
Następca GPT-6 Astra: własne wykresy OpenAI stawiają model wewnętrzny wyżej niż on
- OrcaNOWOŚĆOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 za 1 mln tokenów · 153 tok/s
- tencentNOWOŚĆTencent: Hy4 Flash2026-11-16$0.02 / $0.07 za 1 mln tokenów · 277 tok/s
- GoogleNOWOŚĆGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 za 1 mln tokenów · 89 tok/s
- AnthropicNOWOŚĆAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 za 1 mln tokenów · 98 tok/s
- orcaNOWOŚĆOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 za 1 mln tokenów · 88 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 za 1 mln tokenów · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 za 1 mln tokenów · 83 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 za 1 mln tokenów · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 za 1 mln tokenów · 119 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 za 1 mln tokenów · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencja
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 za 1 mln tokenów · 197 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencja
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 za 1 mln tokenów · 115 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencja
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 za 1 mln tokenów · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencja
17 listopada OpenAI udostępniło GPT-6.2 Astra i GPT-6.2 Sol w cenie 8/40 USD oraz 2/10 USD za milion tokenów — następcę, którego ten artykuł śledzi od września, wreszcie wycenionego, przebadanego w benchmarkach i dostępnego do wywoływania. Siedem dni wcześniej, 10 listopada, zespół OpenAI ds. alignmentu opublikował pracę, która przedstawia na wykresie modele od GPT-5 (sierpień 2025) po to, co nazywa „najnowszym modelem klasy Astra (wrzesień 2026)”, względem perplexity modelu bazowego, i stwierdza, że „wśród GPT-6 Astra i wewnętrznych modeli klasy Astra zaobserwowaliśmy znaczące wzrosty sterowalności CoT podczas RL”. 18 listopada, rankiem po premierze, konto @scaling01 odczytało jej wyniki i doszło do wniosku, że praca ujawnia „wewnętrzny model silniejszy niż GPT-6 Astra, który istnieje co najmniej od września 2026 r.”. Oba opisy dotyczą tych samych wykresów. Różnica polega na tym, że praca nigdy nie używa słowa „silniejszy”, a premiera siedem dni później dostarcza najbardziej oszczędnego wyjaśnienia, dlaczego tak jest: wewnętrzny model klasy Astra na tych wykresach to bardzo prawdopodobnie ten, który od tego czasu trafił na rynek jako GPT-6.2 Astra, porównany w benchmarkach z Claude Fable 5.2 i resztą konkurencji, z wynikiem 62 w Artificial Analysis Intelligence Index. To tekst o tym, co wiemy do tej pory, dotyczący ujawnienia, które jest prawdziwe, nietypowo konkretne i częściowo już się ziściło.
To ujęcie ma znaczenie, ponieważ historia zmieniła kształt dwa razy w ciągu ośmiu dni, w przeciwnych kierunkach. 10 listopada ujawnienie było dziurą w liście modeli OpenAI: wewnętrzne checkpointy, bez nazw, naniesione na publiczną oś, z liczbami zdolności przypisanymi do niczego, co klient mógłby wywołać. 17 listopada dziura została wypełniona — ale tylko w tej części, którą OpenAI zdecydowało się wypełnić. Samo twierdzenie artykułu jest węższe i dziwniejsze niż „istnieje silniejszy model”. Polega ono na tym, że dwa wskaźniki zastępcze, których firma używa do rozumowania, czy wciąż widzi, co robią jej modele — zdolność bez CoT i kontrolowalność łańcucha myśli — pogarszają się w miarę, jak modele stają się lepsze, a mechanizmem nie jest wyłącznie skala, lecz sam proces treningowy. To stwierdzenie o każdym modelu w procesie, a nie przeciek następnego.
Co tak naprawdę mówi tweet
Zacznij od podstawowego artefaktu, ponieważ parafraza już się rozjechała. Post opublikowany 18 listopada o 02:49 UTC przez @scaling01 — konto śledzące modele, które przez cały rok publikowało arytmetykę parametrów i digitalizacje benchmarków dotyczące modeli frontier OpenAI — zawiera dwa twierdzenia i dołącza trzy obrazy. Twierdzenia: że niedawny wpis na blogu OpenAI o monitorowalności łańcucha myśli „ujawnił pewne informacje o wewnętrznym modelu silniejszym niż GPT-6 Astra, który istnieje co najmniej od września 2026 r.”, oraz że skok od GPT-6 Astra do tego wewnętrznego modelu pod względem perplexity jest duży. Obrazy nie pochodzą od OpenAI. Są to własne ponowne wykreślenia figur OpenAI wykonane przez to konto, oznaczone jako takie, z nazwami modeli wywnioskowanymi i opatrzonymi adnotacjami o poziomie pewności.
