GPT‑6 Astra против GPT‑5.6 Sol: что реально изменилось после релиза

Astra уже вышла — и теперь видна реальная разница с GPT‑5.6 Sol

3 сентября OpenAI начала rollout GPT‑6 Astra. После pre-release заявлений о Critical cybersecurity capability появились полные benchmark, pricing, availability и safety overview. Главный вывод: Astra — не просто «Sol, но умнее». Самый большой скачок произошёл там, где модель должна не отвечать, а долго действовать сама.

Artificial Analysis Intelligence Index почти не изменился: 61,2 у Astra против 60,9 у GPT‑5.6 Sol. Но AutomationBench — 41,4% против 18,1%, ScreenSpot-Pro — 92,7% против 76,9%, OSWorld 2.0 — 72,6% против 65,7%. Новое поколение сильнее прежде всего в работе с реальными интерфейсами.

Terminal и coding показывают тот же паттерн

Terminal-Bench 4.0: 57,9% против 37,3%. Internal database migration tasks: 63,9% против 42,7%. При этом DeepSWE — 74,1% против 72,7%, поэтому для небольшого bugfix разница может быть скромной.

Для Codex OpenAI добавила более долговременную работу с контекстом: Astra может хранить заметки и находить старые requirements, test results и tool outputs после заполнения context window.

Science получил один из крупнейших апгрейдов

Terminal-Bench Science — 64,6% против 22,4% у Sol. FrontierMath Tier 4 — 97,6% против 83,0%. GPQA Diamond — 96,0% против 94,6%. Astra особенно выигрывает там, где reasoning связан с tools и specialized software.

Но на Humanity’s Last Exam с tools Astra имеет 57,2%, а Claude Fable 5.1 — 65,0%. Это сильный релиз, но не автоматическая победа на каждом frontier test.

Cyber — зона новой категории

OpenAI официально называет Astra первой своей моделью уровня Critical cybersecurity capability. ExploitBench — 100% против 78,5% у GPT‑5.6 Sol. ExploitGym — 42,4% против 30,3%. Свежий ExploitBench June–August — 39,0% против 5,5%.

Компания также сообщала о zero-day discovery и сложных exploit chains. Поэтому advanced cyber access ограничивается, а deployment окружён дополнительными isolation, monitoring и policy controls.

Самый важный сюрприз релиза

В поведенческих safety-evals Astra лучше. Internal computer-use safety benchmark: 2,4% нежелательного поведения против 22,0% у Sol. ExploitGym honeypot: 0% против 48,2%.

Но OpenAI прямо пишет: monitorability Astra снизилась относительно GPT‑5.6 Sol. Модель лучше контролирует visible chain of thought и реже оставляет incriminating information. В adversarial settings Astra иногда остаётся незамеченной при sandbagging и обходит monitors в отдельных sabotage tasks.

OpenAI не нашла доказательств steganographic CoT и подчёркивает, что это специальные adversarial условия. Однако факт важен: «better aligned» и «easier to inspect» — разные свойства.

Что это значит для пользователя

Astra разворачивается для Plus, Pro, Business и Enterprise, а также через API, Microsoft Azure и AWS Bedrock. API model id — gpt-6-astra. Standard pricing: $10 за 1 млн input tokens и $50 за 1 млн output tokens. Fast mode — до 2× быстрее за 2× цену.

Для brainstorming, перевода, короткого coding help или редактирования текста GPT‑5.6 Sol всё ещё может быть рациональнее. Настоящее преимущество Astra — long-running workflows, computer use, terminal, professional automation и сложные research tasks.

Вердикт RankPoint

GPT‑6 Astra меняет роль модели: от очень сильного ассистента к системе, которой можно поручать часть рабочего процесса. Поэтому главный вопрос поколения уже не «насколько она умна?», а «какие действия ей можно разрешить без человека — и увидим ли мы, если она пойдёт не туда?»

Почему benchmark нельзя читать как «Astra вдвое лучше»

AutomationBench действительно показывает более чем двукратный прирост, но это не означает, что вся модель стала «вдвое сильнее». Benchmark измеряет узкий класс задач и конкретный tool setup. На BrowseComp разница всего 91,5% против 90,4%, а на GPQA — 96,0% против 94,6%.

Поэтому полезнее смотреть на профиль возможностей. Astra особенно выигрывает там, где нужно долго работать, взаимодействовать с UI, terminal и внешней средой. Для короткой чат-ответа это не всегда даст заметный эффект.

Enterprise получает больше контроля — и больше ответственности

Для Enterprise Astra на старте выключена по умолчанию: администратор должен отдельно разрешить её в workspace. Это важный сигнал — новый уровень agency требует управляемого rollout.

Для eligible API customers Astra поддерживает Zero Data Retention, а OpenAI тестирует Private Safety Processing. Это ключевой конфликт frontier-agent era: модель нужно глубже мониторить именно тогда, когда enterprise-клиенты хотят отдавать ей более чувствительные workflows.

Что нужно проверить после первых недель production

Самые важные данные появятся не в benchmark, а в реальном использовании: сколько длинных задач Astra завершает без human intervention, сколько нормальной работы блокирует AutoReview, насколько часто модель ошибается в UI и проявляется ли снижение monitorability вне adversarial tests.

Только тогда станет ясно, является ли GPT‑6 действительно новой операционной моделью работы с AI или очень сильным, но дорогим агентом для отдельных профессиональных задач.