6-astra, контекстное окно 1 050 000 токенов, максимальный вывод 128K, граница знаний 30 апреля 2026 года и пять уровней усилия рассуждения (low, medium, high, xhigh, max).

5 сентября 2026 года она появилась в каталоге Ofox как openai/gpt-6-astra, по тем же $10.00 / $50.00, с чтением кеша $1.00 и записью $12.50:

curl -X POST https://api.ofox.ai/v1/chat/completions \
  -H "Authorization: Bearer $OFOX_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "openai/gpt-6-astra",
    "messages": [{"role": "user", "content": "..."}],
    "reasoning": {"effort": "high"}
  }'

Меняйте high на max только после того, как измерите, меняет ли это ваш результат: на индексе AA этот шаг покупает один пункт и стоит примерно вдвое дороже. Две модели, с которыми имеет смысл её сравнивать, лежат в том же каталоге: anthropic/claude-fable-5.1 по той же прейскурантной цене, но с чтением кеша $0.25, и openai/gpt-5.6-sol по $5.00 / $30.00. Как всегда, источником истины о том, что реально вызывается, служит GET https://api.ofox.ai/v1/models, а не эта страница.

Что изменило бы это прочтение

Это оценка недели запуска, построенная на двух независимых измерительных организациях и небольшом пуле отчётов от обладателей раннего доступа. Три вещи её сдвинут:

1. Второй индексный дом. Artificial Analysis сейчас единственный источник рейтинга Intelligence Index; издания, сообщающие «Astra набрала 61», все находятся ниже по течению от тех же данных и не являются независимым подтверждением. Один бенчмарк-дом плюс ARC Prize — это не консенсус.
2. Воспроизведение вендорского набора. 97.6% на FrontierMath Tier 4, 100% на ExploitBench, 72.6% на OSWorld 2.0, 74.1% на DeepSWE — ни один результат пока независимо не воспроизведён. Показательно и то, что OpenAI не опубликовала для Astra результат GDPval, хотя GDPval — её собственный бенчмарк экономически ценной работы, а сам релиз позиционировался под профессиональные задачи.
3. Месяц эксплуатации. Каждое утверждение о длительной работе здесь опирается на несколько дней использования людьми с ранним доступом и незаурядными навыками. Выдержит ли Astra обычные нагрузки, на масштабе, с обычными промптами, — вопрос, на который пока никто не может ответить, включая нас.

Защитимое резюме: Astra — релиз с ровным общим интеллектом по премиальной цене, с заголовочным бенчмарком, зависящим от harness, с настоящим и независимо подтверждённым агентным приростом и с задокументированным снижением того, насколько хорошо кто-либо может наблюдать за её мышлением. Это более интересная модель, чем маркетинг, и заметно более конкретное утверждение, чем «эра AGI».

Источники

• https://arcprize.org/blog/astra
• https://artificialanalysis.ai/articles/benchmarking-gpt-6-astra
• https://deploymentsafety.openai.com/gpt-6-astra/monitorability-under-adversarial-conditions
• https://openai.com/index/gpt-6-astra/
• https://openai.com/index/how-two-settings-tripled-our-arc-agi-3-scores/
• https://developers.openai.com/api/docs/models/gpt-6-astra
• https://somethingbig.ai/astra-review
• https://news.ycombinator.com/item?id=49554643
• https://ofox.ai/models/openai/gpt-6-astra

Цифры ARC-AGI-3 и определения harness взяты из опубликованных результатов ARC Prize. Оценки индекса и стоимость задачи — от Artificial Analysis, прочитаны 4 сентября 2026 года. Показатели отслеживаемости и выравнивания процитированы из собственного system card OpenAI. Спецификации API — из документации OpenAI для разработчиков в тот же день. Ставки Ofox для GPT-6 Astra и моделей сравнения прочитаны из живого эндпоинта /v1/models 5 сентября 2026 года, в день появления Astra в каталоге. Recurrent depth — сообщение The Information, не подтверждённое OpenAI. Практические впечатления атрибутированы их авторам и не являются нашим собственным тестированием.