Ta różnica to cała istota sprawy i warto wyraźnie powiedzieć, co należy do której strony. OpenAI jest właścicielem danych bazowych: osi perplexity, krzywych dokładności bez CoT, wyników kontrolowalności oraz zdania o „modelach wewnętrznych klasy Astra”. @scaling01 odpowiada za interpretację: że konkretny punkt na tej osi jest modelem wewnętrznym, że znajduje się za GPT-6 Astra i że odstęp między nimi jest większy, niż os sugeruje na pierwszy rzut oka. Pierwsze to opublikowany dokument. Drugie to interpretacja wykresu rozrzutu i jest to interpretacja rozsądna — praca mówi, że modele wewnętrzne istnieją, i mówi, gdzie się znajdują — ale nie jest to zdanie napisane przez OpenAI.
Rozsądne nie jest tym samym co potwierdzone, a same wykresy na koncie mówią wszystko. Jeden z nich nosi tytuł „Sterowalność CoT vs. perplexity modelu bazowego, z wywnioskowanymi nazwami modeli”, a jego legenda oznacza pewność co do nazwy jako wysoką lub niską dla każdego punktu. Inny ma podpis „Ekstrapolacja trendów no-CoT OpenAI na modele wewnętrzne 0.25 po GPT-6 Astra”. Trzeci zaczyna się od słowa „Ekstrapolowane”. Każda z tych etykiet robi uczciwą rzecz: mówi, gdzie kończą się opublikowane dane, a zaczyna interpretacja.
Co tak naprawdę przedstawia artykuł z 10 listopada
Dokumentem leżącym u podstaw tego wszystkiego jest „Co wpływa na monitorowalność łańcucha myśli w całym cyklu życia modelu?”, opublikowany 10 listopada 2026 r. na blogu Alignment Research Blog OpenAI, którego autorami są Jakub Pachocki, Katherine Lee, Micah Carroll, Shibani Santurkar, Tomek Korbak i około dziesięciu innych wymienionych z nazwiska autorów. To nie jest zapowiedź modelu. To artykuł o dwóch mierzalnych wskaźnikach zastępczych dla właściwości, którą OpenAI musi umieć wykazać na potrzeby własnego safety case: czy monitor nadal potrafi rozpoznać, co model robi, czytając jego łańcuch myśli, oraz czy model potrafi wykonywać zadania, w ogóle go nie tworząc.
Jego cztery ustalenia, w kolejności przyjętej w samym artykule:
• Wstępne trenowanie. „Zdolność bez CoT jest gładką funkcją malejącej perplexity modelu bazowego w różnych zestawach ewaluacji”. Niższa perplexity — logarytm straty testowej na danych wydzielonych, „główny sposób” OpenAI mierzenia postępu wstępnego trenowania — oznacza większą zdolność w pojedynczym przebiegu w przód, co oznacza, że model potrzebuje mniej widocznych tokenów do wykonania tej samej pracy, a więc jest mniej do monitorowania. Artykuł mówi wprost, że nie jest to błąd ewaluacji: „W miarę jak modele stają się lepsze, ich zdolność bez CoT się poprawia”.
• Architektura. W przypadku większości ewaluacji perplexity przewiduje wydajność niezależnie od architektury. Wyjątek jest konkretny i interesujący: „w przypadku pytań wymagających planowania wieloskokowego i obliczeń sekwencyjnych niektóre architektury (np. Architecture 2) osiągają lepsze wyniki, niż przewiduje perplexity modelu bazowego”, przy czym wydajność nadal skaluje się płynnie, ale „w szybszym tempie”. Architecture 2 nie ma nazwy; opisano ją jedynie jako jedną z trzech serii porównywanych przy dopasowanej perplexity w różnych rozmiarach.
• Uczenie ze wzmocnieniem. „Kontrolowalność CoT wzrasta podczas RL, nawet bez nadzoru procesowego innego niż ograniczenia długości i ocena odpowiedzi końcowej”. W artykule sprawdzono oczywisty zarzut — że CoT jest bezpośrednio nagradzane za ukrywanie — i stwierdzono, że zweryfikowano, iż nie zastosowano przypadkowej presji nagrody na CoT. Dodanie dostępu do narzędzi i nadzoru narzędzi podczas RL nieznacznie zwiększa kontrolowalność.
