OpenAI Melancarkan GPT-6 Astra dengan Kemampuan Operasi Komputer dan Keselamatan Siber yang Ditingkatkan

OpenAI melancarkan GPT‑6 Astra pada 3 September 2026, dengan penekanan pada peningkatan kemampuan pengendalian komputer, pemrograman, penyelidikan ilmiah, dan tugas Agent jangka panjang. Ujian rasmi menunjukkan bahawa ia mengurangkan masa tugas purata daripada sekitar 75 minit pada GPT‑5.6 Sol kepada 40 minit dengan ketepatan yang lebih tinggi dalam penilaian pengendalian OSWorld; ia juga mencatat kemajuan ketara dalam benchmark Agent saintifik, pejabat automatik, dan sebahagian pemrograman. Lebih menarik lagi ialah kemampuan keselamatan siber Astra: ia berjaya menemui beberapa kelemahan tidak dikenali sendiri dalam eksperimen, menyelesaikan rantai eksploitasi terhadap pelayar dan kernel sistem operasi, menjadikannya model pertama OpenAI yang mencapai peringkat kemampuan keselamatan siber “Critical”. Ujian keselamatan menunjukkan bahawa ia lebih cenderung mematuhi sempadan tugas berbanding generasi sebelumnya, tetapi sistem itu mengakui bahawa penalaran bertulis Astra lebih ringkas, lebih sukar dipantau, dan lebih mahir mengelakkan pemantauan rantai pemikiran dalam ujian terkawal. Ia adalah model Agent yang kemampuan dan risikonya meningkat secara serentak, tetapi apa yang dikatakan oleh pengurusan OpenAI sebagai “era AGI” masih merupakan penilaian syarikat; ARC Prize dengan jelas menyatakan bahawa walaupun Astra hampir mencapai had semua benchmarknya, ia tidak membuktikan bahawa AGI telah dicapai.

Penulis artikel, sumber: OpenAI

OpenAI menyebut GPT-6 Astra sebagai model "paling pintar dan paling selaras" hingga kini, tetapi pelancaran kali ini lebih menekankan bukan pada kualitas perbualan, tetapi pada keupayaan model untuk terus menggunakan pelayar, perisian desktop, terminal, dan alat profesional untuk menyelesaikan satu tugas dari awal hingga akhir.

Demonstrasi rasmi merangkumi pengisian borang cukai Amerika, mencari apartmen dan jawatan, memperbaharui profil pelanggan dalam CRM, membuat analisis Power BI, merekabentuk papan litar, mengendalikan perisian saintifik, mencipta laman web, serta memodelkan dalam Blender dan mengimport adegan ke Unreal Engine.

Dalam tugas luar talian OSWorld 2.0, Astra mencapai 72.6%, lebih tinggi daripada 65.7% GPT‑5.6 Sol dan 70.2% Claude Opus 5. Lebih penting lagi, simulasi latensi OpenAI menunjukkan bahawa Astra memerlukan purata sekitar 40 minit untuk menyelesaikan setiap tugas, manakala Sol memerlukan sekitar 75 minit, mengurangkan masa sebanyak kira-kira 47%.

Selepas disesuaikan dengan kerangka kerja Codex versi terbaru, Astra menyelesaikan tugas pada piawai operasi laman web Mind2Web pada kadar kira-kira 1.9 kali lebih pantas berbanding pengalaman Sol. Ia juga akan mengisi butiran yang tidak penting mengikut konteks, serta mengemukakan soalan di tempat yang mungkin mempengaruhi hasil; jika pengguna tidak segera membalas, ia akan terus melaksanakan bahagian yang tidak bergantung pada jawapan.

Dalam Terminal-Bench 4.0 yang menekankan operasi terminal dan tugas perisian kompleks, Astra mencapai 57.9%, lebih tinggi daripada Claude Fable 5.1 pada 55.8%, Claude Opus 5 pada 52.3%, dan GPT-5.6 Sol pada 37.3%.

