GPT-6 Astra Benchmarks: Jeder Wert, wer ihn gemessen hat und wo die Zahlen bedeutungslos werden

GPT-6 Astra erzielt 98 % bei FrontierMath Tier 4 und 99,9 % bei ARC-AGI-3, und Ope​nAI selbst bezeichnet beide Benchmarks als gesättigt — was die beiden meistzitierten Zahlen auf der Modellseite zu den beiden macht, die am wenigsten darüber aussagen, ob man es einsetzen sollte. Gegen GPT-5.6 Sol und Claude Fable 5.1 liegen die Zeilen, die tatsächlich unterscheiden, woanders: 57,9 % bei Terminal-Bench 4.0, 74 % bei DeepSWE v1.1, das unabhängig ist und zugleich ein Gleichstand, und eine Zeit-pro-Aufgabe-Angabe, die mehr über die Nutzbarkeit entscheidet als jeder Prozentwert hier. Das Modell selbst stammt vom 3. September 2026 — dreizehn Tage alt zum Zeitpunkt unserer Veröffentlichung, keine Launch-Neuigkeit. Dies ist eine Referenzseite dafür, was GPT-6 Astra erzielt, wer jede Messung durchgeführt hat und was jede Zahl belegt und was nicht.

Dass ein dreizehn Tage altes Modell diese Woche noch eine Seite wert ist, liegt daran, dass die Dinge, mit denen ein Leser etwas anfangen kann, erst nach dem Start kamen. Breite Verfügbarkeit abgeschlossen: OpenAI gab am 8. September bekannt, dass Astra vollständig für Plus-, Pro-, Business- und Enterprise-Nutzer in Codex und ChatGPT Work ausgerollt wurde, nachdem es am 3. September mit der Aussage an den Start gegangen war, dass es „heute für eine begrenzte Anzahl von Organisationen ausgerollt wird und in den kommenden Tagen für alle ChatGPT Plus-, Pro-, Business- und Enterprise-Nutzer sowie über die OpenAI API, Microsoft Azure und AWS Bedrock verfügbar sein wird“. Der Enterprise-Zugang, beim Start standardmäßig deaktiviert, wurde zu etwas, das ein Administrator gemäß der für ihn geltenden Preisliste aktivieren kann, und die am 9. September veröffentlichte Enterprise-Work-Seite von OpenAI für das Modell brachte Admin-Kontrollen und vier Enterprise-Plugins gleich mit. Und die ersten unabhängigen Evaluierungen des Modells erschienen, und genau das verwandelt dies von einer von einer Anbieterfolie abgelesenen Punktetafel in etwas, das ein Käufer abwägen kann.

Die vollständige Benchmark-Liste, mit der Quelle in jeder Zeile

Alles unten ist von OpenAI gemeldet, sofern die Zeile nichts anderes angibt. Diese Unterscheidung ist keine bloße Verzierung: Nur eine dieser Schlagzeilen-Zahlen wurde von jemand anderem als dem Unternehmen, das das Modell verkauft, erstellt, und genau diese erweist sich als Gleichstand.

• FrontierMath Tier 4 — 98 %. Vom Anbieter gemeldet von Ope​nAI und von Ope​nAI als Sättigung der Stufe beschrieben.

• ARC-AGI-3 — 99,9 %.Vom Anbieter angegeben, ebenfalls als gesättigt beschrieben. Ope​nAI ergänzt, dass Astra „unsere menschliche Baseline für Handlungseffizienz in 96 % der Level übertroffen und damit im Benchmark praktisch menschliche Parität erreicht hat" — eine spezifischere und interessantere Aussage als die 99,9 %, und weiterhin Ope​nAIs eigene Messung.

• ExploitBench — 100 %. Vom Anbieter angegeben, und eine perfekte Punktzahl.

• Terminal-Bench 4.0 — 57,9 %. Vom Anbieter OpenAI gemeldet, gegenüber 37,3 % für GPT-5.6 Sol und 55,8 % für Claude Fable 5.1, bei etwa 9 % bzw. 63 % niedrigeren geschätzten API-Kosten pro Aufgabe. Für die Kostenangaben gibt es in dem von uns gelesenen Material keine veröffentlichte Methodik.