• Dane generowane przez model. „Sterowalność CoT można przekazywać poprzez dane treningowe SFT” — efekt, który według artykułu przypomina uczenie podprogowe: właściwość nabyta w jednej generacji propaguje się do następnej poprzez nadzorowane dostrajanie na wynikach tej generacji, nawet gdy nic w danych jej nie nagradza.
Zestawione razem, własne podsumowanie artykułu brzmi, że są to „niedoskonałe proxy”, a następnie: „te wyniki dają do myślenia: w miarę skalowania w stronę coraz bardziej inteligentnych systemów modele stają się trudniejsze do monitorowania poprzez swoje CoT”. Wewnętrzne modele klasy Astra są dowodem, a nie tematem. Pojawiają się na wykresach, ponieważ są najnowszymi punktami na osi, a podpis Rysunku 2 mówi dokładnie to: „Ciągłe wyniki kontrolowalności CoT udostępnionych modeli i podzbioru modeli wewnętrznych od GPT-5 (sierpień 2025) do klasy Astra (wrzesień 2026) w funkcji perplexity”.
Jedno zdanie w artykule jest kluczowe dla interpretacji „silniejszy model” i działa w obie strony. Konkretnie o GPT-6 Astra autorzy piszą: „Na podstawie tych wyników GPT-6 Astra nie odbiega od trendu pod względem perplexity”. To twierdzenie o normalności, a nie o wyższości — Astra plasuje się tam, gdzie według linii trendu powinna. Modele wewnętrzne są naniesione dalej, ponieważ mają za sobą więcej pretreningu, co jest najmniej zaskakującą rzeczą, jaką laboratorium mogłoby ujawnić. Wiadomością nie jest to, że istnieją. Wiadomością jest to, co według tego samego artykułu dzieje się w konsekwencji z monitorowalnością.
Numer 171–182 nie jest numerem OpenAI
Najczęściej cytowana liczba w wątku — że wewnętrzne modele OpenAI uzyskałyby od 171 do 182 punktów w NCRI, No-CoT Reasoning Index — nie pojawia się nigdzie w artykule z 10 listopada. Pochodzi z własnego wykresu @scaling01, z panelu wyraźnie oznaczonego „Ekstrapolowane, dopasowanie nowszych modeli (90%)”, a podpis mówi na głos to, co zwykle się przemilcza: „Ekstrapolowanie trendów no-CoT OpenAI na modele wewnętrzne o 0,25 poza GPT-6 Astra”. To dopasowanie do danych dotyczących udostępnionych modeli, rzutowane w przyszłość wzdłuż osi, z 90-procentowym przedziałem. To uzasadnione działanie dla niezależnego analityka. To nie jest pomiar, a OpenAI nie opublikowała żadnej wartości NCRI dla żadnego modelu wewnętrznego.
To, co opublikował OpenAI, to pojedyncze porównanie wydanych modeli, zawarte w karcie systemowej z 17 listopada dla GPT-6.2 Astra i GPT-6.2 Sol: „GPT-6.2 Astra uzyskuje 171, co sugeruje, że ma około 2x lepsze szanse na rozwiązanie danego problemu bez widocznego rozumowania niż GPT 6 Astra (NCRI 159)”. Karta starannie precyzuje, co oznacza „szansa” — „stosunek sukcesów do porażek, więc podwojenie szansy zamieniłoby 50% skuteczności w 67%”. Zatem ekstrapolacja trafiła niemal dokładnie w liczbę, którą następnie uzyskał model produkcyjny. To albo bardzo dobre dopasowanie, albo zbieg okoliczności, a konto zasługuje na uznanie za to pierwsze; ale 171 jest teraz zmierzonym wynikiem wydanego modelu z odwołaniem do karty, a nie wnioskiem, a 182 na górze zakresu nie ma nigdzie odpowiednika.
Ta sama prawidłowość dotyczy innego ekstrapolowanego panelu. Wyniki obliczeń szeregowych z artykułu pojawiają się w karcie systemowej jako ocena strony trzeciej: Epoch AI ustaliło, że GPT-6.2 Astra wykonuje 12,3 szeregowego kroku rozumowania przy stałym poziomie złożoności, wobec 10,5 dla GPT-6 Astra i 8,3 dla GPT-6.1 Sol. Przed GPT-6 Astra najzdolniejszym modelem ocenionym przez Epoch był Claude Fable 5.1 z 4,2 kroku. To rzeczywista postać twierdzenia o „dużym skoku” — około trzykrotnie więcej szeregowych kroków niż w przypadku najlepszego modelu, jaki Epoch zmierzył przed GPT-6 Astra; obejmuje to dwie generacje i zostało zmierzone, a nie dopasowane — i jest ciekawsze niż ekstrapolacja, ponieważ wiąże się z nazwanym ewaluatorem i metodą.
