GPT-6 Astra: realny skok generacyjny czy perfekcyjnie opakowany marketing?

Co właściwie zmieniło się w Astrze

Najbardziej znaczący kierunek zmian widać nie w pytaniach typu „napisz mi esej”, lecz w materiałach pokazujących Astrę pracującą bezpośrednio w aplikacjach. OpenAI wymienia m.in. tworzenie i edycję dokumentów, arkuszy i prezentacji, obsługę formularzy i CRM-ów, badania internetowe, plotting naukowy, tworzenie stron, frontend QA czy realizowanie wieloetapowych zadań za pomocą interfejsu komputera. To ten sam kierunek, który OpenAI wyznaczyło już wcześniej, prezentując agenta ChatGPT Work.

Gdybym miał opisać, jak mniej więcej wyglądała praca z kolejnymi modelami GPT, byłoby to tak – GPT-4-era: „Powiedz mi, jak wykonać tę pracę”, GPT-5-era: „Pomóż mi wykonać tę pracę”, GPT-6 Astra: „Wykonaj tę pracę i wróć z rezultatem”.

Oczywiście nie oznacza to, że od dziś można bezrefleksyjnie przekazać modelom odpowiedzialność za procesy biznesowe. OpenAI samo podkreśla potrzebę mechanizmów monitorujących, potwierdzeń, ograniczania zakresu uprawnień i możliwości zatrzymania wykonywanej pracy. Ale kierunek jest znany – przesuwamy się z inteligencji generatywnej na operacyjną, a wraz z nią wraca pytanie o zastępowanie pracowników AI.

Model ma wiedzieć, kiedy nie pytać użytkownika

Bardzo ciekawa i znacznie mniej efektowna marketingowo jest zmiana zachowania w sytuacjach niejednoznacznych. OpenAI twierdzi, że Astra częściej samodzielnie podejmuje rozsądne decyzje, kiedy konsekwencje są niewielkie, a pyta użytkownika wtedy, gdy brak informacji może istotnie wpłynąć na rezultat. W Codexie (to programistyczny odłam OpenAI) może nawet kontynuować niezależną część zadania w czasie oczekiwania na odpowiedź.

Z drugiej strony model, który zawsze „robi rozsądne założenie”, może wyrządzić szkody. Stawka rośnie tym bardziej, im wrażliwsze dane trafiają w ręce modelu – a OpenAI testuje już funkcję, w której ChatGPT połączy się z bankiem użytkownika. Dlatego ważniejsze dla mnie niż sama autonomia jest to, czy system potrafi oszacować konsekwencje własnej niepewności.

OpenAI twierdzi, że właśnie tę właściwość poprawiono, a benchmarki pokazują wyraźny spadek wychodzenia poza autoryzowany zakres działania. W jednej z wewnętrznych symulacji GPT-5.6 Sol bez zabezpieczeń produkcyjnych przekraczał granicę autoryzowanego celu w około 48% przypadków, natomiast Astra w tym teście nie zrobiła tego ani razu. Wygląda obiecująco, ale pamiętajmy – benchmarki jedno, codzienny użytek drugie.

Pamięć długotrwałego zadania ważniejsza niż sam milion tokenów

Specyfikacja API Astry przewiduje około 1,05 mln tokenów kontekstu i do 128 tys. tokenów wyjścia. To samo maksimum kontekstu oferował jednak GPT-5.6 Sol, więc tutaj nowości nie mamy. Powiedziałbym, że to taki branżowy standard.

Znacznie ciekawszy jest eksperymentalny mechanizm w Codexie, dzięki któremu agent ma zachowywać i ponownie odnajdywać informacje po przekroczeniu pojedynczego okna kontekstowego. OpenAI opisuje wcześniejsze fragmenty pracy jako przeszukiwalne, gdy agent kontynuuje wielogodzinne zadanie. Firma zapowiada, że mechanizm ma stać się domyślny w kolejnych tygodniach.

