GPT-6 Astra против GPT-5.6 Sol и Claude Fable 5.1: объяснение бенчмарков агентных систем

OpenAI представила GPT-6 Astra 3 сентября 2026 года, хотя в Пекине уже было 4 сентября. OpenAI называет его своей самой интеллектуальной и лучше всего согласованной моделью на сегодняшний день и позиционирует для сложной сквозной работы с компьютером, браузером, разработкой программного обеспечения, кибербезопасностью, научными задачами и профессиональными рабочими процессами.

Такая формулировка важна, поскольку Astra не стоит воспринимать как простой «следующий чат-бот».

Наиболее заметные улучшения сосредоточены в задачах, где модели необходимо работать в течение множества этапов: исследовать среду, использовать инструменты, пересматривать план, обрабатывать сбои, управлять программным обеспечением и выдавать готовый результат, а не один отдельный ответ.

В исходной статье этот сдвиг описывается как начало «нативной эры агентов». Это полезная характеристика в общем направлении, однако реализация сложнее, чем утверждение о том, что весь агентный исполнительный контур был перенесён непосредственно в веса модели.

Собственная документация OpenAI описывает два взаимодействующих уровня:

• GPT-6 Astra, обученную выполнять длительные многоэтапные рабочие процессы, эффективно использовать инструменты, распределять работу, делегировать задачи субагентам и сохранять последовательность при изменении требований.
• Агентный исполнительный контур, например слой оркестрации, используемый Codex и ChatGPT Work, который подключает модель к инструментам, пользовательской среде, управлению контекстом, разрешениям и циклам выполнения.

Иными словами, Astra значительно сильнее ориентирована на работу в качестве агента, но приложению по-прежнему нужна исполнительная среда вокруг модели.

В этой статье сохраняется исходная структура из пяти частей. Astra рассматривается с пяти сторон:

1. Основное позиционирование.
2. Сравнение внутри семейства моделей OpenAI.
3. Сравнение с Anthropic Claude.
4. Технические причины агентного скачка.
5. Рекомендации по выбору модели и значение этого сдвига для разработчиков.

Прежде чем рассматривать показатели бенчмарков, полезно отделить модель от окружающего продуктового стека.

1.1 Для прежних рабочих процессов GPT обычно требовалась более развитая внешняя оркестрация

Обычный рабочий процесс языковой модели легко представить так:

Запрос пользователя
→ рассуждение модели
→ ответ модели

Для более сложного агента окружающее приложение обычно добавляет ещё один уровень:

Цель пользователя
→ агентный исполнительный контур
→ модель
→ вызов инструмента
→ результат из среды
→ модель
→ следующее действие
→ итоговый результат

Именно внешний исполнительный контур определяет, как предоставляются инструменты, как возвращаются результаты, как переносится контекст, какие разрешения применяются и когда цикл должен завершиться.

OpenAI по-прежнему использует такую архитектуру. Более того, компания отдельно описывала агентный исполнительный контур Codex/ChatGPT Work как слой оркестрации на Rust, соединяющий модели, инструменты и пользовательскую среду.

1.2 Что на самом деле изменилось с появлением GPT-6 Astra

Astra глубже обучена поведению, которое делает исполнительный контур эффективным.

В рекомендациях OpenAI по работе с моделью выделяются такие возможности, как:

• Выполнение сложных многоэтапных рабочих процессов в коде, браузерах и профессиональном программном обеспечении.
• Продолжение рассуждений во время работы асинхронных инструментов.
• Принятие указаний в середине хода выполнения без отказа от уже завершённой работы.
• Сохранение результатов в длительных диалогах.
• Разделение работы и делегирование задач субагентам, если исполнительный контур предоставляет инструменты для совместной работы.
• Более эффективное использование инструментов управления компьютером.
• Более точное соблюдение границ задачи и постановка сфокусированных вопросов, когда решение может существенно изменить результат.