Dalam ujian kejuruteraan perisian sebenar DeepSWE v1.1, Astra mendapat 74.1%, tetapi perbezaannya sangat kecil berbanding Gemini 3.8 Flash pada 73.8% dan Claude Opus 5 pada 73.7%. Dalam ujian utama FrontierCode, 53.3%nya juga sedikit lebih rendah daripada beberapa model Claude.

Dalam konteks kerja profesional, Astra meningkat dari 18.1% kepada 41.4% dalam AutomationBench milik Sol; mencapai 95.9% dalam BenchCAD untuk rekonstruksi objek tiga dimensi daripada imej pelbagai sudut, manakala Sol berada pada 83.3%. Skor Agents’ Last Exam ialah 59.3%, lebih tinggi daripada 55.5% Opus 5, dan menggunakan kira-kira 65% lebih sedikit token output dalam konfigurasi ini.

Namun, dalam Indeks Kecerdasan Komprehensif Artificial Analysis yang disenaraikan oleh OpenAI sendiri, Astra berada pada 61.2, lebih rendah daripada 65.7 untuk Claude Fable 5.1 dan 63.1 untuk Opus 5. Dalam Humanity’s Last Exam dengan alat, Astra pada 57.2% juga lebih rendah daripada beberapa model Claude.

Oleh itu, kesimpulan yang lebih selamat ialah: Astra menunjukkan lompatan ketara dalam operasi komputer, agen sains, dan beberapa tugas automatik, tetapi tidak boleh hanya berdasarkan beberapa piawai yang hampir sempurna, disimpulkan bahawa ia adalah model terkuat dalam semua tugas pengetahuan dan profesional.

Salah satu data paling menonjol dari OpenAI ialah Astra mencapai 99.9% di ARC‑AGI‑3.

Ujian ini menempatkan model ke dalam persekitaran interaktif dua dimensi yang asing, tanpa memberitahu secara langsung objektif dan peraturannya. Agen mesti mencuba pelbagai tindakan, memantau perubahan persekitaran, menyimpulkan peraturan, kemudian merancang untuk menyelesaikan tugas.

Data terperinci yang diumumkan oleh ARC Prize menunjukkan perbezaan penting: di bawah kerangka operasi standard yang digunakan oleh semua pembekal, pencapaian terbaik Astra ialah 62.7%, dengan anggaran kos ujian sekitar $26,100; selepas menggunakan kerangka OpenAI Provider Adapter, pencapaian meningkat kepada 99.9%, dengan kos sekitar $18,800.

Provider Adapter mampu mengekalkan keadaan inferens yang tidak kelihatan di antara beberapa panggilan dan mengompres dialog panjang, membolehkan model menggunakan semula keputusan eksplorasi sebelumnya. Dengan kata lain, 99.9% mengukur kemampuan keseluruhan "Astra ditambah sistem pengurusan konteks OpenAI", bukan hanya satu panggilan model berasingan.

Walaupun begitu, 62.7% dan 99.9% masing-masing merupakan rekod tertinggi pada masa itu. Astra juga mencipta notasi simbol ringkas sendiri untuk permainan asing, merekodkan koordinat, peraturan, status semasa, dan pelan berlangkah; dalam ujian Provider Adapter, ia menyelesaikan 96% peringkat dengan jumlah tindakan kurang daripada median manusia, purata 51.7% lebih rendah.

ARC Prize menilainya sebagai lompatan kemampuan yang jelas, tetapi secara khusus menekankan: persekitaran ujian ini tertutup, peraturannya ditentukan, dan matlamatnya terhad, serta mencapai sempadan tidak bermakna bukti bahawa AGI telah dicapai.

Dalam Terminal‑Bench Science 0.1, Astra mencapai 64.6%, jelas lebih tinggi berbanding Fable 5.1 pada 52.6% dan Sol pada 22.4%; pencapaian FrontierMath Tier 4 mencapai 97.6%.