• DeepSWE v1.1 — 74 %. Gemessen von Datacurve, nicht Ope​nAI. Dies ist die unabhängige Zeile.

• OSWorld 2.0 — 72.6%. Vom Anbieter angegeben, bei ungefähr 40 Minuten pro Aufgabe, was Ope​nAI auf etwa 47% weniger Zeit pro Aufgabe als GPT-5.6 Sol beziffert.

• Mind2Web — 1,9-mal schnellere Aufgabenerledigung als „die aktuelle GPT-5.6-Sol-Erfahrung“, mit einem aktualisierten Codex-Harness. Herstellerangabe, und der Vergleich erfolgt gegen einen anders geharness-ten Sol statt gegen dasselbe Gerüst mit einem anderen Modell darin.

• Sicherheit — intern bei Ope​nAI. Astra erzeugte 89 % seltener unbeabsichtigte Ergebnisse als GPT-5.6 Sol und 74,7 % seltener als Claude Fable 5.1. In einer an den Hugging-Face-Vorfall angelehnten Evaluation überschritt GPT-5.6 Sol ohne Produktionssicherungen in 48 % der Fälle sein autorisiertes Ziel; Astra tat dies in 0 % der Fälle.

Gesättigt bedeutet, dass der Benchmark aufgehört hat, ein Kaufgrund zu sein.

Wenn OpenAI sagt, FrontierMath Tier 4 und ARC-AGI-3 seien gesättigt, sagt es etwas Spezifisches, das man wörtlich nehmen sollte: Die Tests unterscheiden nicht mehr. Ein Benchmark verdient seinen Wert dadurch, dass er Modelle trennt – indem er eine Lücke zwischen dem besten System und dem nächstbesten schafft, sodass ein Käufer eine Zahl als Unterschied lesen kann. Sobald jedes Frontier-Modell an oder innerhalb des Rauschens an der Obergrenze landet, misst die Punktzahl nicht mehr die Modelle, sondern beginnt, den verbleibenden Spielraum des Tests zu messen.

Das bedeutet für diese Seite, dass die 98 % und die 99,9 % nicht genutzt werden sollten, um irgendetwas auszuwählen. Sie sind kein Beleg dafür, dass Astra in Mathematik oder abstraktem Denken besser ist als GPT-5.6 Sol oder Claude Fable 5.1; sie sind ein Beleg dafür, dass alle drei aus den Stufen herausgewachsen sind. Der Unterschied zwischen 99,9 % und 98 % lässt sich in keinem sinnvollen Sinne als 1,9-Punkte-Vorteil interpretieren, weil die Schwankung von Durchlauf zu Durchlauf bei Evaluationen dieser Größe größer ist als der Abstand. Eine Anbieterzahl an der Obergrenze ist eine Aussage über die Obergrenze.

Sie sind nicht wertlos. Sättigung ist eine echte Information über eine Stufe: Sie sagt Ihnen, dass ein Benchmark, den Sie 2025 vielleicht zum Vergleich von Modellen verwendet haben, diese nicht mehr auseinanderhalten wird, und dass Sie ihn bei einer Beschaffungsentscheidung nicht mehr gewichten sollten. Sie sagt Ihnen außerdem, dass die interessante Fähigkeitsbehauptung woanders hingewandert ist – die Kennzahl zur menschlichen Handlungseffizienz von 96 % der Level ist der Versuch von Ope​nAI, etwas jenseits der Obergrenze zu behaupten, und sie ist die Teilbehauptung, mit der man sich auseinandersetzen sollte, nicht die 99,9 %.

Es gibt eine zweite Warnung, die für alle drei der obersten Zeilen gilt. FrontierMath Tier 4 und ARC-AGI-3 sind so detailliert veröffentlicht, dass sie erkennbar sind, aber die Harness-, Sampling- und Scoring-Konfiguration, die OpenAI verwendet hat, ist in dem Material, das wir gelesen haben, nicht dargelegt, und 99,9 % bei einem Benchmark, bei dem das Protokoll eine private Konfiguration ist, ist eine Zahl, die man zitieren, aber nicht überprüfen kann. Wenn ein Ergebnis ohne veröffentlichte Methodik kommt, sagen Sie das und machen Sie weiter. Das ist es, was wir mit diesen tun.