Поэтому эту разницу точнее описывать как совместное проектирование модели и исполнительного контура, а не как «исчезновение исполнительного контура внутри модели».

1.3 Изменился целевой тип рабочих нагрузок

Практическая цель теперь заключается не только в следующем:

• Общие вопросы и ответы.
• Подготовка текстов.
• Одноразовая генерация кода.
• Простое обобщение.

Astra прежде всего ориентирована на более сложные задачи выполнения, включая:

• Управление компьютером.
• Рабочие процессы в браузере.
• Разработку программного обеспечения.
• Научный анализ.
• Работу с профессиональными документами.
• Сложные исследования.
• Авторизованную кибербезопасность и защитные исследования в сфере безопасности.
• Задачи CAD и инженерные задачи.

В материалах о запуске OpenAI неоднократно подчёркивает сквозную работу, а не улучшение разговорного характера модели.

1.4 Кратко

Полезный способ понять смену поколений выглядит так:

Рабочий процесс, ориентированный на старые модели:
сильное рассуждение + внешняя оркестрация

Рабочий процесс GPT-6 Astra:
более сильное рассуждение, обученное для агентной работы + внешняя оркестрация, спроектированная для его использования

Вторая система более эффективна, поскольку сама модель лучше справляется с планированием, использованием обратной связи, работой с инструментами, делегированием и сохранением последовательности на протяжении длительных траекторий выполнения задач.

2. Сравнение семейства OpenAI: вертикальный скачок, а не универсальная замена

Наиболее полезная мысль исходной статьи заключается в том, что Astra не следует автоматически считать заменой каждой более дешёвой модели для любой рабочей нагрузки.

Самые значительные улучшения проявляются в сложных агентных и профессиональных задачах.

2.1 Сравнение ключевых бенчмарков

В приведённой ниже таблице используются значения из официального сравнения при запуске GPT-6 Astra, опубликованного OpenAI, если они доступны.

При чтении этой таблицы важно учитывать несколько деталей.

Во-первых, в заголовочном тексте OpenAI округляет результат FrontierMath Tier 4 до 98%, тогда как в таблице бенчмарка для оценки v2 указано 97,6%.

Во-вторых, впечатляющий результат ARC-AGI-3 получен в интерактивном бенчмарке агентного типа. OpenAI отмечает, что Astra запускалась с исполнительным контуром Responses API, а конфигурация оценки может отличаться от той, что используется в рабочем ChatGPT.

В-третьих, показатели кибербезопасности измерялись в контролируемых условиях оценки. Теперь OpenAI относит Astra к уровню Critical по возможностям в области кибербезопасности в соответствии с Preparedness Framework и применяет усиленные меры защиты для таких возможностей.

2.2 Три основных вывода

① Самый большой скачок наблюдается в агентных задачах и задачах взаимодействия со средой

ARC-AGI-3 — наиболее наглядный пример.

В опубликованной OpenAI оценке Astra набирает 99,9% против 7,8% у GPT-5.6 Sol. Бенчмарк требует от системы выводить цели и правила через взаимодействие, а не просто отвечать на статический запрос.

Та же закономерность проявляется в нескольких операционных бенчмарках:

• AutomationBench: 41,4% против 18,1%.
• Terminal-Bench Science: 64,6% против 22,4%.
• Обновлённая версия ExploitBench для недавних уязвимостей: 39,0% против 5,5%.

Именно поэтому Astra может восприниматься как гораздо более существенный скачок поколения в агентных рабочих процессах, чем в обычном чате.

② Общий составной показатель интеллектуальных возможностей гораздо ближе

В Artificial Analysis Intelligence Index v4.1.1 на момент запуска OpenAI сообщала следующие значения:

GPT-6 Astra: 61,2
GPT-5.6 Sol: 60,9
Claude Fable 5.1: 65,7

Разрыв между Astra и Sol в этом составном индексе был минимальным по сравнению с разрывом в ARC-AGI-3 или Terminal-Bench Science.