Astra wyraźnie poprawia również wyniki testu długiego kontekstu OpenAI: w najbardziej ekstremalnym przedziale 512 tys.–1 mln tokenów osiąga 96,3%, podczas gdy GPT-5.6 Sol uzyskiwał 73,8%. To +22,5 punktu procentowego, więc kontekst Astry wygląda nie tylko na duży nominalnie, ale także bardziej użyteczny. To istotna, bardzo dobra zmiana – w szczególności właśnie przy zadaniach programistycznych z wykorzystaniem Codexa, gdzie przy bardziej zapchanym oknie kontekstowym praca modelu może być nie tylko droższa, ale i mniej efektywna. Od teraz być może ten wyższy koszt będzie przynajmniej czegoś wart.

Benchmarki GPT-6 Astra – kilka spojrzeń na liczby

Największym błędem przy omawianiu Astry byłoby przepisanie tabeli benchmarków i uznanie, że największa liczba oznacza największy postęp. To byłoby bardzo wygodne – zazwyczaj twórcy kolejnych modeli AI przede wszystkim na to liczą. Nie możemy jednak brać wyłącznie suchych liczb bez ich odpowiedniej interpretacji. Na tapet wezmę kilka najważniejszych z nich.

Terminal-Bench Science wygląda rzeczywiście jak prawdziwy skok. 64,6% Astry wobec 22,4% GPT-5.6 Sol to +42,2 punktu procentowego i niemal trzykrotnie wyższy wynik względny. Konkurencyjny Claude Fable 5.1 osiąga tu 52,6%.

W tym teście model musi połączyć wiedzę naukową z wykonywaniem pracy w środowisku komputerowym. Takie zadania są zdecydowanie bliższe temu, czego oczekujemy od przyszłego „AI research assistant”, niż kolejny test wielokrotnego wyboru.

AutomationBench, czyli prawdopodobnie najbardziej praktyczna liczba w zestawieniu

W AutomationBench Astra zdobywa 41,4%, GPT-5.6 Sol 18,1%, Claude Fable 5.1 31,4%, a Claude Opus 5 26,9%. Nie oznacza to, że Astra „automatyzuje 41% pracy biurowej”. Benchmark nie daje prawa do takiej interpretacji.

Pokazuje jednak coś bardziej wartościowego – zdolność do realizacji zadań obejmujących narzędzia, aplikacje i wieloetapową pracę. Jeżeli trend przeniesie się na rzeczywiste środowiska firmowe, w których wdrożenie AI w firmie bywa dziś raczej deklaracją niż faktem, właśnie tutaj może leżeć ekonomiczna wartość GPT-6.

Kodowanie: bardzo mocno, ale bez deklasacji konkurencji

Narracja OpenAI mówi o najlepszym dotąd modelu do software engineering. Własne benchmarki firmy pokazują jednak obraz bardziej zniuansowany. W Terminal-Bench 4.0 Astra osiąga 57,7%, Claude Fable 5.1 – 55,8%, a Claude Opus 5 – 52,3%. To zwycięstwo, ale przewaga nad Fable wynosi niecałe dwa punkty.

W DeepSWE v1.1 Astra ma 74,1%, ale Gemini 3.8 Flash 73,8%, Claude Opus 5 73,7%, a GPT-5.6 Sol 72,7%. Tutaj wszystkie cztery modele znajdują się praktycznie w tym samym przedziale. Względem Sol poprawa wynosi raptem 1,4 punktu procentowego.

Ciekawiej robi się w teście FrontierCode, gdzie w wersji Extended Astra (64,5%) przegrywa z konkurencyjnym Claude Fable 5 (64,9%).

Astra nie jest zatem samotnym liderem w świecie programowania. Niezmiennie od wielu miesięcy wyjątkowo mocne są tutaj modele Anthropic, a mimo to zapowiadana od lat zagłada programistów wciąż pozostaje bardziej nagłówkiem niż faktem.

Problem nasycenia benchmarków, czyli pułapka GPQA Diamond

GPQA Diamond jest zbiorem bardzo trudnych pytań z nauk ścisłych, zaprojektowanym tak, by wymagał wiedzy i rozumowania na poziomie zaawansowanym akademicko. Astra osiąga kosmiczne 96,0%. Ale jednocześnie: GPT-5.6 Sol (94,6%), Gemini 3.8 Flash (95,3%), Claude Fable 5.1 (93,7%) i Claude Opus 5 (93,7%).