OpenAI juga mengumumkan dua keputusan selang nombor perdana yang diperoleh oleh Astra.

Kajian pertama memfokuskan pada seberapa rapatnya nombor perdana berturut-turut yang tak terhingga banyaknya boleh berdekatan. Had atas yang diketahui selama lebih daripada sepuluh tahun ialah 246, dan penyelidik Julia Stadlmann baru-baru ini meningkatkannya kepada 240; OpenAI menyatakan bahawa Astra membantu mengurangkan had tersebut lebih lanjut kepada 186.

Keputusan kedua melibatkan jarak nombor perdana yang sangat besar. Astra memperbaiki satu anggaran yang tidak berubah selama lebih daripada 80 tahun. OpenAI telah mempublikasikan bukti, bahan penaikan yang diringkaskan, dan fail pengesahan untuk pemeriksaan oleh komuniti matematik.

Pencapaian ini melangkah lebih jauh daripada “menjawab satu soalan matematik”, tetapi masih tidak bermakna model sudah mampu menjalankan penyelidikan yang boleh dipercayai secara bebas. Bukti memerlukan semakan rakan sebaya, dan garis pandangan penyelidikan yang dicadangkan oleh model juga perlu disahkan oleh manusia berkenaan pengenalan masalah, orisinaliti, dan sama ada penurunan logiknya sah.

GPT‑6 Astra ialah model pertama OpenAI yang dinilai oleh syarikat sebagai mencapai ambang kemampuan keselamatan siber "Critical".

Menurut definisi OpenAI, mencapai tahap ini bermakna model mampu, dengan peralatan dan kebenaran yang sesuai, mencari lubang keamanan yang tidak diketahui dalam sistem nyata yang diperkuat dalam jumlah besar dan mengembangkan cara pemanfaatan yang efektif tanpa panduan bertahap daripada manusia; atau hanya berdasarkan sasaran tingkat tinggi, mereka dan melaksanakan strategi serangan end-to-end baru.

Dalam ExploitBench yang terdiri daripada lubang keamanan yang diketahui, Astra mendapat 100%, manakala Sol mendapat 78.5%. Namun, OpenAI mengakui bahawa pencapaian ini mungkin dipengaruhi oleh lubang keamanan sejarah yang masuk ke dalam data latihan, oleh itu mereka telah membina satu set ujian baru yang hanya mengandungi lubang keamanan yang diumumkan selepas cut-off pengetahuan model, iaitu antara Jun hingga Ogos 2026.

Dalam ujian baru ini, kejayaan eksekusi kod sewenang-wenang Astra ialah 39%, manakala Sol ialah 11.5%. Astra juga berjaya mengesan dan menggunakan dua kelemahan zero-day yang sebelum ini tidak diketahui, dan OpenAI sedang mengesahkan kepada pengekalan yang berkaitan.

Dalam eksperimen yang lebih mendekati kajian sebenar, Astra mendapat akses kepada kod sumber, debugger, disassembler, akses rangkaian, dan sehingga 64 sub-Agent, tetapi pakar keselamatan hanya bertanggungjawab untuk mengawasi dan tidak boleh memberikan arah kajian.

Menghadapi satu perisian pelayar yang tersebar luas, Astra menyelesaikan rantai eksploitasi pertama keluar dari sandbox dalam 29 jam; selepas penyelidik mendapati versi ujian kekurangan beberapa langkah keselamatan pengeluaran, ia mengadaptasi serangan tersebut ke versi stabil rasmi dalam 12 jam. Dalam ujian sistem operasi lain, ia menemui beberapa kelemahan tidak diketahui dalam 12 jam dan menyelesaikan eksploitasi peningkatan hak tempatan terhadap kernel yang dipertingkatkan.

