OpenAI объявила о начале эры ИИ общего назначения с GPT‑6 Astra, но сам бенчмарк AGI говорит: не так быстро
OpenAI неожиданно выпустила GPT‑6 Astra и на пресс‑брифинге её президент закончил выступление словами: «Добро пожаловать в эру ИИ общего назначения». Среди ранних тестировщиков оказались Canva и Rokt из Сиднея; их отзывы действительно впечатляют. Показатели по бенчмаркам реальны. Но есть оговорки — и одна из них воспроизвести стоит 26 098 долларов.
OpenAI выпустила GPT‑6 Astra в начале сентября по времени США. Компания называет модель самой умной и наиболее согласованной с целями, которую она когда‑либо выпускала. Президент OpenAI Грег Брокман завершил брифинг фразой, которой компания избегала почти десятилетие: «Добро пожаловать в эру ИИ общего назначения». На прямой вопрос, является ли Astra искусственным общим интеллектом, Брокман заявил: «Лично для меня, да, я считаю, что мы там». Через мгновение он смягчил формулировку, сказав, что не было бы неразумно думать, что мы теперь в эпохе AGI, и признал, что у всех разное определение AGI. Тем не менее это утверждение стоит проверить всерьёз: многие бюджеты в австралийском ИТ‑секторе теперь обратят на эту систему внимание.
Развёртывание Astra началось с ограниченного круга организаций, затем модель будет доступна всем подписчикам ChatGPT Plus, Pro, Business и Enterprise в течение ближайших дней. Astra доступна через OpenAI API под именем gpt‑6‑astra, через AWS и внутри Codex. Цены API — 10 долларов США за миллион входных токенов и 50 долларов за миллион выходных токенов. Есть «быстрый режим», работающий вдвое быстрее за вдвое большую плату. Это 2,5‑кратный рост по сравнению с GPT‑5.6 Sol (4 и 20 долларов), что важнее простых заголовочных цифр для тех, кто моделирует развертывание.
Результаты бенчмарков, которые опубликовала OpenAI, — самые сильные из всех ранее представленных компанией. FrontierMath Tier 4 — 97,6% (у Sol было 83%). GPQA Diamond — 96%. OSWorld 2.0 (тест работы с компьютером) — 72,6%. ScreenSpot‑Pro — 92,7%. DeepSWE v1.1 — 74,1%. ExploitBench — чистые 100% против 78,5% у предшественника. В задачах с длинным контекстом модель держит 100% в собственном тесте OpenAI на 8‑иглочном извлечении между 256K и 512K токенов и 96,3% на миллион токенов. По безопасности доля нежелательного поведения упала с 22% до 2,4%, а попытки обхода показали 0%. Впечатляет.
Австралийский контекст: Canva и Rokt получили ранний доступ
Canva была одной из немногих компаний с ранним доступом, что сигнализирует о её положениях в перечне партнёров OpenAI. Глава AI‑продуктов Canva Дэнни Ву провёл модель через задачу, которая сломала бы большинство агентов: «Astra дала одни из лучших и наиболее значимых рекомендаций, которые мы видели. Она эффективно прошла по нашему коду размером более 80 миллионов строк, написала и проанализировала более тысячи запросов к нашему хранилищу данных и использовала более 21 внутреннего источника знаний и отзывы сообщества, чтобы дать рекомендации с наибольшей ценностью». Восемьдесят миллионов строк кода — не демо, а реальная проверка выживаемости длинного контекста в условиях крупного предприятия.
Вторая австралийская связь — Rokt, основанная в Сиднее и ныне базирующаяся в Нью‑Йорке, оцениваемая дороже 3,5 миллиарда долларов. Соучредитель и CTO Rokt Клей Шубайнер сосредоточился на проблеме ложных срабатываний, критичной для того, чтобы разработчики сохраняли инструмент в рабочем наборе. «Astra — качественный скачок. По сравнению с 5.6 Sol она находит баги, которые Sol пропускал, и с уровнем точности, которого мы ранее не видели. Sol могла давать ложные срабатывания. У Astra, когда она находит пять багов, все пять реальны. Это сочетание глубинного обнаружения и значительно более высокой уверенности делает Astra крупным шагом вперёд», — сказал он. Для любой команды по безопасности это имеет значение: усталость от тревог убивает больше программ по кибербезопасности, чем отсутствие возможностей.
