OpenAI GPT-6 Astra: Agent Computer-Use Ambang Kritikal

OpenAI GPT-6 Astra: Agent Computer-Use yang Dikawal Ambang Kritikal

OpenAI baru sahaja melancarkan GPT-6 Astra — dan ia sengaja bukan model chat. Syarikat itu memanggilnya model paling pintar dan paling selaras (aligned) yang pernah mereka hasilkan, dan meletakkannya terutamanya sebagai sistem computer-use yang mengendalikan perisian macam manusia: merentas pelayar, spreadsheet, aplikasi desktop, dan terminal, menyelesaikan kerja berbilang langkah dan bukannya sekadar menerangkan cara menyelesaikannya. Ini juga satu kejadian pertama: Astra ialah model pertama yang ditetapkan OpenAI sebagai mencapai ambang Critical dalam kerangka keselamatan Preparedness Framework, dan penetapan itu menentukan siapa yang boleh menggunakannya langsung.

Apa Yang Sebenarnya Baharu Untuk Developer

Perubahan paling menarik untuk developer ialah pengendalian konteks. Codex sebelum ini menggunakan compaction — meringkaskan giliran terdahulu sebaik sahaja konteks penuh. Proses itu membuang tepat butiran yang diperlukan oleh agent kemudian: kenapa satu pembetulan gagal, ujian mana yang dijalankan, keperluan mana yang ditambah awal. Astra sebaliknya menyimpan notes merentas context windows dan mencari semula ke dalam mesej terdahulu serta tool output. Ciri ini tersedia secara eksperimen di sebalik tetapan config.toml dan akan menjadi lalai Codex dalam beberapa minggu akan datang.

# config.toml — memori merentas tetingkap berasaskan notes dalam Codex
[agent]
notes = true              # simpan notes berterusan merentas context windows
search_history = true      # cari semula giliran terdahulu dan tool output
# compaction digantikan dengan pengekalan berasaskan notes

Astra juga boleh bertanya kepada pengguna sambil meneruskan kerja yang tidak bergantung pada jawapan — menghapuskan satu corak kegagalan agent yang biasa di mana satu keputusan belum selesai menyebabkan keseluruhan kerja terhenti.

Spesifikasi Model dan Keupayaan

Pada halaman developer, Astra menyenaraikan context window 1,050,000 token, maksimum 128,000 output token, dan tanggal pengetahuan (knowledge cutoff) 30 April 2026. Input ialah teks dan imej; output teks sahaja. reasoning.effort menambah dua tahap baharu di atas high — iaitu xhigh dan max. Sokongan tools meliputi computer use, hosted shell, apply patch, skills, MCP, dan tool search. Fine-tuning tidak disokong.

Gambaran Benchmark: Mengagumkan Sehingga Tiba di Coding

OpenAI melaporkan 72.6% pada OSWorld V2-Offline berbanding 65.7% untuk GPT-5.6 Sol, dengan masa tugas purata turun daripada kira-kira 75 minit kepada 40. Anthropic melaporkan 77.9% untuk Claude Fable 5.1 tetapi secara jelas menyatakan mereka menggunakan versi OSWorld yang berbeza dan tidak sepatutnya dibandingkan terus — satu peringatan bahawa versi benchmark memang berubah-ubah.

Astra mendapat 99.9% pada ARC-AGI-3. Angka itu wajar diterima dengan sedikit keraguan: ia dihasilkan menggunakan harness Responses API yang mengekalkan reasoning antara giliran dan menggunakan compaction untuk konteks panjang, dan OpenAI sebelum ini telah menunjukkan bahawa tetapan tersebut menggerakkan skor ARC-AGI-3 dengan ketara tanpa mengubah model. Keputusan itu mengukur model serta sistem agent itu sekali gus.

Angka lain yang dilaporkan: 97.6% pada FrontierMath Tier 4, 95.9% pada BenchCAD Vision2Code berbanding 84.3% untuk Fable 5.1, dan 64.6% pada Terminal-Bench Science berbanding 52.6% milik Anthropic. Untuk konteks, Epoch AI mencatat bahawa OpenAI membiayai FrontierMath dan memegang akses eksklusif kepada sebahagian daripadanya — wajar diingat apabila membaca tajuk utama.