To „96%” jest znacznie bardziej imponujące wizualnie niż rzeczywisty postęp między generacjami. Twórcy Humanity's Last Exam zwracają uwagę dokładnie na ten problem: benchmarki takie jak GPQA stały się na tyle bliskie nasyceniu przez frontier models, że przestają dobrze różnicować kolejne generacje.

Humanity's Last Exam burzy narrację o dominacji Astry

HLE powstał właśnie po to, aby uciec od saturacji wcześniejszych benchmarków. Finalny zbiór zawiera około 2500 ekstremalnie trudnych pytań z matematyki, nauk przyrodniczych i humanistyki, w tym pytania multimodalne. Tworzyło go prawie tysiąc ekspertów związanych z ponad 500 instytucjami. Autorzy specjalnie usuwali pytania łatwe do znalezienia w wyszukiwarce, a część zbioru jest w ogóle niedostępna publicznie.

I tutaj wynik premiery robi się bardzo ciekawy.

HLE z narzędziami: GPT-6 Astra – 57,2%, Claude Fable 5.1 – 65,0%, Claude Fable 5 – 63,8%, Claude Opus 5 – 63,6%. To nie jest minimalna różnica, kiedy konkurencja ma osiem punktów procentowych przewagi.

FrontierMath i niepublikowane wcześniej problemy matematyczne

Na tym polega benchmark FrontierMath tworzony przez Epoch AI. Tier 4 obejmuje około 50 ekstremalnie trudnych problemów przygotowanych przez profesorów i postdoców jako swego rodzaju krótkie projekty badawcze.

Epoch opisuje je jako zadania mogące stanowić test rozumowania potrzebnego przy rzeczywistych odkryciach naukowych. Jeszcze w 2024 roku czołowe modele rozwiązywały mniej niż 2% pierwotnego FrontierMath. W lipcu 2025 Grok 4 rozwiązał jeden z 48 badanych problemów Tier 4. Gemini Deep Think osiągnął później 10% Tier 4.

Jeżeli wynik modelu Astra na poziomie 97,6% jest metodologicznie czysty i potrafi odpowiednio generalizować, to jest to rzeczywiście olbrzymi postęp.

ARC-AGI-3 – wynik tak niezwykły, że nie chce się wierzyć

ARC-AGI jest próbą mierzenia czegoś innego niż wiedza akademicka. Benchmark został zaprojektowany wokół adaptacji do nowych zadań i nabywania nowych umiejętności, a ARC-AGI-3 rozwija tę ideę do interaktywnych środowisk, w których agent musi eksplorować, obserwować, planować, wykonywać działania, pamiętać ich konsekwencje i odkrywać reguły nieznanego wcześniej świata.

Najnowszy GPT-6 osiągnął w tym teście wynik na poziomie aż 99,9%. Dla porównania, Claude Opus 5 miał 30,2%, a poprzednik, GPT-5.6 Sol, zaledwie 7,8%.

Astra osiągnęła jednak taki wynik nie w standardowym, neutralnym środowisku testowym, lecz przy użyciu przygotowanego dla niej Provider Adapter. Pozwala on zachowywać pomiędzy kolejnymi wywołaniami wewnętrzny stan rozumowania modelu oraz wykorzystywać mechanizmy zarządzania i kompresji kontekstu OpenAI.

Czyli mamy AGI? No właśnie nie

Organizacja ARC Prize wprost zaznacza, że nawet pełne rozwiązanie ARC-AGI-3 nie byłoby dowodem osiągnięcia AGI. Benchmark pozostaje światem sztucznym, bo ma deterministyczne mechanizmy, ograniczony zakres możliwych działań i jasno określone stany końcowe.

Prawdziwy świat taki nie jest. Cele bywają sprzeczne, informacje niepełne, działania nieodwracalne, a lista rzeczy, które mogą wydarzyć się po drodze, praktycznie nieskończona. 99,9% wygląda więc jak koniec benchmarku, ale zapewne skończy się powstaniem ARC-AGI-4, bo czemu nie. W ten sposób firmy będą miały znowu motywację, aby wykręcać coraz to lepsze wyniki i ogłaszać nam, jak wielkiego przełomu dokonały.

Obserwuj nas w Google Discover

Podobają Ci się nasze treści?

Google Discover

Obserwuj