С тех пор Artificial Analysis перешла на версию v4.2 с другим набором бенчмарков, поэтому абсолютные значения изменились. Однако общий вывод сохраняется: главное преимущество Astra заключается не в том, что каждый общий показатель интеллектуальных возможностей внезапно удвоился.

③ Цена явно помещает Astra в премиальный сегмент

Стандартные цены OpenAI API для GPT-6 Astra составляют:

Сейчас GPT-5.6 Sol стоит дешевле: $4 за миллион входных токенов и $20 за миллион выходных токенов.

Поэтому Astra имеет наибольший смысл в тех случаях, когда более высокая вероятность успешного выполнения задачи компенсирует повышенную цену токенов.

Есть и ещё одна деталь ценообразования при работе с длинным контекстом: запросы более чем с 272 тыс. входных токенов тарифицируются по повышенным ставкам для всего запроса — согласно текущей странице модели Astra, ставки для входных токенов и кэша увеличиваются в 2 раза, а для выходных токенов — в 1,5 раза.

2.3 Внутреннее руководство по выбору модели

В исходной статье GPT-4o использовалась как недорогой вариант общего назначения. GPT-4o по-прежнему присутствует в каталоге API, однако текущие рекомендации OpenAI для большинства новых интеграций указывают на более современные модели семейства GPT-5.6.

Более актуальное руководство по выбору выглядит так:

Практическое правило простое:

Начинайте с самой дешёвой модели, которая надёжно выполняет задачу. Переходите на Astra, когда успешность, автономность или качество выполнения важнее непосредственной цены токенов.

3. Сравнение поставщиков: GPT-6 Astra против Anthropic Claude

В исходной статье утверждается, что OpenAI и Anthropic движутся по полностью разным направлениям.

В акценте есть доля истины, однако текущие продукты пересекаются сильнее, чем предполагает такая формулировка.

Claude Fable 5.1 также специально создана для длительных агентных задач, программирования, работы в браузере, корпоративных процессов и управляемого выполнения задач агентами. Astra также является мультимодальной моделью с контекстом на 1 млн токенов и сильными общими возможностями рассуждения.

Поэтому точнее сравнивать их не по принципу «одна является агентом, а другая — нет».

Важнее понять, в каких направлениях каждая система сейчас демонстрирует наиболее убедительные результаты и делает основной продуктовый акцент.

3.1 Сравнение ключевых бенчмарков

Следующие значения взяты из таблицы сравнения OpenAI при запуске, если не указано иное.

Прочерк не означает, что модель не способна выполнять задачу. Он означает, что в таблице сравнения OpenAI для этой позиции не был опубликован сопоставимый показатель.

3.2 Более полезное различие в направлениях развития

① Anthropic: длительная интеллектуальная работа и программирование при сильных общих возможностях

Anthropic позиционирует Claude Fable 5.1 как свою самую мощную общедоступную модель для амбициозного программирования и интеллектуальной работы.

На официальной странице продукта подчёркиваются:

• Длительные проекты, которые могут занимать несколько часов.
• Программирование в рамках целых кодовых баз.
• Управляемые агенты.
• Работа в браузере.
• Корпоративные рабочие процессы.
• Анализ схем, диаграмм, таблиц, файлов и PDF с использованием зрения.
• Контекст класса 1 млн токенов.
• Исследовательская и профессиональная работа высокого уровня.

Fable 5.1 также возглавляла составной индекс Artificial Analysis v4.1.1 на момент запуска и остаётся одной из сильнейших моделей в текущем независимом рейтинге.

Поэтому неправильно сводить Claude к «чат-модели, которой по-прежнему нужен внешний исполнительный контур». Как и Astra, она участвует в агентном стеке; значение имеют и модель, и окружающая среда выполнения.

② OpenAI: более сильные результаты в ряде бенчмарков управления компьютером и выполнения задач с инструментами

Данные запуска Astra особенно сильны в следующих направлениях:

• Управление компьютером.
• AutomationBench.
• ARC-AGI-3.
• Terminal-Bench Science.
• BenchCAD.
• Оценка кибербезопасности.