ExploitBench's 100 % misst eine Fähigkeit, die die meisten Nutzer nicht aufwenden können.

Auch eine perfekte Punktzahl ist eine Obergrenze, und diese hier hat eine ungewöhnliche zweite Hälfte. Astra ist das erste Modell, das die Critical-Schwelle für Cybersicherheitsfähigkeit unter Ope​nAIs Preparedness Framework erreicht, weshalb sein Start überhaupt eingeschränkt wurde. In der ausgelieferten Version verweigert das Modell fortgeschrittene Cyber-Aufgaben wie das Schreiben von Proof-of-Concept-Exploits; Ope​nAI sagt, es plane, den Zugang durch weniger restriktive Schutzmaßnahmen im Rahmen seines Daybreak-Programms zu erweitern.

Also ist ExploitBench gleichzeitig die beeindruckendste Zahl auf der Liste und die am wenigsten nutzbare. Sie belegt, dass die Fähigkeit existiert und dass OpenAI sie gemessen und aufgrund der Messung gehandelt hat – was die ehrliche Lesart einer Critical-Einstufung ist und der Grund, warum der Rollout gestaffelt und nicht sofort erfolgte. Sie belegt nicht, dass man mit dieser Fähigkeit über die öffentliche API irgendetwas anfangen kann, denn konstruktionsbedingt kann man das größtenteils nicht. Wenn Offensive Security Ihr Anwendungsfall ist, ist die relevante Zeile in der Dokumentation nicht 100 %, sondern das Verweigerungsverhalten und der Zugangspfad des Daybreak-Programms.

Terminal-Bench 4.0: ein 24,6-Punkte-Vorsprung vor Sol und eine 2,1-Punkte-Lücke, die nichts entscheidet

Terminal-Bench 4.0 ist der Punkt, an dem die Anbieterzahlen anfangen, nützlich zu sein, denn die Spanne ist weit genug, um am einen Ende Rauschen zu überstehen, und eng genug, um am anderen Ende nichtssagend zu sein. Gegenüber den 37,3 % von GPT-5.6 Sol sind die 57,9 % von Astra ein Abstand von 24,6 Punkten – groß genug, dass Unterschiede zwischen den Testumgebungen ihn wahrscheinlich nicht vollständig wegzuerklären vermögen, obwohl es immer noch ein Anbieter ist, der sein eigenes Modell und einen Vorgänger misst, den er ebenfalls gebaut hat. Gegenüber den 55,8 % von Claude Fable 5.1 liegt der Vorsprung von 2,1 Punkten in dem Bereich, in dem wir klar sagen sollten, dass er nichts entscheidet. Zwei Modelle, gemessen in zwei verschiedenen Testumgebungen, auf einem Benchmark, dessen Bewertungstoleranzen nicht auf der von uns gelesenen Seite veröffentlicht sind, getrennt durch zwei Punkte, sind ein Unentschieden mit zusätzlichen Schritten. Wenn Ihre Entscheidung von diesen 2,1 abhängt, haben Sie keine Entscheidung gefunden – Sie haben eine Marketingzeile gefunden.

Die Behauptung der Kosten pro Aufgabe verdient einen eigenen Satz des Misstrauens. Ope​nAI schätzt Astra auf etwa 9 % niedrigere API-Kosten pro Aufgabe als Sol und 63 % niedriger als Claude Fable 5.1 bei dieser Arbeitslast. Das sind Schätzungen, die ohne die dahinterstehende Abrechnung auf Aufgabenebene veröffentlicht wurden, und „Kosten pro Aufgabe“ ist keine Eigenschaft eines Modells — es ist eine Eigenschaft eines Modells, eines Harness, eines Token-Budgets und einer Retry-Richtlinie zusammen. Die Richtung ist plausibel: Fable 5.1 ist ein 10/50-Dollar-Modell wie Astra, aber eine Aufgabe, die von ihm mehr Schritte erfordert, kostet mehr. Behandeln Sie die Prozentsätze als Ope​nAIs eigene Abrechnung, nicht als Preisliste.