Coding ialah titik lemah dalam cerita ini. Astra mendapat 74.1% pada DeepSWE v1.1 berbanding 72.7% untuk Sol, Meta melaporkan 75.4% untuk Muse Spark 1.3 pada reasoning maksimum, dan papan pendahulu awam meletakkan Gemini 3.8 Flash serta Claude Opus 5 hampir pada 74%. Pada benchmark 113 tugasan, jurang itu cuma satu atau dua tugasan. Untuk model yang dipasarkan sebahagiannya untuk kerja terminal, keputusan coding yang sekadar "dalam kelompok" ialah tajuk yang paling jujur.

Keupayaan Siber Menentukan Model Akses

Astra ialah model pertama yang melepasi ambang Critical OpenAI dalam keselamatan siber. Dalam ujian, ia membangunkan exploit untuk pelayar dan sistem pengendalian yang dikeraskan dan menemui dua kelemahan V8 yang sebelum ini tidak diketahui yang OpenAI katakan sedang didedahkan (disclosed) kepada maintainer.

Akibatnya sangat praktikal. Akses standard menolak kerja keselamatan siber lanjutan termasuk pencarian exploit. Untuk API developer, semakan keselamatan siber menghentikan tugasan serta-merta dan bukannya berhenti untuk kelulusan. Mia Glaese daripada OpenAI memberi amaran bahawa pengguna di luar program yang dipercayai mungkin berdepan dengan perlambatan, jeda, atau sekatan — kadang-kadang semasa kerja yang tiada kaitan. Dalam istilah benchmark, OpenAI melaporkan 100% pada ExploitBench dan 42.4% pada ExploitGym berbanding 30.3% untuk Sol, dengan had masa enam jam yang biasa dibuang untuk kedua-duanya.

Ketersediaan dan Harga

Astra ialah model tertutup dan dihoskan tanpa weights dikeluarkan — self-hosting di luar pilihan. Ia tersedia hari ini hanya untuk organisasi dalam program Trusted Access dan Daybreak (pertahanan siber) OpenAI, dengan akses API dan AWS tiba dalam beberapa hari akan datang.

Harga: $10 setiap juta input token, $50 setiap juta output, dengan input tersimpan (cached) pada $1.00. Permintaan melebihi 272K input token dicaj pada 2x input dan 1.5x output untuk keseluruhan permintaan. Batch dan Flex berjalan pada 50%; Fast mode pada 2x. Pengguna Pro, Business, dan Enterprise turut mendapat Astra Pro.

Kesimpulan Untuk Pasukan yang Membina Agent

GPT-6 Astra ialah isyarat kuat tentang arah infrastruktur agent: ketekalan konteks (notes mengalahkan compaction), interaksi pengguna tanpa menyekat, dan safety gating yang dibenamkan dalam tier akses dan bukannya ditampal kemudian. Ambang siber ialah bahagian paling penting — satu lab frontier kini menolak permintaan tertentu di lapisan API secara lalai, yang mengubah cara anda mereka bentuk pipeline agent yang menyentuh tugasan berkaitan keselamatan. Jika anda membina agent untuk kerja terkawal atau sensitif keselamatan, rancang untuk realiti bahawa model yang anda panggil mungkin menolak satu langkah yang anda anggap tidak berbahaya, dan reka bentuk pipeline anda supaya ia merosot secara terkawal dan bukannya terhenti.

Rumusan Ringkas

• Astra ialah model computer-use terlebih dahulu: 72.6% OSWorld V2-Offline, masa tugasan turun daripada ~75 kepada ~40 minit.
• Notes menggantikan compaction dalam Codex, jadi run agent panjang tidak lagi kehilangan butiran kegagalan.
• Peningkatan coding marginal: 74.1% DeepSWE v1.1 hanya berada dalam kelompok papan pendahulu.
• Model pertama pada ambang Critical OpenAI; akses standard menolak kerja exploit.
• Tiada open weights, $10/$50 setiap juta token, konteks 1.05M, API dan AWS dalam beberapa hari.

Keputusan besar OpenAI dalam agent ada akibatnya — lihat OpenAI Potong Cursor Selepas Diambil SpaceX untuk cara syarikat itu menguatkuasakan sempadan ekosistemnya sendiri. Baca pengumuman OpenAI dan halaman model GPT-6 Astra untuk spesifikasi penuh.

Sumber

• OpenAI: GPT-6 Astra: A new generation of intelligence
• OpenAI: GPT-6 Astra model page