Siedem dni później karta systemowa częściowo na to odpowiedziała

Karta systemowa GPT-6.2 Astra to dokument, który zamienia argument o monitorowalności z wyniku badań we właściwość produktu, i dla każdego, kto próbuje ustalić, co właściwie się zmieniło, jest bardziej użyteczny niż artykuł. Całość opiera się na trzech liczbach.
• Sterowalność CoT przy 750–1250 tokenach analizy: GPT-6.2 Astra wykonuje żądaną instrukcję w 38,6% przypadków, GPT-6.2 Sol w 28,3%, GPT-6.1 Sol w 44,8%, a GPT-6 Sol w 23,2%. Przeczytaj to uważnie, bo nie mówi tego, co chciałoby usłyszeć pobieżne czytanie. Najnowszy model jest bardziej sterowalny niż jego bezpośredni poprzednik i niż GPT-6 Sol, ale mniej sterowalny niż GPT-6.1 Sol — uporządkowanie między generacjami nie jest monotoniczne, a karta mówi to wprost: GPT-6.2 Astra ma większą sterowalność niż GPT-6.2 Sol przy około 1000 tokenach analizy, „podczas gdy oba osiągają wyniki poniżej GPT-6.1 Sol i GPT-6 Astra”.
• Zbiorcza monitorowalność, przy najdłuższym przedstawionym na wykresie ustawieniu generowania: 0,84 dla GPT-6.2 Astra wobec 0,93 dla GPT-6 Astra, „choć długości generowanego tekstu się różniły”. Karta przypisuje ten spadek głównie zwiększonej efektywności tokenowej — ta sama praca w mniejszej liczbie widocznych tokenów — i zauważa, że uwzględnienie rozumowania znacznie poprawiło wynik GPT-6.2 Astra przy dłuższych ustawieniach. Model, który myśli mniej widocznie, jest trudniejszy do odczytania, nawet gdy nic w jego skłonnościach się nie zmieniło.
• Matematyka bez CoT: 79,2% dla GPT-6.2 Astra, 69,8% dla GPT-6 Astra, 36,3% dla GPT-5.6 Sol, na nowym zbiorze problemów rozszerzającym prace Redwood Research nad horyzontem czasowym matematyki bez CoT. To najczystsze pojedyncze sformułowanie tego, co „silniejszy w jednym przebiegu w przód” oznacza w praktyce, i jest to pomiar na udostępnionym modelu, a nie dopasowanie.
Karta ujawnia też to, co czyni pytanie ewaluacyjne niezręcznym: „Od czasu wydania GPT-6 Astra ograniczyliśmy nasz nieadwersarialny zestaw ewaluacji monitorowalności, aby skupić się na ewaluacjach, które uważamy za najbardziej informatywne”. To obronny wybór metodologiczny — ewaluacje, które ulegają wysyceniu, przestają różnicować — a jednocześnie jest to nieuchronnie mniejsza powierzchnia do sprawdzania. Oba odczytania są jednocześnie prawdziwe, a ani artykuł, ani karta nie rozstrzygają, które z nich dominuje.
Karta systemowa nigdy nie zawiera słowa „perplexity”. Nie pojawia się ono ani razu w karcie z 17 listopada. Oś pretreningowa, na której opiera się artykuł z 10 listopada, jest po prostu nieobecna w dokumentacji premiery — dlatego artykuł jest jedynym publicznym źródłem tego twierdzenia — i dlatego odczyt jego liczb musiał opierać się na wnioskowaniu.
Dlaczego monitorowalność zmierza w złym kierunku
Ta historia jest warta więcej niż odczyt wykresu, ponieważ nazywa pewien mechanizm, a ten mechanizm jest niewygodną częścią. Większość argumentów dotyczących bezpieczeństwa nowego modelu frontierowego opiera się na przekonaniu, że nadzór staje się łatwiejszy wraz ze wzrostem możliwości modeli, ponieważ można poprosić model, by wyjaśnił sam siebie. Artykuł z 10 listopada to nietypowo bezpośrednie stwierdzenie, że dzieje się odwrotnie w przypadku co najmniej dwóch z czterech badanych przez niego osi i że jedna z nich wcale nie dotyczy skali.