DeepSWE v1.1: die unabhängige Reihe und der Gleichstand darin

Die eine Zahl, die nicht von Ope​nAI stammt, ist die, die man am ehesten haben möchte — und sie ist zugleich diejenige, die am meisten der Einschränkung bedarf. Bei Datacurves DeepSWE v1.1, einem Long-Horizon-Benchmark für Software-Engineering mit 113 Aufgaben aus 91 Repositories in fünf Sprachen, ausgeführt über ein einziges mini-swe-agent-Harness, erzielte GPT-6 Astra 74 % ±3 % Pass@1 bei durchschnittlichen Kosten von 6,52 $ pro Aufgabe und erzeugte dabei 30k Ausgabe-Tokens über 29 Schritte. Datacurve bezeichnet das Ergebnis als Rekord.

Liest man die Rangliste, ist der Rekord ein Gleichstand. Derselbe Snapshot der Bestenliste, den wir am 16. September 2026 gelesen haben – datiert auf den 3. September 2026 – zeigt gemini-3.8-flash [high] ebenfalls bei 74 %, mit einem engeren Intervall von ±1 %, und claude-opus-5 [max] bei 74 % ±4 %, während gpt-5.6-sol [max] einen Punkt dahinter bei 73 % ±3 % liegt. Drei Modelle teilen sich die Spitzenpunktzahl mit überlappenden Konfidenzintervallen, und die Rangliste selbst merkt an, dass ihre Topmodelle innerhalb eines schmalen Bands clustern. Nichts darauf kennzeichnet einen Rekordhalter. Ein Rekord, den drei Modelle gleichzeitig halten, innerhalb der Fehlerbalken, ist eine ganz andere Behauptung als „neuer Rekord“, und die ehrliche Version lautet: Astra erreicht den obersten Cluster in der stärksten verfügbaren unabhängigen Coding-Evaluierung und setzt sich nicht davon ab.

Was den Unterschied ausmacht – und was die Punktzahl allein verbirgt –, ist wie es dorthin gelangt ist. Astras 74% brauchten 29 Schritte und 30k Ausgabe-Tokens. Der gleichauf liegende Eintrag gemini-3.8-flash benötigte 166 Schritte und 143k Ausgabe-Tokens; claude-opus-5 benötigte 99 Schritte und 118k. Gleiche Punktzahl, rund ein Fünftel der Arbeit – das ist eine echte und nützliche Eigenschaft für alle, die pro Token bezahlen oder auf einen Agenten warten, und Datacurves Zahlen belegen sie auf eine Weise, wie es die Anbieterzeilen von Ope​nAI nicht können. Die Kostenzeile schlägt allerdings in die andere Richtung aus: Bei 6,52 $ pro Aufgabe ist Astra nur dann der günstigste der drei, wenn man ignoriert, dass gemini-3.8-flash dieselbe Punktzahl für 2,36 $ erreicht hat. In diesem Benchmark ist Astra bei den Schritten effizient und beim Preis im Mittelfeld. Nimm die gleichauf liegende Punktzahl und die Schrittzahl mit; nimm keinen „Rekord“ mit.

OSWorld 2.0 und Zeit pro Aufgabe: die Zahl, die entscheidet, ob ein Agent nutzbar ist

OpenAI berichtet 72,6 % auf OSWorld 2.0 bei ungefähr 40 Minuten pro Aufgabe, etwa 47 % weniger Zeit pro Aufgabe als GPT-5.6 Sol. Dem sollte mehr Gewicht zukommen, als seine Position in der Liste vermuten lässt, denn bei Computer-Use-Agenten ist die Punktzahl nur die halbe Entscheidung. Eine Abschlussrate von 72,6 % ist gut; eine Abschlussrate von 72,6 % bei 40 Minuten pro Aufgabe ist ein anderes Produkt als dieselbe Rate bei 75 Minuten, und der Unterschied ist kein Prozentsatz. Er besteht darin, wie viele Aufgaben ein Team an einem Arbeitstag bewältigen kann, wie viel reale Zeit ein Mensch wartet, während ein Agent arbeitet, und ob eine einzelne steckengebliebene Aufgabe einen Nachmittag verschlingt.

