ИИтак
Поиск

← Назад

модель · OpenAI · вышла 4 сентября

GPT-6 Astra

Флагманская модель OpenAI для долгих агентных задач: управление компьютером, программирование, исследования и документы

рекомендации разработчика

О модели

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 ↗

Рейтинг Epoch AIСводная оценка общих возможностей модели: статистическая модель выводит её из результатов на многих бенчмарках с учётом их сложностиПодробнее на английском ↗

весь рейтинг

1место из 268индекс 167вероятный разброс 163–172

  • DTBenchВопросы с выбором ответа по теории принятия решений в задачах вроде парадокса Ньюкома, где твой выбор говорит о выборе похожих на тебяСлучайный выбор даёт около 40%, так что это нижняя планка, а не ноль.Подробнее на английском ↗95,6%очень высокое
  • LMCAНасколько оценки моделью доводов в философии, теории решений и безопасности ИИ совпадают с оценками экспертовБалл — корреляция с оценками экспертов, умноженная на 100; практический потолок около 85, а не 100.Подробнее на английском ↗75,7%очень высокое
  • 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 ↗64,7%
  • Chess Puzzles100 новых шахматных задач, позиция дана текстом: нужно найти единственный лучший ход по оценке движка StockfishПодробнее на английском ↗70,5%максимальное
  • Remote Labor IndexНастоящие заказы с фриланс-площадок — дизайн, архитектура, анализ данных, программирование — выполняемые агентом целикомЧисло — доля заказов, выполненных так, что заказчик принял бы работу; даже у лидеров это немного.Подробнее на английском ↗20,8%
  • 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
  • HLEHumanity's Last Exam: 2500 вопросов экспертного уровня по математике, естественным и гуманитарным наукам, ответ не найти поискомПодробнее на английском ↗52,5%
  • 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 ↗93,6%
  • 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
  • BalrogМодель играет в шесть текстовых и клеточных игр, от простых головоломок до NetHack, где нужно выжить и продвинутьсяБалл — средний прогресс от 0 до 100 по всем играм; в NetHack даже лидеры продвигаются очень мало.Подробнее на английском ↗68,3%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

Новости о модели

все упоминания · 133

  1. OpenAI выпустила модель GPT-6 Cyber для поиска уязвимостей

    GPT-6 Cyber обучали соблюдать границы проверки, заданные оператором; модель уже помогает защищать ядро Linux и браузер Firefox.

  2. Модель для роботов MolmoAct 2 заняла второе место в тестах на роботе Franka

    По данным Ai2, модель для роботов MolmoAct 2 без дообучения под задачи испытаний уступила лишь GPT-6 Astra в тестах на роботизированной руке Franka.

  3. GPT-6 Astra спроектировала устройство, но без доработок его не выпустить

    Два сотрудника OpenAI меньше чем за неделю получили от GPT-6 Astra проект устройства без ручных правок, но модель не всегда учитывала требования производства.

  4. Открытая модель для науки обошла GPT-6 Astra в тесте OpenAI, заявили авторы

    Deep Principle дообучила GLM-5.3 на лабораторных записях и выложила файлы готовой модели без обучающих данных; по её замерам, модель опережает GPT-6 Astra в исследовательских задачах, но уступает в разборе спектров.

  5. OpenAI подключает агентов Dots к GPT-6.1 Terra, чтобы открыть их большему числу людей

    Кроме GPT-6 Astra, агенты Dots в ChatGPT получат быструю GPT-6.1 Terra: по словам Тибо Соттио из OpenAI, она поможет открыть их большему числу людей.

  6. GPT-6 Astra напрямую правит числа внутри других нейросетей, показали в MIT

    GPT-6 Astra без обучения поправила 0,016% весов (числовых параметров) маленькой нейросети Qwen: результат в математическом тесте вырос с 7,9% до 48,1%, потому что та реже зацикливается.

Данные: models.dev (MIT) и Epoch AI (CC BY 4.0).