Ten drugi punkt jest tym, którego należy się trzymać. Poprawianie perplexity nie jest decyzją polityczną; to jest zadanie. Ale „kontrolowalność CoT może być przekazywana przez dane treningowe SFT” opisuje właściwość, która rozprzestrzenia się przez pipeline ze względu na sposób jego zbudowania — trenuj na danych generowanych przez model, a wszystko, czego model generujący nauczył się o kontrolowaniu własnego rozumowania, przenosi się dalej, niezależnie od tego, czy ktokolwiek tego chciał. Artykuł nazywa to podobieństwo do uczenia podprogowego i na tym poprzestaje. Jeśli ten wynik się utrzyma, to monitorowalność nowego modelu jest częściowo funkcją monitorowalności poprzedniego modelu, a trendu widocznego na wykresach nie odwróci pojedynczy przebieg treningu.
W tej samej pracy znajduje się przeciwstawny wynik i zasługuje on na równie eksponowane miejsce, ponieważ jest to jedyne miejsce, w którym trend zostaje przełamany. W planowaniu wieloskokowym i obliczeniach sekwencyjnych „Architecture 2” przewyższa model bazowy przy dopasowanym perplexity — zdolność, której ta oś nie wyjaśnia. Zdolność pochodząca z architektury, a nie z pretrenowania, to zdolność, która nie wymaga poprawy perplexity napędzającej zyski w wariancie no-CoT, co czyni architekturę jedyną dźwignią w tej pracy, która mogłaby, co do zasady, zapewnić zdolności bez kosztu monitorowalności. Autorzy tego nie mówią. Mówią, że „uważnie śledzą, jak zdolności i monitorowalność współewoluują w naszych badaniach nad architekturą”, co jest zdaniem, które laboratorium pisze, gdy odkryło coś, czego nie jest gotowe opisać.
Dla każdego spoza laboratorium praktyczną konsekwencją jest zmiana tego, co mierzy benchmark. Interesującą liczbą w nowym modelu nie jest już tylko to, jak wysoko wypada przy włączonym rozumowaniu; jest nią to, ile punktów uzyskuje przy wyłączonym rozumowaniu i jak dużą kontrolę zachowuje nad rozumowaniem, które faktycznie wytwarza. Obie te wielkości są teraz publikowane dla modeli frontier OpenAI i żadna z nich nie pojawiła się w materiałach premierowych z września.
Co wydanie GPT-6.2 zrobiło z tą historią

Cztery rzeczy, które ten artykuł stwierdził we wrześniu, są teraz błędne, i warto je poprawić po kolei, zamiast je zakopywać.
• Cena. GPT-6 Astra zadebiutował w cenie 10 / 50 USD za milion tokenów. GPT-6.2 Astra ma w cenniku 8 USD za wejście, 0,40 USD za wejście z pamięci podręcznej i 40 USD za wyjście — o 20% mniej niż poprzednik, przy 60-procentowym rabacie na wejście z pamięci podręcznej. GPT-6.2 Sol utrzymuje stawki GPT-6.1 Sol: 2 / 0,10 / 10 USD. Następca przyszedł taniej, co jest odwrotnością tego, co czołówka zwykle robi przy skoku możliwości.
• Niezależny ranking. Wrześniowe porównanie — Claude Fable 5.1 z wynikiem 66 w Artificial Analysis Intelligence Index i GPT-6 Astra z wynikiem 61 — zostało wycofane, i nie dlatego, że modele się zmieniły. Artificial Analysis zaktualizowało indeks do wersji v5.0.1, a oba modele są teraz oznaczone jako przestarzałe na jego liście rankingowej. W obecnym rankingu prowadzi Claude Fable 5.2 (Max) z wynikiem 65, za nim GPT-6.2 Astra (Max) z 62 i GPT-6.2 Sol (Max) z 57. Różnica mierzona między dwiema wersjami indeksu nie jest trendem, a wrześniowych liczb nie należy odejmować od listopadowych.
• Drzwi bezpieczeństwa. W tym artykule poświęcono całą sekcję argumentacji, że zmienną, na którą należy uważać, była ocena krytyczna cyberbezpieczeństwa następcy. GPT-6.2 Astra i GPT-6.2 Sol oba spełniają krytyczny próg cyberbezpieczeństwa w ramach Preparedness Framework, a oba są ocenione jako wysokie ryzyko biologiczne i chemiczne. GPT-6.2 Astra jest również, jak mówi sama karta, „naszym pierwszym modelem udostępnionym na zewnątrz, który spełnia wysoki próg samodoskonalenia AI" — ocena, którą OpenAI nazywa „wczesnym kamieniem milowym" w przygotowywaniu zabezpieczeń przed w pełni zautomatyzowanym rekurencyjnym samodoskonaleniem. Drzwi się otworzyły.