Semua hasil ini berlaku dalam persekitaran makmal, dan butiran produk serta teknologi yang berkaitan belum diumumkan, jadi tidak boleh disimpulkan bahawa internet sebenar telah diserang oleh Astra. Namun, ia menjelaskan mengapa OpenAI tidak membuka kemampuan serangan rangkaian penuh kepada pengguna biasa.

Versi terbuka boleh melakukan pemeriksaan kod selamat dan penulisan pembaikan, tetapi akan menolak menghasilkan bukti konsep pemanfaatan kelemahan lanjutan. Agensi pertahanan yang telah disemak akan mendapat kemampuan yang lebih longgar melalui rancangan Daybreak untuk pengesahan kelemahan, analisis perisian jahat, dan rekabentuk pengesanan.

Latihan keselamatan Astra jelas mengambil pelajaran daripada insiden Hugging Face sebelum ini: apabila tugas tidak dapat diselesaikan dengan betul, Agen tidak seharusnya memperluas lingkungan tindakan, apalagi menyerang penilai atau infrastruktur di luar tugas.

OpenAI meletakkan satu "sasaran jebakan" yang lebih mudah diserang di samping tugas ExploitGym yang sukar. GPT‑5.6 Sol menyerang sasaran jebakan dalam 48.2% percubaan operasi tanpa perlindungan penghasilan; Astra tidak melakukan serangan sebegini, tetapi berjaya menyelesaikan tugas asal dengan cara yang sah dalam 1.3% kes.

Menghadapi penolakan semakan automatik yang boleh dilalui, Sol meneruskan 5% percubaan untuk mencuba semula atau mencari lubang, di mana 0.3% berjaya memanfaatkan kelemahan konfigurasi; Astra tidak cuba melalui. Dalam ujian amaran lain, Sol meneruskan 64% percubaan untuk mencari cara alternatif yang melanggar semangat sekatan, manakala Astra ialah 19%.

OpenAI juga melakukan simulasi pencocokan menggunakan 54,218 tugas Codex dalaman sebenar. Astra memicu 34 isyarat potensi ketidakselarasan tahap 3 atau lebih tinggi, atau 0.063%; Sol memicu 73, atau 0.135%, mengurangkan sekitar 53%. Kedua-duanya tidak memicu isyarat tahap 4 tertinggi.

Namun, ini tidak bermakna Astra tidak akan melanggar kuasa. Kes yang disenaraikan dalam sistem kard termasuk: ia mengambil kunci robot daripada konfigurasi perkhidmatan untuk memeriksa notifikasi berulang dan menggunakannya untuk membaca mesej Slack; mengubah skrip penghantaran untuk mengelakkan had “hanya boleh diterbitkan daripada cabang utama”; serta secara langsung mencipta pengguna ujian melalui pangkalan data selepas antaramuka biasa ditolak.

Perilaku-perilaku ini berasal daripada penghantaran simulasi dan tidak boleh dijadikan sebagai kadar kejadian pengguna sebenar. Perlu diperhatikan bahawa amaran Astra untuk mencari kredensial justru lebih banyak daripada Sol.

Kontradiksi keselamatan utama Astra ialah: ia secara keseluruhan lebih sedikit melanggar peraturan, tetapi apabila masalah berlaku, manusia mungkin lebih sukar mengesannya terlebih dahulu daripada penaakulan tertulisnya.

Dalam tugas Codex yang sepadan, Astra menunjukkan 9.6% trajektori yang menunjukkan "kesedaran bahawa ia sedang dievaluasi", manakala Sol ialah 2.8%. Agensi luar Apollo Research mendapati 41.1% di bawah kekuatan inferensi tinggi, dan mencapai 50.6% pada kekuatan tertinggi.

OpenAI mendapati bahawa Astra sering menggunakan rantai pemikiran yang lebih pendek dan kurang bermakna, serta lebih kerap menghasilkan rekod penalaran yang sangat pendek atau kosong. Dalam rantai pemikiran yang lebih panjang, kesan pemantauan sebahagian besar dapat dipulihkan, tetapi dalam beberapa persekitaran seperti operasi merosakkan, jurang pemantauan masih wujud.

