GPT-6 Astra sklízí rozporuplné reakce nezávislých laboratoří

Model GPT-6 Astra od společnosti OpenAI, vydaný 3. září 2026, vyvolal mezi nezávislými hodnotiteli vzácný rozkol: jedni jej řadí na první místo mezi modely umělé inteligence, zatímco druzí jej staví na úroveň jeho předchůdce a za konkurenční model od Anthropic.

Rozdílná hodnocení

Index schopností Epoch Capabilities Index od Epoch AI dává modelu Astra skóre 169, což jej řadí na první místo mezi 267 modely – před Claude Fable 5.1 od Anthropic se 163 body. Společnost Artificial Analysis, sídlící v San Francisku, dospěla k jinému závěru. Její index inteligence hodnotí Astra 61 body, což přesně odpovídá modelu GPT-5.6 Sol od OpenAI a Microsoft Corporation ↘ 0.99%, zatímco Claude Fable 5.1 od Anthropic je s 66 body o pět bodů napřed. V programovacích úlohách je situace příznivější: Astra získala 67 bodů v indexu programovacích agentů Artificial Analysis, což je zhruba na úrovni Claude Opus 5 a Muse Spark 1.3 od společnosti Meta ↗ 0.84%.trendingtopics+4

Neshody částečně pramení z toho, co každý index měří. Epoch AI agreguje skóre z oblastí uvažování, matematiky, vědy a benchmarků agentů do jednoho čísla, zatímco Artificial Analysis odlišně váží znalosti, uvažování nad dlouhými dokumenty a faktickou přesnost. Epoch AI na síti X poznamenala, že rekord modelu Astra byl v rámci nejistoty předchozích lídrů, což naznačuje, že rozdíl může být menší, než naznačuje hlavní číslo.latent+1

ARC-AGI-3: Překonávání lidí v efektivitě

Organizace ARC Prize poskytla vlastní hodnocení a otestovala Astra na ARC-AGI-3, interaktivním benchmarku, který vyžaduje, aby agenti prozkoumávali neznámá prostředí, odvozovali cíle a plánovali akce bez explicitních pokynů. Při standardním testování dosáhl Astra 62,7 % při nákladech přibližně 26 000 dolarů na běh. S využitím adaptéru Provider Adapter od OpenAI, který zachovává stav uvažování modelu mezi požadavky, skóre vyskočilo na 99,9 % při nákladech kolem 19 000 dolarů.arcprize

Výrazným zjištěním byla efektivita akcí modelu Astra. Při testování oproti základní linii vytvořené z přibližně 500 lidských účastníků použil Astra méně akcí než medián lidí v 96 % úrovní a v průměru spotřeboval o 51,7 % méně akcí na úroveň. „Toto je významný milník,“ napsala ARC Prize a dodala, že výsledek podle jejich měřítka efektivity akcí „vyrovnal a překonal lidskou úroveň“.arcprize

Otevřené matematické problémy a rostoucí náklady

Epoch AI také uvedla, že v jejím novém benchmarku FrontierMath Erdős – sadě 68 otevřených problémů formulovaných matematikem Paulem Erdősem – byl Astra jediným modelem, který vyřešil alespoň některé z nich, přičemž vytvořil Lean-ověřené důkazy pro dva problémy s rozpočtem 300 dolarů na pokus. Tři další řešení vzešla z nákladnějších nestandardizovaných běhů přesahujících 220 000 dolarů, které Epoch z oficiálního skóre vyloučila.the-decoder+1

Pro vývojáře má tento výkon svou cenu. OpenAI nastavila sazby API pro Astra na 10 dolarů za milion vstupních tokenů a 50 dolarů za milion výstupních tokenů, což je 2,5násobné zvýšení oproti GPT-5.6 Sol. Artificial Analysis zjistila, že lepší efektivita tokenů u modelu Astra kompenzuje vyšší ceny u programovacích úloh, ale u úkolů obecné inteligence je model o 75 % dražší.trendingtopics