OpenAI также представила ориентированные на агентов возможности API для Astra, включая асинхронные вызовы инструментов и управление в середине хода выполнения. В документации указано, что Astra может разделять работу и делегировать задачи субагентам, если исполнительный контур предоставляет инструменты для совместной работы.

Это делает Astra особенно привлекательной, когда задача заключается не в подготовке одного отшлифованного ответа, а в завершении сложного рабочего процесса в нескольких инструментах и средах.

3.3 Длинный контекст и мультимодальность не являются односторонними преимуществами

В исходной статье длинный контекст и мультимодальность Astra названы лишь «стандартными», а возможности Claude — более сильными.

С учётом текущих спецификаций такой вывод слишком широк.

GPT-6 Astra поддерживает:

• Контекстное окно на 1 050 000 токенов.
• Ввод изображений.
• Вывод текста.
• Веб-поиск.
• Поиск по файлам.
• Управление компьютером.
• MCP.
• Интерпретатор кода и размещённую оболочку через Responses API.

Claude Fable 5.1 также поддерживает контекст класса примерно 1 млн токенов, ввод изображений, понимание файлов и PDF, программирование, работу в браузере и длительные агентные рабочие процессы.

Поэтому правильное решение следует принимать на основе конкретной рабочей нагрузки и результатов тестирования, а не только размера контекстного окна.

3.4 Выбор по сценариям

Сначала выбирайте Claude Fable 5.1, если ваша рабочая нагрузка в основном связана со следующими задачами:

• Крупные проекты интеллектуальной работы.
• Длительные проекты программирования, для которых рабочий процесс Claude лучше подходит вашей команде.
• Анализ документов.
• Детальная интерпретация PDF, таблиц и диаграмм.
• Управляемые агентные процессы в экосистеме Anthropic.

Сначала выбирайте GPT-6 Astra, если ваша рабочая нагрузка в основном связана со следующими задачами:

• Сложные задачи управления компьютером.
• Сквозная автоматизация с большим количеством инструментов.
• Сложные научные рабочие процессы.
• Автоматизация CAD и инженерных задач.
• Оркестрация агентов в экосистеме OpenAI.
• Авторизованные защитные исследования в сфере кибербезопасности при наличии соответствующего доступа и соблюдении применимых мер защиты и политик.

Для важных производственных систем протестируйте обе модели на собственных репрезентативных задачах, прежде чем выбирать стандартную модель.

4. Техническая основа: почему производительность агентов так сильно выросла?

Исходная статья связывает улучшения Astra главным образом с архитектурой, а не с количеством параметров.

OpenAI не раскрыла количество параметров Astra, поэтому утверждения о роли размера модели нельзя напрямую проверить.

Из опубликованных материалов OpenAI известно о сочетании обучения модели, улучшений на этапе вывода и проектирования агентного исполнительного контура.

4.1 Совместное проектирование модели и исполнительного контура

Именно здесь исходный материал нуждается в наиболее существенном уточнении.

OpenAI не утверждает, что весь агентный исполнительный контур буквально встроен в веса модели Astra.

OpenAI отдельно описывает агентный исполнительный контур как слой оркестрации, соединяющий модели, инструменты и пользовательскую среду. Компания также сообщает, что Astra обучена эффективнее выполнять многоэтапную работу внутри таких систем.

Практическая архитектура скорее выглядит так:

Цель пользователя
   ↓
Агентный исполнительный контур / Responses API
   ↓
GPT-6 Astra
   ↓
Запрос инструмента или делегированная подзадача
   ↓
Приложение или инструмент выполняет работу
   ↓
Результат возвращается Astra
   ↓
Astra обновляет план
   ↓
Работа продолжается до завершения

Это различие важно для разработчиков, поскольку приложение по-прежнему отвечает за критически важные компоненты, такие как:

• Реализация инструментов.
• Разрешения.
• Аутентификация.
• Изоляция среды.
• Политика подтверждений.
• Повторные попытки и обработка сбоев.
• Журналирование и наблюдаемость.
• Границы безопасности.