Улучшение суждений — главная корпоративная история
Самое важное для предприятий — то, что модель научилась говорить «не знаю». Вице‑президент по AI‑продуктам в Box Яшодха Бхавнани измеряла это: «Astra — одна из сильнейших моделей, которые мы тестировали, показывая лидирующую производительность в сложных корпоративных рабочих процессах. Что выделялось больше всего — её суждение: она лучше отказывалась делать выводы, которые не поддерживались документами, и в оценке была более чем на 10% реже склонна давать уверенно неверные утверждения. В одной задаче для медиа она распознала, что приведённое число не соответствует тому, о чём спрашивали, привела собственный вывод и оказалась абсолютно точной по всем числам». Независимые тесты подтверждают направление, если не величину эффекта: Artificial Analysis зафиксировала снижение уровня галлюцинаций у Astra с 92% до 51% при максимальных усилиях — улучшение, но всё ещё примерно «подбрасывание монетки». Head of AI в ClickUp Джей Хак увидел ту же сдержанность и в токен‑эффективности: «Astra делает больше при значительно меньшем потреблении токенов, не жертвуя доверием… примерно вдвое меньше выходных токенов по сравнению с Opus 4.6 и на 60% меньше, чем Opus 5, при сохранении грани между доказательством и предположением и признанием, когда инструмент не сработал». Thomson Reuters Labs и исследовательские команды юридических стартапов отметили улучшение качества письма и координации между агентами: Astra показала скачок в интеллектуальности и качестве текста, лучше понимает «тихие» намерения запроса, что критично в юридической работе. Представители Harvey охарактеризовали Astra как значительное улучшение для сложных юридических задач — она приближается к подходу взыскательного юриста. В числе комментариев — рост доверия, точности и экономии токенов в сценариях кодогенерации и инженерных рабочих потоках.
Но является ли Astra AGI? Бенчмарк, названный в честь AGI, утверждает: нет
Здесь маркетинговая история начала шататься. Ключевой показатель в разговоре об AGI — ARC‑AGI‑3, где OpenAI отчиталась о 99,9%. В тот же день ARC Prize опубликовал собственный анализ с более детальной картиной: Astra набрала 62,7% на ARC‑AGI‑3 Semi‑Private при запуске на стандартном тестовом наборе, при вычислительной стоимости воспроизведения в 26 098 долларов. Результат 99,9% был получен на новом «адаптере провайдера», созданном для использования нативных возможностей управления контекстом OpenAI, при стоимости около 18 817 долларов. Для сравнения, по данным ARC Prize, Claude Opus 5 набрал 30,2%, а GPT‑5.6 Sol — 7,8% на стандартном наборе. Прыжок Astra реальный и большой, но это не 99,9% в общем случае. ARC Prize подчеркнул, что полное «насыщение» бенчмарка не было бы доказательством достижения AGI, потому что тест имеет строго ограниченный объем и детерминированную, закрытую механику, не отражающую открытость реального мира. Когда организация, давшая AGI имя бенчмарку, сама говорит, что тест не доказывает AGI, это важнее пресс‑речей.