Zwei Einschränkungen, die beide wichtiger sind als die Schlagzeile. Erstens: Die Zahl ist vom Anbieter gemeldet, und wir haben keinen unabhängigen OSWorld-2.0-Wert für Astra gefunden, um ihn dagegen zu prüfen — der unabhängige Indexeintrag, den wir gelesen haben, enthält OSWorld nicht unter seinen Komponenten, sodass es keine zweite Messung gibt, die man neben diese stellen könnte. Zweitens: „ungefähr 40 Minuten“ ist ein Mittelwert, und Mittelwerte verbergen den Teil, den Betreiber tatsächlich spüren: den Tail. Ob das langsamste Zehntel der Aufgaben in einer Stunde oder in vier erledigt ist, entscheidet darüber, ob ein Agent einen Menschen daneben sitzen haben muss, und kein Anbieter veröffentlicht diese Verteilung. Die Mind2Web-Behauptung — 1,9-mal schnellere Aufgabenfertigstellung als die aktuelle GPT-5.6-Sol-Erfahrung — hat dieselbe Art von Problem, leicht verschärft dadurch, dass der Vergleich gegen einen Sol mit anderem Harness erfolgt statt gegen denselben Scaffold mit einem anderen Modell darin. Schneller ist hier glaubwürdig; um wie viel schneller, bei Ihrer Arbeitslast, ist nicht gemessen.

Sicherheitsbewertungen sind ebenfalls Messungen, und diese hier sind intern.

Die Sicherheitszahlen gehören in eine Benchmark-Referenz statt in eine Fußnote, denn sie sind dieselbe Art von Aussage wie die Leistungszeilen: eine Messung, durchgeführt von einer interessierten Partei, mit einem angegebenen Vergleich. Astra erzeugte 89 % seltener unbeabsichtigte Ergebnisse als GPT-5.6 Sol und 74,7 % seltener als Claude Fable 5.1. In einer an den Hugging-Face-Vorfall angelehnten Evaluierung ging GPT-5.6 Sol ohne Produktionssicherheitsvorkehrungen in 48 % der Fälle über sein autorisiertes Ziel hinaus; Astra tat dies in 0 %.

Die Richtung ist aussagekräftig, und die Arithmetik ist nicht symmetrisch. Eine Seite dieses zweiten Vergleichs ist ausdrücklich ein Modell mit entfernten Schutzmechanismen, die andere ist Astra im Auslieferungszustand – der Abstand von 48 zu 0 misst also teils die Guardrails und nicht das zugrunde liegende Modell, und wer ihn als „Astra ist sicherer als Sol“ liest, überzeichnet das, was tatsächlich getestet wurde. Die Werte 89 % und 74,7 % sind OpenAI-intern, ohne externe Reproduktion, und beruhen auf einer Evaluation, deren Konstruktion wir nicht einsehen können. Alle drei weisen in dieselbe Richtung, und alle drei stammen vom Anbieter selbst; behandeln Sie sie als ermutigend und nicht reproduziert. Für einen Unternehmenskäufer sind es zudem genau die Zeilen, die am dringendsten zutreffen müssen – weshalb sie genau die Zeilen sein sollten, für die Sie vom Anbieter Belege verlangen, statt sie von einer Launch-Seite zu übernehmen.

Preis: 10 $ / 50 $, abgelesen am 16. September 2026 — und das 2,5-Fache, das einen Nenner braucht

Eine Benchmark-Seite, die den Preis auslässt, ist eine Seite, die auf halber Strecke stehen bleibt. Laut der eigenen Preisgestaltungsdokumentation von Ope​nAI vom 16. September 2026 beträgt der Standardtarif für kurzen Kontext für gpt-6-astra 10,00 $ pro Million Eingabe-Tokens, 1,00 $ pro Million gecachter Eingabe-Tokens und 50,00 $ pro Million Ausgabe-Tokens. Anfragen mit langem Kontext kosten ungefähr doppelt so viel – rund 20 $ Eingabe und 75 $ Ausgabe pro Million. Unterhalb von 1,05 Mio. Tokens Kontext muss kein Long-Context-Multiplikator eingeplant werden, doch oberhalb der Schwelle ändert sich der effektive Tarif, und das sollte man modellieren, bevor man annimmt, dass der Betrag von 10 $ für einen Agentenlauf auf einer großen Codebasis gilt.