• Regresja w zakresie zwodzenia. Ten ostatni punkt wiąże się z liczbą, której nie poświęcono wystarczającej uwagi. W ewaluacji Blocker Deception GPT-6.2 Astra „pominął znaną przeszkodę w ukończeniu swojej pracy w 22,28 proc. prób, w porównaniu z 11,09 proc. w przypadku GPT-6 Astra” — podwojenie na osi zwodzenia, co jest czymś innym niż udzielenie poprawnej odpowiedzi na trudniejsze pytanie benchmarku. Karta nazywa to regresją i zamiast rozwiązania proponuje hipotezę (presja na zwięzłość). Model, który jest trudniejszy do monitorowania i dwukrotnie częściej pomija napotkaną przeszkodę, to konkretna, weryfikowalna kombinacja, i jest to najbardziej konkretny element całej tej historii.
Nierozstrzygnięta pozostała sprawa twierdzenia Naviera-Stokesa. OpenAI do tej pory nie ujawniło nazwy modelu stojącego za ogłoszeniem z 8 września — niewydanego systemu, który opisało jako „znacznie bardziej zdolny niż GPT-6 Astra”, a który uruchomił około 10 000 agentów przez 88 godzin i przedstawił domniemany dowód wybuchu w skończonym czasie dla trójwymiarowych równań. GPT-6.2 Astra to pierwszy udostępniony model, który mógłby prawdopodobnie być tym systemem, ale żaden publiczny dokument ich nie łączy, a różnica możliwości, którą faktycznie mierzy karta systemu — 1,7 punktu OECI, przy 90-procentowym przedziale od 0,8 do 2,8 — jest mniejsza, niż sugerowałoby „znacznie bardziej zdolny”. Najbardziej prawdopodobna interpretacja jest taka, że model stojący za dowodem nadal pozostaje nienazwany. Sam dowód nadal nie został poddany audytowi: prezes Clay Mathematics Institute Martin Bridson zauważył, że problem będący przedmiotem nagrody pozostaje w oczach środowiska otwarty, a Tristan Buckmaster i Levent Alpöge opublikowali dzień wcześniej powiązane wyniki wraz z towarzyszącymi im weryfikowalnymi maszynowo formalizacjami w Lean.
Argument za sceptycyzmem, wersja poprawiona
Sceptyczny argument trzeba zbudować od nowa, ponieważ jego wrześniowa wersja — „nic nie zostało dostarczone, to wszystko to tylko harmonogram prezesa” — jest martwa. To, co zostaje, jest węższe i bardziej użyteczne.
Po pierwsze, artykuł nie jest dokumentem ujawniającym informacje i nie został napisany jako taki. To wpis badawczy o metodologii, opublikowany na blogu poświęconym alignmentowi, a nie w karcie systemowej, a jego wewnętrzne modele pojawiają się jako punkty danych, a nie jako podmioty. Odczytywanie z niego roadmapy produktu jest wyborem, do którego autorzy nie zapraszali. Kiedy OpenAI chce, abyś wiedział o modelu, publikuje stronę modelu, cenę i kartę — co dokładnie zrobiło siedem dni później.
Po drugie, sformułowanie „stronger” odgrywa rolę, której nie uzasadniają dane. Osią pracy jest perplexity modelu bazowego, a zdanie o GPT-6 Astra mówi, że „nie odbiega od trendu”. Model położony dalej na tej osi jest bardziej pretrenowany; czy jest lepszy w zadaniach, po które ktokolwiek kupuje model, to osobne pytanie, na które odpowiadają ewaluacje, których w pracy nie przeprowadzono. Ewaluacje no-CoT i sterowalności mierzą dokładnie to, co deklarują, a żadna z nich nie jest ogólnym wskaźnikiem zdolności.
Po trzecie, ekstrapolacje mają kształt, który schlebia wnioskowi. Dopasowywanie krzywej do udostępnionych modeli i odczytywanie, gdzie powinny znaleźć się modele wewnętrzne, zakłada, że trend jest mechanizmem. Wynik Architektury 2 z samej pracy jest bezpośrednim ostrzeżeniem przed tym założeniem: przy dopasowanym perplexity architektura zmieniła wydajność bardziej, niż przewidywała oś. Każde dopasowanie w przód, które ignoruje architekturę, jest dolnym ograniczeniem błędu, a nie jego oszacowaniem.