Более сильная модель уменьшает объём хрупких промптов и оркестрационной логики, которые необходимо создавать, но не устраняет потребность в системной инженерии.

4.2 Делегирование субагентам

OpenAI сообщает, что GPT-6 Astra обучена разделять работу и делегировать задачи субагентам, которые могут действовать параллельно.

Однако в официальных рекомендациях также прямо указано, что это происходит при реализации мультиагентной системы в собственном исполнительном контуре, если вы предоставляете инструменты для совместной работы.

Это означает, что Astra может выполнять функцию своеобразного руководителя проекта:

сложная цель
→ разделение на независимые направления работы
→ параллельное делегирование
→ сбор результатов
→ устранение зависимостей
→ продолжение основной задачи

Но создание субагентов, среда их выполнения и канал коммуникации по-прежнему предоставляются окружающей агентной системой.

4.3 Циклы обратной связи со средой

Наиболее сильные результаты Astra часто получаются в бенчмарках, где модель может взаимодействовать со средой и наблюдать последствия своих действий.

Надёжный агентный цикл выглядит так:

Планирование
→ действие
→ наблюдение за результатом
→ проверка успешности
→ пересмотр плана
→ новое действие

Это принципиально отличается от одноразовой генерации текста.

Модель может использовать возвращённые инструментом результаты, чтобы решить, продолжать ли работу, повторить попытку, изменить стратегию или запросить у пользователя уточнение.

Текущие возможности Responses API OpenAI поддерживают такой стиль работы благодаря следующим функциям:

• Вызов инструментов.
• Асинхронный вызов инструментов.
• Управление в середине хода выполнения.
• Сохранение рассуждений.
• Состояние диалога.
• Компактизация.
• Управление компьютером.

4.4 Управление длинным контекстом и компактизация

Длительные агентные задачи создают проблему управления контекстом.

Каждый результат инструмента, файл, ветка рассуждений и предыдущее действие могут увеличивать историю. Если система просто продолжает передавать всё целиком, контекст становится дорогим и зашумлённым.

У Astra есть контекстное окно на 1,05 млн токенов, однако OpenAI также поддерживает явную компактизацию для длительных диалогов Responses API.

Полезный подход выглядит так:

большая история задачи
→ сохранение важного недавнего состояния
→ компактизация старой информации
→ сохранение фактов, необходимых для продолжения
→ продолжение работы

Компактизация не является магической памятью. Разработчикам по-прежнему следует сохранять долговременное состояние проекта в репозиториях, базах данных, документах или других хранилищах, а не полагаться на один бесконечно растущий диалог.

4.5 Асинхронный вызов инструментов меняет длительные рабочие процессы

Одной из новых возможностей API Astra является асинхронный вызов инструментов.

Модель может продолжать рассуждение, вызывать другие инструменты или отвечать на независимые части задачи, пока приложение выполняет другой инструмент. После завершения работы этого инструмента приложение отправляет его результат обратно, используя исходный идентификатор вызова.

Это сокращает ненужное время ожидания в рабочих процессах, где один из инструментов работает медленно.

Кроме того, данный механизм показывает, почему агентный скачок является улучшением на уровне системы, а не просто результатом создания более крупной нейронной сети.

4.6 Безопасность — часть агентной архитектуры

Чем автономнее становится выполнение, тем выше цена ошибки.

Поэтому OpenAI сочетает Astra с более строгими мерами защиты и мониторингом несогласованного поведения. В материалах по безопасности говорится, что Astra стала первой моделью OpenAI, отнесённой к уровню Critical по возможностям в области кибербезопасности.

OpenAI также сообщает об улучшении поведения в тестах, предназначенных для проверки того, выходит ли модель за пределы авторизованной задачи.