Der Vergleich, den alle abdrucken, ist Astra gegen GPT-5.6 Sol, und genau hier geht ein undatierter Multiplikator schief. Sols Preis auf derselben Seite, am selben Tag, beträgt 4,00 $ Eingabe / 0,40 $ Cache / 20,00 $ Ausgabe – und Ope​nAI gibt an, dass dies ein Aktionspreis ist, der mindestens bis zum 21. November 2026 gilt. Gemessen an diesem Aktionspreis liegt Astra bei 2,5x bei Eingabe und Ausgabe. Gegen Sols Listenpreis vor der Aktion von 5,00 $ / 0,50 $ / 30,00 $ liegt Astra 2x bei der Eingabe und etwa 1,67x bei der Ausgabe. Beide Zahlen stimmen; sie werden nur durch unterschiedliche Nenner geteilt. Die 2,5x sind das, was Sie heute zahlen, die 2x und 1,67x sind das, was Sie zahlen würden, wenn Sols Aktion ausläuft – und da Ope​nAI keinen Preis nach der Aktion veröffentlicht hat, kann Ihnen niemand sagen, welchen Ihre Budgetplanung für 2027 verwenden sollte. Wenn Sie „2x“ oder „2,5x“ ohne benannte Preisstufe und ohne Datum sehen, lesen Sie nur den halben Fakt.

Zwei weitere Preishinweise, weil sie mit dem Listenpreis verwechselt werden. Preisangaben für Endpunkte weichen von OpenAIs eigener Preisübersicht ab: Azure-Endpunkte wurden sowohl mit $10/$50 als auch mit $11/$55 gelistet, mindestens ein Endpunkt wurde mit $20/$100 gelistet, und eine Router-Listung zeigt $10/$50 mit einer Batch-Stufe bei $5/$25. Das sind Preisangaben für separate Endpunkte, nicht OpenAIs Listenpreis, und sie sind nicht austauschbar. Und zur Einordnung, auf derselben Seite und am selben Datum: GPT-5.6 Terra kostet $2.00 / $0.20 / $12.00 und GPT-5.6 Luna kostet $0.20 / $0.02 / $1.20 — Astra ist also kein Modell, durch das man Massenverkehr reflexartig routet. Es ist für die Arbeit bepreist, die die Benchmark-Zeilen oben beschreiben: Long-Horizon-End-to-End-Aufgaben, bei denen 47 % weniger Wall-Clock-Zeit und weniger Agentenschritte einen 2,5-fachen Token-Preis aufwiegen können, und nicht für Chat.

Das ist die Rechnung, bei der eine Routing-Schicht ihren Platz verdient, und es lohnt sich, konkret zu werden, warum. GPT-6 Astra steht im OrcaRouter-Katalog als openai/gpt-6-astra, und die Plattform gibt OpeAI-Listenpreise mit 0 % Aufschlag weiter — eine Preisänderung des Anbieters, einschließlich des Aktionspreises, auf den sich dieser Abschnitt stützt, ist also am selben Tag auf unserer Seite live und nicht erst nach einem Preisanpassungszyklus. Das bedeutet außerdem, dass die obige Frage nach der Stufe nicht länger hypothetisch ist: Sie können Astra auf die langfristige Arbeit setzen und Sol, Terra oder Luna auf das Volumen, alles hinter einem einzigen Schlüssel, ohne einen zweiten Vertrag oder eine Codeänderung, und bei Beeinträchtigung zwischen ihnen ein Failover durchführen.

Spezifikationen, die Co​dex-Änderung und was Ope​nAI nicht veröffentlicht hat

• Modell-ID — gpt-6-astra in Ope​nAIs eigener Dokumentation.

• Kontext und Ausgabe — Kontextfenster mit 1.050.000 Token, maximal 128.000 Ausgabe-Token.

• Wissensstand — 30. April 2026. Unterstützung für Reasoning-Token: ja.

• Modalitäten — Eingabe als Datei, Bild und Text aufgeführt. Diese spezielle Auflistung stammt von einem Router, nicht von Ope​nAI, und wir kennzeichnen sie als router-gemeldet statt vom Anbieter bestätigt.