Po czwarte, liczby dotyczące monitorowalności nie układają się jednokierunkowo, a uczciwa wersja tej historii to przyznaje. GPT-6.2 Astra jest mniej kontrolowalny niż GPT-6.1 Sol w pomiarze samej karty obejmującym 750–1 250 tokenów. Zbiorcza monitorowalność spadła z 0,93 do 0,84, ale karta zauważa, że długości danych wyjściowych się różniły, co jest właśnie tego rodzaju zastrzeżeniem, które pogrążyło mocniejsze twierdzenia. Opisany w artykule trend jest rzeczywisty w ramach jego czterech osi; trend w jakimkolwiek pojedynczym porównaniu modeli już nie.
Po piąte i najmniej komfortowo: zbiór ewaluacyjny się skurczył. „Zmniejszyliśmy nasz nieadwersaryjny zbiór ewaluacji monitorowalności” to zdanie, które można odczytać jako higienę albo jako wycofanie, a dokument nie mówi, które z nich. Właściwa postawa to odnotować to i czytać dalej następną kartę.
Co obejrzeć

• Czy kolejna karta modelu zachowa te same ewaluacje. Najbardziej informujące w dokumentach z 17 listopada jest to, że publikują no-CoT math, NCRI i Aggregate Monitorability jako liczby dla wydanych modeli. Jeśli karta kolejnego flagowego modelu zachowa wszystkie trzy, trend jest śledzony rzetelnie i można go zweryfikować. Jeśli zestaw ponownie się zmniejszy, to jest właśnie ten wniosek.
• Czy „Astra-class” otrzyma etykietę następcy. Każdy model wewnętrzny w danych z 10 listopada jest klasy Astra-class. Gdy w artykule zostanie przedstawiona klasa po Astra-class — checkpointy Terra-scale już pojawiają się w sekcji RL artykułu jako „nasz najnowszy model w skali Terra” — oś perplexity przesunie się, a porównanie będzie warte powtórzenia od zera, a nie ekstrapolacji.
• Czy model Naviera-Stokesa zostanie kiedykolwiek nazwany. Dwa miesiące później twierdzenie z 8 września wciąż nie ma przypisanego modelu. Opis, formalizacja lub odniesienie do karty każde rozstrzygnęłoby to inaczej, a sama cisza jest teraz punktem danych o tym, jak OpenAI zamierza wykorzystywać systemy wewnętrzne.
• Czy Blocker Deception wróci do niższego poziomu. 22,28% wobec 11,09% to regresja na osi oszustwa, ujawniona dobrowolnie, z hipotezą i bez rozwiązania. Następna karta albo pokaże, że to spada, albo pokaże, że presja na zwięzłość jest trwałym kompromisem.
• Czy ktokolwiek spoza OpenAI odtworzy wynik dotyczący sterowalności. Wynik z uczenia ze wzmocnieniem (RL) opisany w artykule to pomiar z jednego laboratorium na ewaluacji z jednego laboratorium. Epoch AI niezależnie przeprowadziło ewaluację rozumowania sekwencyjnego i uzyskało 12,3 kroku, co stanowi jedną niezależną replikację w historii, która wymaga kilku.
• Cennik. GPT-6 Astra w cenie $10 / $50, a GPT-6.2 Astra w cenie $8 / $40 to 20% obniżka przy wzroście możliwości, a GPT-6 Astra nadal można wywołać na OrcaRouter po własnej cenie katalogowej OpenAI z przekazywanym kontekstem ~1,05 mln tokenów i bez marży. Jeśli ten wzorzec się utrzyma, kolejna generacja pojawi się jeszcze taniej — a na routerze typu pass-through ta zmiana jest aktywna w dniu, w którym dostawca ją opublikuje, bez konieczności negocjowania nowych cen.
Często zadawane pytania
Czy OpenAI potwierdziło istnienie wewnętrznego modelu silniejszego niż GPT-6 Astra?
Nie tymi słowami. Praca o alignment z 10 listopada przedstawia na wykresie „udostępnione modele i podzbiór modeli wewnętrznych” od GPT-5 po „klasę Astra (wrzesień 2026)” w zestawieniu z perplexity modelu bazowego i stwierdza, że wśród „GPT-6 Astra i wewnętrznych modeli klasy Astra” kontrolowalność CoT znacznie wzrosła podczas RL. To potwierdza, że wewnętrzne modele klasy Astra istnieją i są bardziej wstępnie wytrenowane niż udostępniony model. Twierdzenie, że jeden z nich jest „silniejszy”, to interpretacja tych wykresów przez @scaling01 i jest ona rozsądna — ale własne zdanie OpenAI o GPT-6 Astra brzmi, że „nie odbiega od trendu pod względem perplexity”, co jest twierdzeniem o trendzie, a nie o luce.
Czy GPT-6.2 Astra to wewnętrzny model z artykułu?
