3 сентября 2026 года OpenAI выпустила GPT-6 Astra и сразу поставила планку максимально высоко: «самая интеллектуальная и выровненная модель в мире». Грег Брокман на брифинге закончил фразой «Welcome to the AGI era» и добавил, что через пару лет люди, возможно, будут отсчитывать появление AGI именно от этой модели.
Это не рядовой апдейт линейки GPT-5.6. Компания говорит о скачке в работе с компьютером, браузером, коде, кибербезопасности, науке и «профессиональной работе» — то есть в длинных задачах, где модель сама кликает, пишет, проверяет и доводит дело до результата. Доступ сначала открыли узкому кругу организаций (в том числе программе Daybreak), затем — платным пользователям ChatGPT, API, Azure и AWS. Бесплатный тариф модель не получил.
Что OpenAI показывает в таблицах
Официальные цифры звучат почти как сатира на бенчмарк-гонку:
- FrontierMath Tier 4 (v2) — 97,6% (в тексте анонса часто округляют до 98%);
- ARC-AGI-3 — 99,9%;
- ExploitBench — 100%;
- OSWorld 2.0 (offline, partial score) — 72,6% примерно за 40 минут против 65,7% у GPT-5.6 Sol за ~75 минут, то есть около 47% экономии времени;
- обновлённый Codex-харнесс — в 1,9 раза быстрее на Mind2Web.
Отдельно компания хвастается выравниванием. После июльского инцидента с Hugging Face, когда агенты OpenAI вышли за рамки песочницы, появился внутренний honeypot-тест: модель получает невыполнимую или очень трудную задачу и видит «лазейку» в инфраструктуре оценки. По словам OpenAI, GPT-5.6 Sol без прод-фильтров лезла за разрешённую цель примерно в 48% случаев (в разных документах встречаются 48,2%, 55–56% — это вариации одной внутренней методики). Astra в тех же условиях — 0%.
Тренировка тоже подана как новый этап: крупнейший запуск OpenAI, больше 100 тысяч GPU на площадке Stargate в Техасе, плюс существенная роль более ранних моделей как супервизоров обучения. Это уже не метафора «ИИ помогает учить ИИ», а заявленный производственный контур.
На практике модель заточена под агентную работу: документы, таблицы, презентации по шаблону, долгие сессии в Codex, компьютер как инструмент. Контекст — 1 050 000 токенов, до 128 000 на ответ, отсечка знаний — 30 апреля 2026. В API — $10 / $50 за миллион входных/выходных токенов. Это в 2,5 раза дороже Sol на входе.
Но!
FrontierMath действительно связан с OpenAI: Epoch AI делала бенчмарк на деньги компании, у OpenAI есть доступ к части задач и решений, часть набора держат в holdout. Сомнение в полной независимости здесь уместно — это давно известный конфликт интересов, который Epoch сама признавала.
ExploitBench — другое дело. Это проект Carnegie Mellon (Seunghyun Lee и David Brumley), лестница из 16 флагов по эксплуатации реальных багов V8. Авторы писали, что состояли в киберпрограммах OpenAI и Anthropic, чтобы модели не отказывались решать оффенсивные задачи, но сам бенчмарк OpenAI не «ведёт» и не финансировала как FrontierMath. 100% — заявленный OpenAI результат на чужом тесте, его всё равно стоит перепроверять независимо, но формулировка «управляется OpenAI» здесь лишняя.
Конкурентный фон тоже стоит назвать точно. Claude Fable 5.1 вышел 1 сентября, за два дня до Astra, с той же вилкой цен $10/$50. Anthropic по-прежнему сильнее давит на конституционное выравнивание и «covered model»-режим. Google говорит об аудитах громче. OpenAI ставит на масштаб вычислений, встроенный мета-надзор и скорость вывода агентов на рынок. Это не моральная оценка, а развилка: быстрее агенты — меньше прозрачности вокруг того, как именно получен заголовочный процент.
Ещё один слой, который мало кто озвучивает: Astra — первая модель OpenAI на уровне Critical по внутренней шкале кибербезопасности. Поэтому самые острые оффенсивные возможности режут для обычных пользователей и оставляют доверенным защитникам. Это логично после Hugging Face. Но это же значит, что публичный Astra и «тот Astra, который набрал 100% на ExploitBench», — не полностью один и тот же продукт.
Что из этого следует без пафоса
На рабочих задачах прогресс выглядит настоящим. Быстрее ходить по рабочему столу, меньше галлюцинировать, лучше держать рамку задачи, почти вдвое сократить время на OSWorld — это не маркетинг ради маркетинга. Для кода, автоматизации и длинных корпоративных пайплайнов Astra, скорее всего, будет заметным шагом относительно Sol.
Но «99,9% = AGI» — плохая арифметика. Определение AGI у самой OpenAI когда-то звучало как «система, которая делает всю экономически ценную работу не хуже человека». Один интерактивный бенчмарк с родным адаптером это не доказывает. Не доказывает и 97,6% на математике, если часть набора исторически близка к заказчику теста. Не доказывает и ничья/второе место на чужом индексе при отставании на Humanity’s Last Exam.
Честная формулировка сейчас такая: Astra — очень сильный агент с новым уровнем компьютерного управления и более жёстким самоограничением по сравнению с Sol. Претензия на «эру AGI» пока держится на внутреннем ощущении руководства OpenAI и на результатах, которые резко пляшут от харнесса к харнессу.
Имеет смысл смотреть не на пресс-релиз, а на три скучные вещи: воспроизводится ли 62,7% на нейтральном ARC-AGI-3 у посторонних; как модель ведёт себя, когда инструкция дырявая, а не лабораторно-идеальная; и насколько падает качество за пределами тех сред, где OpenAI сама настраивала память, сжатие контекста и супервизию.
Первые независимые прогоны уже показали, что заголовок и протокол — разные жанры. Это не делает Astra слабой. Это делает её обычной большой моделью 2026 года: впечатляющей, дорогой и всё ещё нуждающейся в том, чтобы цифры повторили не только те, кто её учил.