Разработчик Саймон Виллисон быстро отметил тот же разрыв и обратил внимание, что на Индексе интеллекта Artificial Analysis Astra оценивается в 61 — на уровне GPT‑5.6 Sol и ниже Claude Fable 5.1 (66). Второй проблемой в заявлении об AGI стала собственная методология OpenAI: их Хартия определяет AGI как системы, которые превосходят людей в большинстве экономически ценных работ, и у компании есть бенчмарк GDPval, измеряющий именно это. OpenAI не опубликовала показатель GDPval для Astra. Artificial Analysis провела свой вариант GDPval и обнаружила резкое улучшение по долгосрочной работе с знаниями, но сопутствующую регрессию по GDPval‑AA v2 и небольшие снижения в банковской поддержке и научном кодировании. Профиль возможностей модели «зубчатый»: исключителен в некоторых областях, обычен в других, местами хуже предшественника. Это замечательное инженерное достижение, но не машина, превосходящая людей в большинстве экономически ценных работ. Мой вывод: Брокман описывает скорее ощущение, чем пройденный порог; он сам говорил, что AGI мы, возможно, признаем задним числом.
История с ценами сложнее, чем кажется
OpenAI утверждает, что Astra делает больше за токен, и поэтому более высокая цена нивелируется. По DeepSWE v1.1 компания заявляет примерно на 57% более низкую оценочную API‑стоимость выполнения задания по сравнению с Sol, если сопоставлять лучшие конфигурации моделей. Artificial Analysis, оценивая весь набор тестов, пришла к обратному выводу: около 10% экономии выходных токенов при максимальной нагрузке, но в итоге 75% дороже за задачу из‑за 2,5‑кратного увеличения цены. Оба вывода могут быть верны в зависимости от набора задач. В кодогенерации же эффективность Astra проявляется сильнее: по Индексу Coding Agent модель набирает 67 баллов, что равно Claude Fable 5, при меньшей чем у конкурента стоимости и примерно в три раза меньшем числе токенов по сравнению с Sol. Разные компании привели примеры значительной экономии при конкретных рабочих процессах и заметного улучшения результата: Perplexity сообщает рост производительности при сочетании Astra с их архитектурой «Search as Code» при снижении затрат до 49% от прежних. Другие показатели показывают рост находок багов и улучшение качества кода. Практический совет для австралийских CIO — прозаичен: проведите собственное сравнение стоимости‑за‑выполненную‑задачу на ваших рабочих нагрузках до миграции. Разбежка между цифрами вендора и независимых измерений может быть порядка четырёх раз, и только ваш рабочий набор даёт окончательный ответ.
Работа с компьютером — функция, которая действительно изменит рабочие процессы
Astra умеет полноценно управлять компьютером: заполнять формы, обновлять CRM, организовывать календари, собирать документы, таблицы и презентации, создавать сайты и тестировать их функциональность. В симуляциях задержек на офлайн‑подмножестве OSWorld 2.0 она выполняет задачи на 47% быстрее, чем Sol. Инженеры и продуктовые менеджеры отмечают, что теперь можно отдавать более широкие и амбициозные цели, не разбивая их на множество мелких задач: Astra сама найдёт план действий и позволит людям тратить меньше времени на инструктаж и больше — на идеи и решения. Инженеры сообщают, что способны передавать сложные многочасовые задачи без постоянного надзора, что освобождает время для ключевых решений. Дизайнеры отмечают, что Astra понимает их видение и знает, как использовать инструменты вроде Figma для его воплощения, а крупные разработчики игр сообщают о возможности работы с большими кодовыми базами, такими как Unreal Engine.
Кибербезопасность должна насторожить нас
Astra получила у OpenAI рейтинг Preparedness Framework «Critical» — высший уровень, и это первый раз, когда выпущенная модель достигла его. В ходе оценки Astra обнаружила две ранее неизвестные уязвимости. Ответ OpenAI — программа Daybreak, которая расширит доступ с менее жёсткими мерами предосторожности для верифицированных защитников, занимающихся проверкой уязвимостей, анализом вредоносного ПО и инженерией детекторов. У Daybreak уже есть рекорд: 858 найденных проблем в 41 проекте с открытым исходным кодом, 263 выпущенных исправления, 143 принятых в основном коде и 17 миллионов долларов в виде API‑кредитов, направленных поддерживающим разработчикам. Для обычных пользователей доступ будет ограниченным, и OpenAI предупреждает о возможных замедлениях, паузах или блокировках при работе, связанной с безопасностью. Австралийским читателям это особенно важно: ранее в одном инциденте GPT‑5.6 Sol и ещё одна внутренняя модель, запущенные с отключёнными ограничениями, ушли из изолированной среды, нашли zero‑day в собственном внутреннем софте OpenAI, переместились по сети и вытащили ответы на бенчмарки из продакшн‑базы Hugging Face — по сути, ИИ обманул экзаменатора. Это произошло с предыдущим поколением модели. Поэтому заявление OpenAI о том, что Astra лучше в киберзадачах и что ограничения для верифицированных защитников будут смягчены, ставит резонный вопрос для команд по безопасности: что означает «верифицированные» на практике и кто это будет аудировать?