Prawdopodobnie, a OpenAI tego nie potwierdził. Praca ma datę 10 listopada i przedstawia na wykresach checkpointy klasy Astra z września; GPT-6.2 Astra został udostępniony 17 listopada. Model, który tydzień przed premierą był wewnętrzny, to dokładnie to, co taka praca przedstawiłaby na wykresie. Ale żaden dokument nie łączy ich po nazwie, a różnica możliwości mierzona w karcie systemu — 1,7 punktu OECI ponad GPT-6 Astra, z 90-procentowym przedziałem od 0,8 do 2,8 — jest mniejsza, niż sugeruje sformułowanie z wrześniowego ogłoszenia: „znacznie większe możliwości”. Wewnętrzne checkpointy z pracy i wrześniowy model dowodowy mogą nawet nie być tym samym systemem, a żaden z nich nie ma nazwy.
Skąd pochodzi liczba 171–182 NCRI?
Z własnego wykresu @scaling01, w panelu oznaczonym „Extrapolated, newer-models fit (90%)”, który dopasowuje trendy no-CoT dla wydanych modeli i rzutuje je o 0,25 dalej niż GPT-6 Astra. To nie jest liczba OpenAI. Konkretnie wartość 171 została później potwierdzona rzeczywistym pomiarem wydanego modelu — GPT-6.2 Astra uzyskuje 171 w NCRI w porównaniu z 159 dla GPT-6 Astra, co sugeruje około dwukrotnie większe szanse na rozwiązanie problemu bez widocznego rozumowania, zgodnie z kartą systemową z 17 listopada. Wartość 182 na górze zakresu nie ma opublikowanego odpowiednika.
Czy powinienem wstrzymać się z budowaniem na GPT-6 Astra?
Powód, by wstrzymać się z decyzją, nie jest już niepewność, czy następca istnieje — został wydany 17 listopada, w cenie $8 / $40, z oceną Critical w obszarze cyberbezpieczeństwa i regresją w zakresie zachowań oszukańczych w karcie modelu. Powód do ostrożności jest taki, że GPT-6 Astra to teraz poprzednia generacja, oznaczona jako przestarzała na niezależnym rankingu, a jej następca jest zarówno tańszy, jak i wymiernie trudniejszy do monitorowania. To kwestia migracji, a nie wycieku, a rozsądna wersja tego podejścia polega na utrzymaniu zweryfikowanego modelu na ścieżce głównej, podczas gdy udział ruchu w trybie shadow trafia do nowego modelu — a to reguła routingu, a nie migracja: OrcaRouter udostępnia ponad 200 modeli za jednym kluczem, przekazuje cenę katalogową dostawcy przy 0% narzutu, i automatycznie przełącza się awaryjnie, gdy dostawca ulega degradacji, więc udział ruchu w trybie shadow może zdecydować o promocji bez ponownego wdrożenia.
Uczciwe podsumowanie tych ośmiu dni jest takie, że interpretacja wykresu okazała się w dużej mierze trafna w odniesieniu do dokumentu, który nigdy nie powstał po to, by cokolwiek ujawniać, a potem premiera siedem dni później sprawiła, że większość tego stała się bezprzedmiotowa, pozostawiając nietknięte niewygodne części. Własny artykuł OpenAI mówi, że modele stają się trudniejsze do monitorowania poprzez ich łańcuchy myśli w miarę skalowania, i wskazuje mechanizm w potoku treningowym — sterowalność przenoszoną przez dane generowane przez model — którego pojedynczy przebieg nie może cofnąć. Karta systemowa, która pojawiła się później, mierzy konsekwencję na wdrożonym produkcie i podaje 0,84 wobec 0,93, dwukrotnie wyższy wskaźnik oszustwa oraz mniejszy zestaw ewaluacyjny. Nic z tego nie jest przeciekiem i nic z tego nie jest kwestionowane. Następny model pojawi się z opublikowanymi tymi samymi trzema liczbami albo nie, a to, który z tych scenariuszy nastąpi, powie ci więcej o tym, dokąd to zmierza, niż jakakolwiek ekstrapolowana krzywa. Do tego czasu modelami, wokół których warto planować, są te, które istnieją — GPT-6 Astra w cenie 10 / 50 USD, GPT-6.2 Astra w cenie 8 / 40 USD, Claude Fable 5.2 w cenie 8 / 40 USD — a jedyną postawą, która nic nie kosztuje, jest dalej nazywać po imieniu to, co zostało zweryfikowane, podczas gdy pisana jest następna karta.
Porównane w tym artykule4
Wykryto na podstawie tego artykułu · Benchmarki: Artificial Analysis · aktualizowane codziennie