Для разработчиков это означает, что архитектура должна включать:

• Ограниченные разрешения инструментов.
• Явные границы авторизации.
• Изоляцию рискованных сред.
• Подтверждение человеком для последствий, имеющих значение.
• Мониторинг и журналы аудита.
• Надёжный механизм остановки или аварийного отключения.

Более сильная агентная модель делает эти средства контроля ещё более важными, а не менее важными.

Ключевой вывод: скачок Astra лучше всего понимать как сочетание более сильного поведения модели, обученной для агентной работы, и более развитого стека выполнения. Рассуждение и выполнение теснее согласованы, но исполнительный контур, инструменты, разрешения и среда остаются отдельными инженерными уровнями.

5. Выбор модели и перспективы

5.1 Когда переход на GPT-6 Astra оправдан?

Подходящие сценарии

Astra — сильный вариант, если вы работаете над следующими задачами:

• Сложные агентные приложения.
• Длительные рабочие процессы автоматизации.
• Задачи управления компьютером в реальном программном обеспечении.
• Крупные задачи программной инженерии.
• Научные рабочие процессы с использованием кода и инструментов.
• Автоматизация CAD и инженерных задач.
• Продвинутое математическое рассуждение.
• Авторизованные защитные исследования в сфере кибербезопасности и исследование уязвимостей при наличии соответствующего доступа.

Именно в этих направлениях опубликованные OpenAI оценки показывают наиболее заметное преимущество над GPT-5.6 Sol.

Когда Astra обычно не нужна

Astra часто избыточна для следующих задач:

• Стандартная подготовка текстов.
• Простая классификация.
• Базовое извлечение данных.
• Поддержка клиентов с большим объёмом и низким риском.
• Несложные вопросы и ответы на основе RAG.
• Небольшие преобразования, для которых более дешёвые модели уже обеспечивают необходимое качество.
• Рабочие нагрузки, в которых высокую цену токенов Astra нельзя оправдать более успешным выполнением задач.

Для таких сценариев GPT-5.6 Terra или Luna могут быть более экономичными отправными вариантами, а Sol остаётся сильным профессиональным выбором по умолчанию.

5.2 Стоимость следует измерять на одну завершённую задачу, а не только на один токен

Цена Astra — $10/$50 за токены — значительно выше, чем $4/$20 у GPT-5.6 Sol.

Однако агентные рабочие процессы не всегда оказываются дешевле при выборе модели с самой низкой стоимостью токенов.

Более дешёвая модель может потребовать:

• Больше повторных попыток.
• Больше вызовов инструментов.
• Больше ручных исправлений.
• Больше контроля со стороны человека.
• Более длинных траекторий выполнения задач.

OpenAI сообщает, что в нескольких оценках при запуске Astra показала более сильные результаты с меньшим числом выходных токенов и иногда с более низкой расчётной стоимостью одной завершённой задачи бенчмарка, несмотря на более высокую цену отдельных токенов.

Именно так следует оценивать агентную модель в производственной среде:

Полная стоимость успешной задачи
= токены модели
+ стоимость инструментов
+ повторные попытки
+ задержка
+ проверка человеком
+ стоимость ошибки

5.3 Конкурентный показатель смещается в сторону успешного завершения задач

Более широкий тренд, описанный в исходной статье, выглядит убедительно.

В течение многих лет сравнение передовых моделей в значительной степени основывалось на следующих параметрах:

• Масштаб модели.
• Длина контекста.
• Статические тесты рассуждения.
• Общее качество диалога.
• Мультимодальный ввод.

Все они по-прежнему важны.

Но следующий этап всё чаще ставит другие вопросы:

• Может ли модель завершить задачу, рассчитанную на несколько часов?
• Может ли она надёжно использовать программное обеспечение?
• Может ли восстановиться после неудачного вызова инструмента?
• Может ли она соблюдать границы авторизации?
• Может ли она разумно делегировать работу?
• Может ли она учитывать новые инструкции во время выполнения?
• Может ли она создать готовый артефакт, а не просто предложить идею?

