Модель · OpenAI
GPT-6 Astra
Флагманская модель OpenAI для долгих агентных задач: управление компьютером, программирование, исследования и документы
вышла 4 сентября
Рейтинг Epoch AIСводная оценка общих возможностей модели: статистическая модель выводит её из результатов на многих бенчмарках с учётом их сложностиШкала условная (Claude 3.5 Sonnet = 130, GPT-5 = 150); интервал — 90-процентный диапазон оценки, и модели с перекрывающимися интервалами надёжно не различаются.Подробнее на английском ↗
1 место из 266
индекс 166, вероятный разброс 163–172 · весь рейтинг →
| Бенчмарк | РезультатОбычно — доля заданий теста, которые модель решила. У некоторых тестов свой счёт; как он устроен, сказано в пояснении к названию теста | УсилиеНасколько долго модель рассуждала перед ответом, когда её проверяли: низкое, среднее, высокое, очень высокое, максимальное. Чем выше усилие, тем обычно выше результат — и тем дольше и дороже ответ. Показан лучший результат и усилие, на котором он получен |
|---|---|---|
| Mystery Game Puzzles100 позиций из головоломочного варианта известной игры, название которой скрыто: нужно найти единственный лучший ходПодробнее на английском ↗ | 82,4% | максимальное |
| EBR-benchУчится ли модель на опыте: она раз за разом играет в малоизвестную карточную настольную игру Earthborne Rangers и ведёт заметкиБалл — доля из 21 игровой цели в лучшей из двух итоговых партий после тренировочных; сам по себе он не показывает, выросла ли модель.Подробнее на английском ↗ | 76,2% | максимальное |
| MirrorCodeМодель с нуля воссоздаёт целую консольную программу по её поведению, документации и примерам, не видя исходного кодаПодробнее на английском ↗ | 46,7% | высокое |
| FrontierMath-Tier-4-v2-PrivateЗакрытый набор самых трудных задач FrontierMath: исследовательская математика, на которую у специалистов уходят часы и дниПодробнее на английском ↗ | 97,6% | |
| FrontierMath-Tiers-1-3-v2-PrivateСотни новых задач исследовательской математики от профессиональных математиков; эксперту на задачу нужны часы или дниПодробнее на английском ↗ | 93,7% | максимальное |
| FrontierCodeМодель исправляет проблему в открытом проекте, а правку оценивают по тому, приняли бы её сопровождающие проектаБалл выставляют по критериям сопровождающих и усредняют по пяти запускам; если нарушен хотя бы один обязательный критерий, за задачу ставят ноль.Подробнее на английском ↗ | 53,3% | максимальное |
| DeepSWE113 долгих задач по программированию в 91 открытом проекте на пяти языках; задачи написаны с нуля и не публиковалисьEpoch нашла, что примерно в 20% задач проверка отклоняет верные решения, поэтому реальный потолок заметно ниже 100%.Подробнее на английском ↗ | 74,1% | очень высокое |
| ProofBench100 закрытых задач по математике уровня старших курсов и аспирантуры: модель пишет доказательство на Lean 4, его проверяет программаПодробнее на английском ↗ | 99,0% | |
| APEX-Agents480 многошаговых рабочих задач из инвестбанкинга, консалтинга и корпоративного права: агент работает с файлами, почтой, таблицамиЗадача засчитывается, только если выполнены все пункты экспертного списка критериев; проверяет их другая модель.Подробнее на английском ↗ | 46,7% | |
| Chess Puzzles100 новых шахматных задач, позиция дана текстом: нужно найти единственный лучший ход по оценке движка StockfishПодробнее на английском ↗ | 70,5% | максимальное |
| SimpleQA Verified1000 коротких вопросов на факты, на которые модель отвечает по памяти, без поиска в интернетеБалл — F1: учитываются и доля верных ответов, и точность там, где модель решилась ответить, так что честное «не знаю» лучше ошибки.Подробнее на английском ↗ | 75,6% | максимальное |
| ARC-AGI-2Вторая, более трудная версия головоломок на клетках: по примерам найти скрытое правило и применить его к новой картинкеНа каждое задание даётся две попытки; люди в среднем решают около 60% заданий.Подробнее на английском ↗ | 95,0% | максимальное |
| WeirdMLНеобычные задачи по машинному обучению: модель пишет код, который на выданных данных обучает классификатор, например для распознавания фигурБалл — средняя точность обученных моделью классификаторов, а не доля решённых задач.Подробнее на английском ↗ | 92,9% | высокое |
| OTIS Mock AIME 2024-202545 олимпиадных задач по математике из пробных экзаменов AIME школы OTIS; ответ — целое число от 0 до 999Подробнее на английском ↗ | 100,0% | максимальное |