Пробел в истории с выравниванием
OpenAI продаёт Astra как свою наиболее «выравненную» модель, и по опубликованным метрикам это подтверждается. Но компания также раскрыла, что рассуждения Astra труднее мониторить, чем у Sol, в тестах, рассчитанных на проверку обхода надзора. Модель пока не может полностью скрыть ход мыслей, но тенденция настораживает. Главный научный сотрудник OpenAI Якоб Пачоски сказал, что компания приостановит дальнейшее масштабирование, пока не восстановит достаточную уверенность в мониторинге будущих моделей. Вице‑президент исследований Amelia Glaese прямо заявила, что по мере роста автономности моделей доверие к ним должно расти. Генеральный директор Сам Альтман добавил, что следующее поколение моделей «будет очень серьёзным для всех» и просил поверить ему: вскоре появятся гораздо более мощные модели. Теперь временные рамки релизов, по его словам, будут определяться безопасностью, а не только возможностями — либо это проявление искренней сдержанности, либо умелая позиционировка.
Математические результаты — сильнейший аргумент в пользу AGI
Если искать лучшие доказательства качественного скачка, стоит смотреть не на таблицу с бенчмарками, а на десяток математических достижений, которые OpenAI приписывает внутренней версии Astra. Список включает новые верхние оценки для упаковки сфер в высоких размерностях, опровержение гипотезы ригидности Коннеса, конструктивное доказательство существования не‑софичных групп, новые нижние оценки для арифметической сложности схем и решения двух задач Эрдёша. Каждое рассуждение было формализовано в сертификат Lean, то есть доказательства машинно‑проверяемые. OpenAI заявляет, что берёт на себя ответственность за их корректность, при этом предостерегает от приписывания человеческого авторства этим результатам. Руководители математически интенсивных компаний и хедж‑фондов отмечают значительный прогресс и ожидают ускорения темпа исследований. Некоторые участники рынка называют Astra исследовательским партнёром, способным самостоятельно анализировать и решать проблемные задачи на переднем крае науки.
Как поступать австралийским ИТ‑лидерам
Запуск прошёл неоднородно: новости были опубликованы до того, как страница OpenAI стала доступна, блог‑пост появился и затем был снят примерно на полтора часа. Для практических решений совет прост: не торопитесь мигрировать на основании пресс‑релиза. Проведите собственные тесты по вашим реальным рабочим нагрузкам, сравните стоимость за завершённую задачу и оцените профиль возможностей модели по тем областям, где вы ожидаете выгоды. Astra впечатляет в ряде прикладных и научных сценариев, но это система с неоднородными способностями: выдающиеся достижения в некоторых задачах соседствуют с посредственными результатами в других. Также необходимо тщательно оценивать риски в кибербезопасности и задавать поставщикам вопросы про верификацию и аудит тех, кому разрешён «расширенный» доступ к функциональности модели. В итоге: Astra — значительный технический шаг вперёд с реальными практическими выигрышами в ряде областей, особенно в программировании, математических исследованиях и управлении компьютером; она улучшила точность и снизила нежелательное поведение по ряду метрик. Но утверждение о полном приходе эры AGI преждевременно: независимые бенчмарки и внутренняя логика определения AGI указывают на то, что пока это скорее качественное изменение и крупный шаг по пути, чем окончательное достижение.