Astra — один из наиболее очевидных примеров этого сдвига.

5.4 Не следует путать «нативность для агентов» с отсутствием необходимости в исполнительном контуре

Это самый важный инженерный вывод.

Модель может быть высокоориентированной на агентную работу и при этом требовать исполнительного контура.

Более того, чем лучше модель справляется со сложными задачами, тем ценнее хорошо спроектированный исполнительный контур, поскольку он предоставляет:

• Безопасный доступ к инструментам.
• Надёжное состояние.
• Управление контекстом.
• Параллельное выполнение.
• Подтверждения.
• Песочницы.
• Наблюдаемость.
• Логику восстановления.

Поэтому разработчикам не следует прекращать изучение агентной инженерии только потому, что Astra лучше работает с агентами.

Напротив, её следует изучать ещё глубже.

5.5 Итоговый взгляд

GPT-6 Astra не следует считать универсальной заменой, но и не стоит недооценивать её только потому, что общий составной показатель близок к показателям другой передовой модели.

Её наибольшая ценность проявляется тогда, когда задача представляет собой рабочий процесс, а не просто запрос.

Если вашему приложению в основном нужны короткие ответы, более дешёвая модель может быть лучшим инженерным выбором.

Если приложению требуется система искусственного интеллекта, которая может исследовать, принимать решения, действовать, проверять результат, восстанавливаться и продолжать работу в течение множества этапов, Astra становится гораздо более интересной.

В этом и заключается настоящий сигнал смены поколения.

Часто задаваемые вопросы

Что такое GPT-6 Astra?

GPT-6 Astra — текущая флагманская модель OpenAI для сложной сквозной работы. OpenAI позиционирует её для комплексного рассуждения, программирования, управления компьютером, исследований, профессиональных рабочих процессов и агентных задач с большим количеством инструментов.

Действительно ли GPT-6 Astra является «нативной агентной» моделью?

Точнее называть Astra моделью, оптимизированной для агентной работы, чем утверждать, что весь агентный исполнительный контур находится внутри модели. Astra обучена многоэтапной работе, использованию инструментов и делегированию задач субагентам, тогда как Codex, ChatGPT Work или ваше собственное приложение по-прежнему предоставляют внешний исполнительный контур, инструменты, разрешения и среду выполнения.

Каков идентификатор модели GPT-6 Astra в API?

Идентификатор модели в API — gpt-6-astra. Сейчас OpenAI предоставляет её через Responses API и Chat Completions, однако описание вызова инструментов для Astra ориентировано на Responses API.

Сколько стоит GPT-6 Astra?

Стандартная цена API составляет $10 за миллион входных токенов и $50 за миллион выходных токенов. Кэшированные входные токены стоят $1 за миллион, запись в кэш — $12,50 за миллион, а для запросов объёмом более 272 тыс. входных токенов действуют повышенные ставки для длинного контекста в соответствии с текущими правилами ценообразования.

Как GPT-6 Astra сравнивается с GPT-5.6 Sol?

Astra значительно сильнее в нескольких опубликованных оценках агентных возможностей и взаимодействия со средой, включая ARC-AGI-3, AutomationBench, Terminal-Bench Science и недавние задачи по кибербезопасности. Sol стоит существенно дешевле и остаётся сильным выбором для общего профессионального рассуждения и программирования, когда выполнение задач на уровне Astra не требуется.

Как GPT-6 Astra сравнивается с Claude Fable 5.1?

Обе модели предназначены для сложной длительной работы. Astra особенно сильна в опубликованных OpenAI сравнениях управления компьютером, автоматизации, научных задач, CAD и кибербезопасности, тогда как Claude Fable 5.1 чрезвычайно эффективна в программировании и интеллектуальной работе и возглавляла последние составные оценки Artificial Analysis — в зависимости от версии индекса и настроек усилий рассуждения.

