OpenAI'nin en yeni akıl yürütme modeli GPT-6 Astra, 3 Eylül'de FrontierMath Tier 4 (v2) üzerinde %97,6 puanla piyasaya sürüldü. Bu tür bir sayı, modelin daha önceki bir dahili sürümünün matematik yetenek değerlendirmelerinde sadece %17 civarı başarım gösterdiğini öğrendiğinizde şaşkınlık uyandırır.
İçsel olarak %17'den %47'ye, ardından genel performans testlerinde neredeyse mükemmelliğe ulaşan yolculuk, normalde yıllarca sürebilecek ilerlemeyi tek bir geliştirme döngüsüne sıkıştırır.
Referans hızlı etkinliği
ARC-AGI-3 üzerinde, OpenAI'nin kendi değerlendirme sistemi içinde, Astra %99,9 puan aldı. ExploitBench üzerinde %100 mükemmel puan elde etti. Yüksek lisans düzeyi bilimsel akıl yürütme testi olan GPQA Diamond'da %96,0 puan aldı. Terminal-Bench Science 0.1 ise %64,6 puan aldı.
Ancak FrontierMath Tier 4 (v2) sonucu ana sayıdır. Astra’nın öncüsü GPT-5.6 Sol, aynı testte %83,0 puan aldı. Astra’nın %97,6 puanı, 14,6 puanlık bir iyileşme anlamına gelir.
%17'den dünya sınıfına
Astra'nın oluşacak ilk sürümleri, matematik yetenek değerlendirmelerinde yaklaşık %17 başarı elde etti. Sürekli iyileştirmelerle bu oran, modelin kamuoyuna sunulmadan önce yaklaşık %47'ye yükseldi.
OpenAI, Astra'nın asal aralıklar üzerine yeni görüşler sunduğunu da onayladı; bu, binlerce yıldır insan matematikçileri meşgul eden sayılar teorisinin özellikle zor bir alanıdır.
Kim erişim alır ve ne zaman
Astra'nın piyasaya sürülmesi aşamalı bir yaklaşım izledi. Başlangıç gününde seçili organizasyonlar erişim kazandı; daha geniş erişim, kısa süre sonra ChatGPT Plus, Pro, Business ve Enterprise abonelerine açıldı. API erişimi, OpenAI üzerinden doğrudan, ayrıca Azure ve AWS Bedrock üzerinden de mevcuttur.
Rekabet ortamı
Bağımsız değerlendirmeler, Astra'yı şu anda mevcut olan en iyi performans gösteren AI modelleri arasında yer alıyor, ancak bazı değerlendirmeler, Anthropic'in bazı Claude varyantlarının daha geniş zeka testlerinde onu geçtiğini belirtiyor.
Bir model üretimi sırasında FrontierMath'te %83,0'dan %97,6'ya çıkış, AI'nın matematiksel akıl yürütme için bir sınırı varsa, henüz o sınırın aşılmadığını göstermektedir.