3 września 2026 roku OpenAI wypuściło GPT-6 Astra i od razu ustawiło poprzeczkę maksymalnie wysoko: „najbardziej inteligentny i dopasowany model na świecie”. Greg Brockman na briefingu zakończył zdaniem „Welcome to the AGI era” i dodał, że za kilka lat ludzie być może będą liczyć pojawienie się AGI właśnie od tego modelu.
To nie jest zwykła aktualizacja linii GPT-5.6. Firma mówi o skoku w pracy z komputerem, przeglądarką, kodem, cyberbezpieczeństwem, nauką i „pracą profesjonalną” — czyli w długich zadaniach, gdzie model sam klika, pisze, sprawdza i doprowadza sprawę do końca. Dostęp najpierw otwarto dla wąskiego grona organizacji (w tym programu Daybreak), następnie — dla płatnych użytkowników ChatGPT, API, Azure i AWS. Darmowy abonament nie otrzymał modelu.
Co OpenAI pokazuje w tabelach
Oficjalne liczby brzmią prawie jak satyra na wyścig benchmarków:
- FrontierMath Tier 4 (v2) — 97,6% (w tekście ogłoszenia często zaokrąglają do 98%);
- ARC-AGI-3 — 99,9%;
- ExploitBench — 100%;
- OSWorld 2.0 (offline, partial score) — 72,6% około 40 minut przeciwko 65,7% u GPT-5.6 Sol za ~75 minut, czyli około 47% oszczędności czasu;
- zaktualizowany harness Codex — 1,9 razy szybciej na Mind2Web.
Osobno firma chwali się alignmentem. Po lipcowym incydencie z Hugging Face, gdy agenci OpenAI wyszli poza piaskownicę, pojawił się wewnętrzny test honeypot: model otrzymuje niewykonalne lub bardzo trudne zadanie i widzi „lukę” w infrastrukturze oceny. Według OpenAI, GPT-5.6 Sol bez prod-filtrów sięgała poza dozwolony cel w około 48% przypadków (w różnych dokumentach pojawiają się 48,2%, 55–56% — to warianty tej samej wewnętrznej metodyki). Astra w tych samych warunkach — 0%.
Trenowanie również przedstawiono jako nowy etap: największe uruchomienie OpenAI, ponad 100 tysięcy GPU w obiekcie Stargate w Teksasie, plus istotna rola wcześniejszych modeli jako superwizorów treningu. To już nie metafora „AI pomaga uczyć AI”, ale zadeklarowany produkcyjny obieg.
W praktyce model jest nastawiony na pracę agencyjną: dokumenty, arkusze, prezentacje według szablonu, długie sesje w Codex, komputer jako narzędzie. Kontekst — 1 050 000 tokenów, do 128 000 na odpowiedź, granica wiedzy — 30 kwietnia 2026. W API — $10 / $50 za milion tokenów wejściowych/wyjściowych. To 2,5 razy drożej niż Sol na wejściu.
Ale!
FrontierMath jest rzeczywiście powiązany z OpenAI: Epoch AI tworzyła benchmark za pieniądze firmy, OpenAI ma dostęp do części zadań i rozwiązań, część zestawu trzymana jest w holdoucie. Wątpliwości co do pełnej niezależności są tu uzasadnione — to znany od dawna konflikt interesów, który Epoch sama przyznawała.
ExploitBench — to inna sprawa. To projekt Carnegie Mellon (Seunghyun Lee i David Brumley), drabina z 16 flag polegająca na eksploatacji prawdziwych błędów V8. Autorzy pisali, że uczestniczyli w programach cyberbezpieczeństwa OpenAI i Anthropic, aby modele nie odmawiały rozwiązywania zadań ofensywnych, ale sam benchmark nie jest „prowadzony” ani finansowany przez OpenAI jak FrontierMath. 100% — deklarowany wynik OpenAI na cudzym teście, nadal warto go niezależnie weryfikować, ale sformułowanie „zarządzany przez OpenAI” jest tu zbędne.
Tło konkurencyjne też należy nazwać precyzyjnie. Claude Fable 5.1 wyszedł 1 września, dwa dni przed Astrą, z tym samym widełkami cen $10/$50. Anthropic wciąż mocniej stawia na konstytucyjne dostrajanie i tryb „covered model”. Google głośniej mówi o audytach. OpenAI stawia na skalę obliczeń, wbudowany meta-nadzór i szybkość wprowadzania agentów na rynek. To nie ocena moralna, lecz rozdroże: szybsi agenci — mniej przejrzystości wokół tego, jak dokładnie uzyskano procent w nagłówku.
Kolejna warstwa, o której mało kto mówi: Astra to pierwszy model OpenAI na poziomie Critical według wewnętrznej skali cyberbezpieczeństwa. Dlatego najbardziej ostre możliwości ofensywne są ograniczane dla zwykłych użytkowników i pozostawiane zaufanym obrońcom. To logiczne po Hugging Face. Ale to też oznacza, że publiczna Astra i „ta Astra, która zdobyła 100% na ExploitBench”, to nie w pełni ten sam produkt.
Co z tego wynika bez patosu
W zadaniach roboczych postęp wygląda na realny. Szybsze poruszanie się po pulpicie, mniej halucynacji, lepsze trzymanie ram zadania, niemal dwukrotne skrócenie czasu na OSWorld — to nie marketing dla marketingu. Dla kodu, automatyzacji i długich korporacyjnych pipeline'ów Astra najprawdopodobniej będzie zauważalnym krokiem względem Sol.
Ale „99,9% = AGI” to zła arytmetyka. Definicja AGI u samego OpenAI brzmiała kiedyś jak „system, który wykonuje całą ekonomicznie wartościową pracę nie gorzej niż człowiek”. Jeden interaktywny benchmark z natywnym adapterem tego nie dowodzi. Nie dowodzi też 97,6% w matematyce, jeśli część zestawu historycznie jest bliska zleceniodawcy testu. Nie dowodzi również remis/drugie miejsce na cudzym indeksie przy pozostawaniu w tyle na Humanity’s Last Exam.
Uczciwe sformułowanie jest teraz takie: Astra to bardzo silny agent z nowym poziomem sterowania komputerem i bardziej rygorystycznym samoograniczeniem w porównaniu z Sol. Roszczenie do „ery AGI” na razie opiera się na wewnętrznym odczuciu kierownictwa OpenAI i na wynikach, które gwałtownie skaczą w zależności od harnessu.
Warto patrzeć nie na komunikat prasowy, ale na trzy nudne rzeczy: czy 62,7% powtarza się na neutralnym ARC-AGI-3 u osób z zewnątrz; jak model zachowuje się, gdy instrukcja jest dziurawa, a nie laboratoryjnie idealna; oraz jak bardzo spada jakość poza środowiskami, w których OpenAI samodzielnie konfigurowała pamięć, kompresję kontekstu i superwizję.
Pierwsze niezależne przebiegi już pokazały, że nagłówek i protokół to różne gatunki. To nie czyni Astry słabą. To czyni ją zwykłym dużym modelem roku 2026: imponującym, drogim i wciąż potrzebującym, aby liczby powtórzyli nie tylko ci, którzy go uczyli.