Какое контекстное окно у GPT-6 Astra?

OpenAI указывает контекстное окно на 1 050 000 токенов и возможность вывода до 128 000 токенов. Очень длинные запросы стоят дороже, поэтому разработчикам всё равно следует использовать компактизацию и долговременное внешнее состояние для длительных агентных рабочих процессов.

Когда стоит выбрать Astra вместо более дешёвой модели?

Выбирайте Astra, когда более высокий процент успешного выполнения сложной многоэтапной работы оправдывает премиальную цену. Для стандартного извлечения данных, поддержки, подготовки текстов, простого RAG или задач с большим объёмом и низким риском обычно лучше начать с более дешёвой модели.

Связанные инструменты

• OpenAI Responses API: основной интерфейс API для рабочих процессов с большим количеством инструментов и сохранением состояния при использовании GPT-6 Astra.
• OpenAI Codex: среда агента программирования OpenAI, объединяющая передовые модели с внешним агентным исполнительным контуром и инструментами разработки.
• Страница модели GPT-6 Astra: официальные характеристики модели, цены, размер контекстного окна, инструменты и ограничения частоты запросов.
• Anthropic Claude: официальная страница продукта Claude Fable 5.1 для программирования, интеллектуальной работы, анализа изображений и длительных агентных задач.
• Artificial Analysis: независимая платформа для сравнения моделей и производительности API.
• ARC Prize: организация, стоящая за оценками ARC-AGI, включая бенчмарки интерактивного абстрактного рассуждения.

Связанные ссылки

• OpenAI: GPT-6 Astra — новое поколение интеллекта: официальное объявление о запуске, таблицы бенчмарков, информация о доступности и контекст цен.
• Документация OpenAI по GPT-6 Astra: официальные сведения о модели API, поддерживаемых инструментах, ограничениях контекста и ценах на токены.
• Руководство OpenAI по GPT-6 Astra: официальные рекомендации по асинхронным инструментам, управлению в середине хода выполнения, делегированию субагентам, созданию промптов и миграции.
• Обзор безопасности GPT-6 Astra от OpenAI: общая информация о безопасности и развёртывании Astra.
• OpenAI: путь к Astra — критические возможности и меры защиты передовых систем: сведения об оценке возможностей Astra в области кибербезопасности и связанных мерах защиты.
• Anthropic Claude Fable 5.1: официальная информация о доступности, ценах, сценариях использования, мерах защиты и бенчмарках Fable 5.1.
• Artificial Analysis: GPT-6 Astra: независимое отслеживание производительности, цен и Intelligence Index для Astra.
• Исходная статья на CSDN: исходная статья, опубликованная на условиях лицензии CC BY-SA 4.0.

Резюме

GPT-6 Astra — существенный шаг вперёд для агентных рабочих процессов, однако точнее всего описывать её не как модель, в которую OpenAI встроила весь агентный исполнительный контур. Astra лучше обучена длительному многоэтапному выполнению задач, тогда как Codex, ChatGPT Work, Responses API и пользовательские приложения по-прежнему предоставляют окружающие оркестрацию, инструменты, разрешения и среду выполнения.

Наиболее заметные опубликованные улучшения проявляются в интерактивном рассуждении, управлении компьютером, профессиональной автоматизации, научных рабочих процессах, CAD и оценках кибербезопасности. В широких составных показателях интеллектуальных возможностей разница с другими передовыми моделями может быть значительно меньше, поэтому Astra не должна автоматически заменять более дешёвые модели в стандартных задачах.

Для разработчиков стратегическое изменение очевидно: выбор модели всё чаще определяется успешным выполнением задачи внутри системы, а не только качеством ответа в окне чата.

GPT-6 Astra наиболее важна тогда, когда вопрос звучит не «что должен сказать ИИ?», а «может ли ИИ безопасно довести работу от начала до конца?»