Model penalaran terbaru OpenAI, GPT-6 Astra, diluncurkan pada 3 September dengan skor 97,6% di FrontierMath Tier 4 (v2). Itu adalah angka yang membuat Anda mengejutkan, terutama ketika Anda mengetahui bahwa versi internal sebelumnya dari model ini hampir tidak mampu mencapai 17% dalam evaluasi kemampuan matematika.
Trajektori dari 17% hingga 47% secara internal, lalu mendekati kesempurnaan pada benchmark publik, memampatkan apa yang biasanya terasa seperti tahun-tahun kemajuan menjadi satu siklus pengembangan.
Blitz patokan
Pada ARC-AGI-3, yang diukur dalam alat evaluasi milik OpenAI sendiri, Astra mendapatkan skor 99,9%. Pada ExploitBench, ia mencapai skor sempurna 100%. GPQA Diamond, tolok ukur penalaran sains tingkat pascasarjana, mencapai 96,0%. Terminal-Bench Science 0.1 menghasilkan skor 64,6%.
Hasil FrontierMath Tier 4 (v2) adalah angka utama. GPT-5.6 Sol, pendahulu Astra, mendapatkan skor 83,0% pada benchmark yang sama. 97,6% Astra mewakili peningkatan 14,6 poin persentase.
Dari 17% menjadi kelas dunia
Versi awal model yang akan menjadi Astra berhasil menangani sekitar 17% pada evaluasi kemampuan matematika. Melalui peningkatan bertahap, angka tersebut naik menjadi sekitar 47% sebelum model disempurnakan lebih lanjut untuk rilis publiknya.
OpenAI juga memberikan kredit kepada Astra atas kontribusinya dalam memberikan wawasan baru mengenai celah bilangan prima, sebuah bidang dalam teori bilangan yang terkenal sulit dan telah menarik perhatian matematikawan manusia selama berabad-abad.
Siapa yang mendapatkan akses, dan kapan
Peluncuran Astra mengikuti pendekatan bertahap. Organisasi terpilih mendapatkan akses pada hari peluncuran, dengan ketersediaan yang lebih luas diperluas ke pelanggan ChatGPT Plus, Pro, Business, dan Enterprise tak lama setelahnya. Akses API tersedia langsung melalui OpenAI, serta melalui Azure dan AWS Bedrock.
Lanskap kompetitif
Evaluasi independen menempatkan Astra di antara model AI berkinerja terbaik yang saat ini tersedia, meskipun beberapa penilaian mencatat bahwa beberapa varian Claude dari Anthropic unggul dalam tes kecerdasan yang lebih luas.
Peningkatan dari 83,0% menjadi 97,6% pada FrontierMath dalam satu generasi model menunjukkan bahwa batas atas penalaran matematis AI, jika ada, belum tercapai.