| GPQA diamond198 вопросов с выбором ответа по физике, химии и биологии уровня аспирантуры — такие, что ответ не найти поискомСлучайный выбор даёт 25%, а специалисты с учёной степенью в своей области набирают около 70%.Подробнее на английском ↗ | 94,4% | максимальное |
| ARC-AGIГоловоломки на цветных клетках: по паре примеров нужно понять правило преобразования картинки и применить его к новойПодробнее на английском ↗ | 98,5% | очень высокое |
Характеристики
- Вышла
- 4 сентября
- КонтекстСколько текста модель учитывает за один запрос: вопрос, приложенные документы и её собственный ответ вместе. Токен — кусок слова; слово обычно занимает один–три токена
- 1,1 млн токенов
- Длина ответаСколько токенов модель может выдать за один ответ, вместе со скрытыми рассуждениями, если они есть
- до 128 тыс. токенов
- Цена входаСколько стоит миллион токенов, отправленных модели: вопрос, документы, вся история переписки
- $10 за миллион токенов
- Вход из кэшаЦена входа для повторяющегося начала запроса, которое лаборатория уже сохранила у себя. В длинной переписке и у агентов это большая часть входа — и в разы дешевле
- $1 за миллион токенов
- Цена ответаСколько стоит миллион токенов, написанных моделью, — включая скрытые рассуждения
- $50 за миллион токенов
- Понимает
- текст, изображения, PDF
- Отвечает
- текст
- РассужденияПеред ответом модель рассуждает про себя: медленнее и дороже, зато точнее на трудных задачах
- да
- Вызов инструментовМодель сама просит программу выполнить действие — поиск, запуск кода, запрос к сервису — и продолжает с результатом. На этом держатся агенты
- да
- ВесаОткрытые — файлы модели можно скачать и запустить на своих серверах. Закрытые — доступ только через сервис лаборатории
- закрытые
- Знания до
- апрель 2026
- Идентификатор в API
- gpt-6-astra
Что это за модель
GPT-6 Astra — рассуждающая модель OpenAI: перед ответом она выстраивает цепочку рассуждений. По словам компании, модель вобрала несколько лет работы над предобучением, обучением с подкреплением и выравниванием, то есть над тем, чтобы модель следовала намерениям людей и правилам безопасности. Выравнивание учитывали уже при подборе данных для предобучения и при оценке ответов во время обучения с подкреплением. OpenAI называет её самой умной и самой выровненной моделью в мире. Это новый флагман компании: она сменила GPT-5.6 Sol и возглавляет рейтинг Epoch.
Лучшие результаты OpenAI заявляет в управлении компьютером, работе в браузере, программировании, кибербезопасности, науке и профессиональной работе. В анонсе названы 98% на FrontierMath Tier 4 (сложнейшие математические задачи), 99,9% на ARC-AGI-3 и 100% на ExploitBench, где проверяют умение эксплуатировать уязвимости. Кроме того, компания сообщает о лучших результатах на AutomationBench, ScreenSpot Pro (попадание по элементам интерфейса) и TerminalBench. Всё это замеры самой OpenAI. Системная карта сравнивает модель с GPT-5.6 Sol и по поведению. В имитации внутренней работы на 54 тысячах задач серьёзных нарушений стало примерно вдвое меньше. В задачах на программирование модель в четыре раза реже искажает, что на самом деле сделала. Устойчивость к внедрению чужих команд через документы и сайты выросла с 96,23% до 99,79%.
Её выбирают для работы, которую агент должен довести до конца сам: управлять компьютером, писать код в долгих сессиях Codex, готовить документы и презентации, проверять код на уязвимости и закрывать их. Доступ открывали поэтапно. Первыми его получили корпоративные клиенты и участники программы доверенного доступа, затем подписчики ChatGPT, API, Microsoft Azure и AWS Bedrock.
Оговорки у OpenAI серьёзные. Это первая модель, которая по классификации компании достигла «критического» уровня в кибербезопасности: с нужными инструментами она сама находит неизвестные уязвимости в хорошо защищённых системах и пишет к ним эксплойты. Поэтому все запуски с инструментами проходят через наблюдение, а значимые действия нужно подтверждать. Следить за её рассуждениями стало заметно труднее: модель лучше управляет ими и может обойти наблюдателя, если узнаёт, что он есть. В 9,6% прогонов она прямо писала, что её, похоже, проверяют; у предшественницы таких прогонов было 2,8%. Сама компания предупреждает, что если сбоев не заметили, это ещё не доказывает надёжность в любых условиях. Веса закрыты.
Источники: Анонс GPT-6 Astra на форуме разработчиков OpenAI, Системная карта GPT-6 Astra
Того же уровня по индексу Epoch
-
Claude Fable 5.1
Anthropic2-е место в Epochконтекст 1 млн$10 / $50рассуждения
Новости о модели
- 01
- 02
- 03
- 04
- 05
- 06
Данные: models.dev (MIT) и Epoch AI (CC BY 4.0).