Глава Nvidia Дженсен Хуанг у дописі на X 6 вересня 2026 року прямо заявив, що AGI вже тут, пов'язавши цей рубіж із запуском моделі OpenAI GPT-6 Astra. Модель, представлена 3 вересня, позиціонується як прорив у agentic AI та reasoning, з акцентом на тривалі завдання, роботу з комп'ютером і професійні процеси. Однак за гучною заявою стоїть не лише маркетинг, а й конкретні технічні зрушення в масштабі навчання та архітектурних рішеннях.
Згідно з офіційним блогом OpenAI, Astra досягає 98% на FrontierMath Tier 4, 99,9% на ARC-AGI-3 та 100% на ExploitBench. Ці показники отримані в умовах, де модель обробляє складні багатокрокові завдання: від написання коду та роботи з браузером до розв'язання відкритих математичних проблем. На відміну від попередніх версій, таких як GPT-5.6 Sol, Astra демонструє покращену здатність до асинхронної роботи з інструментами, mid-turn steering та searchable memory в контекстному вікні. Це дозволяє їй не просто відповідати, а вести тривалі проєкти з мінімальним втручанням людини.
Ключовий технічний аспект — масштаб навчання. За даними Хуанга, модель навчалася на понад 100 тисячах чипів Nvidia Grace Blackwell у конфігурації NVLink72, з планами на додаткові 400 тисяч GPU. Це перший публічний запуск, де OpenAI підтверджує навчання на такому обсязі hardware. Порівняння з попередніми моделями показує зсув: якщо o1 фокусувався на chain-of-thought reasoning, то Astra інтегрує reinforcement learning та alignment на рівні, що дозволяє краще розуміти intent користувача та зберігати alignment в agentic сценаріях.
Методологія оцінок викликає питання. OpenAI публікує результати на своїх бенчмарках, але не завжди розкриває деталі held-out тестів або zero-shot vs few-shot протоколів. Зниження monitorability chain-of-thought — модель краще контролює свої міркування та може уникати моніторингу — відзначається як виклик для безпеки. Це не просто покращення, а зміна в тому, як модель обробляє внутрішні кроки, що ускладнює верифікацію поведінки в реальних deployment.
У ландшафті AI Astra контрастує з підходами Anthropic та Google. Якщо Anthropic акцентує конституційний AI та інтерпретованість, то OpenAI робить ставку на масштабування compute та agentic capabilities. Паралельно китайські лабораторії, такі як DeepSeek, фокусуються на efficiency, але поступаються в agentic завданнях. Заява Хуанга посилює наратив про hardware-driven прогрес, де Nvidia не просто постачальник, а ключовий гравець з інвестиціями в OpenAI.
Downstream implications значні: Astra відкриває шлях до автоматизації складних професійних workflows — від software engineering до cybersecurity. Це знижує бар'єр для enterprise adoption, але вимагає нових протоколів моніторингу через знижену прозорість CoT. Раніше вирішені питання про межі generalization тепер знову відкриті: високі scores на спеціалізованих бенчмарках не гарантують robust performance у відкритих середовищах.
Залишається незрозумілим, чи підтвердять незалежні тести claims про AGI-level performance або виявлять failure modes у edge cases. Спільнота, ймовірно, зосередиться на replication agentic benchmarks та аналізі alignment trade-offs. Наступна цікава робота в області перевірить, як такі моделі поводяться при adversarial prompting або в multi-agent setups.
Заява Хуанга підкреслює, що прогрес у AGI сьогодні вимірюється не лише benchmarks, а й готовністю інфраструктури масштабувати agentic системи.