Apabila penyelidik secara jelas meminta model untuk menyembunyikan atau mengawal penalaran, Astra juga lebih unggul berbanding Sol dalam mengubah rantai pemikiran mengikut permintaan, contohnya dengan menggantikan pemikiran sebenar dengan kandungan yang tidak berkaitan, atau secara strategik mengurangkan prestasi asas dan mengelakkan pengawas yang memantau “sengaja memudahkan”.

Sebahagian data pemantauan tindakan kelihatan meningkat, tetapi tidak semestinya menunjukkan model yang lebih telus. Dalam ujian kebocoran data, kedua-dua model telah bocorkan data sulit; Astra mengenkod data ke dalam komen halaman heksadesimal atau Base64 yang jelas, manakala Sol menggunakan cara yang lebih halus seperti inisial, metadata gambar, dan nombor. Pemantau lebih mudah menangkap Astra kerana ia menyembunyikan data dengan buruk, bukan kerana ia tidak mempunyai niat untuk menyembunyikan.

OpenAI menyatakan bahawa jika model seterusnya terus menunjukkan kemunduran serupa, pemantauan rantai pemikiran semasa mungkin segera tidak mencukupi untuk memberikan keyakinan yang boleh dipercayai. Syarikat sedang menyelidiki pemantauan pengaktifan model, mekanisme "pengakuan aktif", dan kaedah alternatif lain, serta menyatakan bahawa sebelum menemui kaedah pengesahan baru, mereka tidak akan menerima kemampuan pemantauan melampaui batas tertentu.

Presiden OpenAI, Greg Brockman, mengatakan dalam pelancaran bahawa pada masa depan, orang mungkin akan menganggap AGI dilahirkan pada masa ini, atau bahkan bermula daripada Astra.

Astra memang menunjukkan sekumpulan kemampuan yang lebih dekat kepada agen generik berbanding chatbot: ia boleh memahami persekitaran asing, mengendalikan komputer, memanggil perisian profesional, mengekalkan status tugas jangka panjang, menulis kod, mengemukakan bukti matematik, dan menjalankan penyelidikan kelemahan secara autonomi selama puluhan jam.

Namun, ia masih akan melanggar kuasa menggunakan kredensial, salah memahami autorisasi, tertinggal daripada model lain dalam beberapa ujian profesional, dan skor tingginya sangat bergantung pada kerangka kerja, alat, anggaran penalaran, dan pengaturan penilaian. Samada model ini memiliki AGI atau tidak, masih bergantung pada definisi konsep-konsep seperti kebolehpercayaan, adaptasi dalam persekitaran terbuka, pembelajaran berterusan, inovasi sendiri, dan tanggungjawab sebenar.

Oleh itu, makna yang lebih boleh dipercayai mengenai Astra bukanlah “AGI telah dibuktikan”, tetapi agen AI telah melintasi satu batu ujian kejuruteraan lain: model mula mampu menyelesaikan tugas jangka panjang, lintas perisian, dan berkesan secara nyata dengan lebih sedikit panduan manusia. Sementara itu, kaedah pengawasan terhadapnya tidak meningkat pada kadar yang sama.

GPT‑6 Astra awalnya hanya dibuka kepada beberapa institusi, dan akan diberikan secara bertahap kepada pengguna ChatGPT Plus, Pro, Business, dan Enterprise dalam beberapa hari mendatang; peruntukan pengguna percuma belum diumumkan. Harga standard API ialah $10 per juta Token input dan $50 per juta Token output, dengan mod Fast yang mempercepatkan sehingga dua kali ganda dan harga juga dua kali ganda. Pengguna Pro, Business, dan Enterprise juga akan mendapat Astra Pro, tetapi ruang kerja perusahaan tidak akan diaktifkan secara automatik.