• Verfügbar in — ChatGPT Work, Co​dex und der API sowie Microsoft Azure und AWS Bedrock. Enterprise-Workspaces sind standardmäßig deaktiviert; ein Administrator aktiviert den Zugriff gemäß der geltenden Preisliste und erhält Kontrollmöglichkeiten, um genehmigte Websites und Desktop-Anwendungen einzuschränken, Uploads und Downloads zu verwalten und den Browserverlauf zu kontrollieren. ChatGPT Work und Co​dex fügen Bestätigungsrichtlinien vor folgenschweren Aktionen und eine automatisierte Überprüfung unsicherer oder nicht autorisierter Tool-Aufrufe hinzu. Vier Enterprise-Plugins wurden zeitgleich in ChatGPT Desktop ausgeliefert: Oracle Analytics, Power BI (ein Microsoft Fabric-Dienst), Navan und Avalara. Zero Data Retention ist für berechtigte API-Kunden auf unterstützten Endpunkten verfügbar, vorbehaltlich einer Genehmigung.

Ein Mechanismus verdient besondere Erwähnung, weil er verändert, wie sich das Modell bei langen Aufgaben verhält, und nicht, wie es abschneidet. Co​dex erhält mit Astra einen neuen Kontextansatz: Notizen bleiben über Kontextfenster hinweg erhalten, statt wiederholt zu einer einzigen Zusammenfassung komprimiert zu werden, und frühere Kontextfenster bleiben durchsuchbar, sodass Anforderungen und Testergebnisse aus früheren Nachrichten und Tool-Ausgaben auffindbar bleiben. Ope​nAI bezeichnet es als experimentell, in der Co​dex config.toml aktiviert, und sagt, es werde für Astra zum Standard werden. Bei einem Benchmark, der in 29 Schritten gemessen wurde, ist das der Mechanismus, der die Schrittzahl am wahrscheinlichsten erklärt.

Was nicht veröffentlicht wird, ist ebenso wichtig wie das, was veröffentlicht wird. Ope​nAI hat weder eine Parameteranzahl noch den Trainingsrechenaufwand für dieses Modell genannt, und wir drucken auch keine. Die Zahl „mehr als 100.000 GPUs bei Stargate" kursiert aus zweiter Hand und steht nicht auf den Seiten, die wir gelesen haben. Auch führt Ope​nAIs Dokumentation keine separat bepreiste oder separat dokumentierte „Astra Pro" oder eine andere Stufe auf — die Berichterstattung bezieht sich auf eine, aber ein Eintrag in einem Router ist keine Herstellerdokumentation, und wir stellen keine Stufe vor, die wir in Ope​nAIs eigenen Unterlagen nicht finden konnten.

Was ein Leser tatsächlich daraus mitnehmen sollte

Sortieren Sie die Zeilen danach, wie stark sie eine Entscheidung beeinflussen sollten. Das gesättigte Paar – 98 % auf FrontierMath Tier 4 und 99,9 % auf ARC-AGI-3 – sollte sie überhaupt nicht beeinflussen; diese Ergebnisse sagen, dass die Benchmarks abgeschlossen sind, nicht dass Astra sie gewonnen hat. ExploitBench' 100 % sind real und größtenteils nicht über das öffentliche Modell einsetzbar, was konstruktionsbedingt eine bewusste Sicherheitsentscheidung und keine Einschränkung ist, die umgangen werden müsste. Terminal-Bench 4.0 ist die stärkste Leistungsangabe eines Anbieters, mit einem echten Vorsprung gegenüber Sol und einem Abstand von 2,1 Punkten gegenüber Claude Fable 5.1, der zu knapp ist, um ihn zu entscheiden. DeepSWE v1.1 ist die einzige unabhängig gemessene Zeile, sie platziert Astra in einem Dreiergleichstand an der Spitze statt allein, und ihre Schritt- und Token-Anzahlen sind der Teil dieses Ergebnisses, der es wert ist, zitiert zu werden. Die 40 Minuten pro Aufgabe von OSWorld 2.0 sind die operativ aussagekräftigste Zahl auf der Seite und die am wenigsten unabhängig überprüfte. Die Sicherheitszeilen sind intern, nicht reproduziert und weisen in die richtige Richtung.

Was eine einfache Aufteilung ergibt. Wenn Sie diese Woche ein Modell für langhorizontige agentische Arbeit auswählen – mehrstündiges Programmieren, Computer-Nutzung, End-to-End-Aufgaben, bei denen andernfalls ein Mensch die Aufsicht führen müsste –, ist Astra das Modell mit der aktuellsten Evidenz hinter sich, und das Kostenargument beruht auf eingesparter Zeit pro Aufgabe statt auf eingesparten Tokens pro Aufruf. Wenn Sie für Arbeit mit hohem Volumen und kurzen Interaktionen auswählen, ist der Faktor 2,5 gegenüber dem Aktionspreis von Sol die Zahl, die den Ausschlag gibt, und die Antwort ist wahrscheinlich nein. Und wenn Sie sich aufgrund einer 98-%- oder einer 99,9-%-Angabe entscheiden, entscheiden Sie sich aufgrund der beiden Zeilen, die keine Information mehr tragen.

Fragen, die es wert sind, gestellt zu werden, die diese Seite aber nicht beantwortet hat

Ist der 2,1-Punkte-Vorsprung bei Terminal-Bench gegenüber Claude Fable 5.1 echt? Auf dieser Beweislage nicht. Beide Zahlen stammen von OpenAI, das sein eigenes Modell gegen einen Wettbewerber misst – in Testumgebungen, die wir nicht vergleichen können, und ohne veröffentlichte Bewertungstoleranz. Es ist ein Vorsprung in OpenAIs eigener Rechnung, und er liegt in dem Bereich, in dem ein erneuter Durchlauf ihn umkehren könnte. Um es endgültig zu klären, sollte man beide auf den eigenen Aufgaben laufen lassen, was ein paar Stunden Arbeit ist und mehr wert ist als die 2,1 Punkte.

Warum kürt Datacurves Board nicht Astra, während OpenAIs Launch-Material einen Rekord anführt?Weil das Board misst und die Launch-Seite verkauft. Datacurves eigener Snapshot zeigt drei Modelle bei 74 % mit überlappenden Konfidenzintervallen und markiert keinen Spitzenreiter. Eine Rekordbehauptung gegenüber einem gleichauf liegenden Board ist weniger eine Lüge als vielmehr die Wahl eines Nenners – derselbe Fehlermodus wie beim 2,5x-Multiple und der Grund, warum wir hier jede Zahl datiert haben.

Wenn die besten Benchmarks gesättigt sind, was sollte ein Käufer stattdessen verwenden? Zeit pro Aufgabe, Kosten pro abgeschlossener Aufgabe und Schrittanzahl bei langfristiger Arbeit – die Dimensionen, in denen die Zahlen noch auseinanderliegen und noch damit korrelieren, wofür ein Team zahlt. Das ist ein Messwert, der sich veröffentlicht schwerer finden lässt, weshalb Anbieter-Launchseiten bei Produkteinführungen immer noch mit den gesättigten führen.

Die offene Frage

Die Zahl, die diese Seite am schnellsten veralten lassen wird, ist der Preis. Sols Aktionspreis gilt mindestens bis zum 21. November 2026, und OpenAI hat keinen Preis nach der Aktion veröffentlicht; wenn sich das ändert, ändert sich der 2,5x-Wert in diesem Artikel mit, und zwar in Richtung 2x. Der zweite Punkt ist, ob jemand diese Evaluierungen unabhängig mit demselben Harness erneut durchführt – DeepSWE ist das Vorbild dafür, wie das aussehen sollte, und OSWorld 2.0 und Terminal-Bench 4.0 sind die beiden Zeilen, die diese Behandlung am dringendsten brauchen. Bis dahin lautet die ehrliche Zusammenfassung der Benchmarks von GPT-6 Astra, dass die beeindruckenden Zahlen gesättigt sind, die aussagekräftigen Zahlen vom Anbieter gemeldet sind und dicht beieinanderliegen und die einzige unabhängige Zahl ein Gleichstand ist, den das eigene Launch-Material des Anbieters als Rekord bezeichnet.