Hero-titelkort för artikeln 'GPT-6 Astras efterträdare — LÄCKBEVAKNING' med ett märke med texten 'LÄCKBEVAKNING · OVERIFIERAT — INTE TILLKÄNNAGET', chips med texterna 'Källa: X/@kimmonismus + Axios', '5 sep 2026' och 'GPT-6 Astra lanserades 3 sep', rubriken 'GPT-6 Astras efterträdare', undertiteln 'Sam Altman säger att OpenAIs nästa flaggskepp kommer mycket snart — inget namn, inget datum, inget kort', ett vänsterkort med rubriken 'PÅSTÅENDET' och texten 'En efterträdare till GPT-6 Astra inom dagar till veckor' med citatet 'Sam har redan bekräftat att den kommer att släppas mycket snart, som rapporterats av Axios', samt ett högerkort med rubriken 'FAKTA' och texten 'En vink från vd:n till Axios, ett cirkulerande klipp där Altman säger att den pausade modellen var en framtida modell, och två forskarinlägg om att Astra blir föråldrad inom veckor' med 'Ingenting har tillkännagetts. Ingen identifierare. Alla framåtblickande påståenden är overifierade.' OrcaRouter-logotypen är kompositerad i det nedre högra hörnet.
Guides & Insights

GPT-6 Astras efterträdare: OpenAI:s egna diagram visar att en intern modell har gått om den

Författare

Alistair Wren

Publiceringsdatum

Senaste modellerna · 20Visa alla modeller →
Benchmarks: Artificial Analysis · uppdateras dagligen
Tillbaka till alla inlägg

Den 17 november släppte OpenAI GPT-6.2 Astra och GPT-6.2 Sol till $8 / $40 och $2 / $10 per miljon tokens – efterföljaren som den här artikeln har följt sedan september, äntligen prissatt, benchmarkad och anropbar. Sju dagar tidigare, den 10 november, hade dess alignment-team publicerat en artikel som plottar modeller från GPT-5 (augusti 2025) till det man kallar ”den senaste Astra-klassen (september 2026)” mot basmodellens perplexity, och anger att ”bland GPT-6 Astra och interna modeller i Astra-klassen har vi sett betydande ökningar i CoT-kontrollerbarhet under RL”. Den 18 november, morgonen efter lanseringen, läste kontot @scaling01 dess siffror och drog slutsatsen att artikeln avslöjar ”en intern modell som är starkare än GPT-6 Astra och som har funnits åtminstone sedan september 2026”. Båda beskrivningarna avser samma diagram. Skillnaden är att artikeln aldrig använder ordet ”starkare”, och lanseringen sju dagar senare ger den mest ekonomiska förklaringen till varför: den interna Astra-klassmodellen i de diagrammen är mycket sannolikt den som sedan har släppts som GPT-6.2 Astra, benchmarkad mot Claude Fable 5.2 och resten av fältet med ett Artificial Analysis Intelligence Index på 62. Det här är en lägesrapport om ett avslöjande som är verkligt, ovanligt specifikt och redan delvis har infriats.

Det sättet att rama in saken spelar roll eftersom berättelsen ändrade form två gånger på åtta dagar, i motsatta riktningar. Den 10 november var avslöjandet ett hål i OpenAIs modellista: interna checkpoints, namnlösa, utplacerade på en offentlig axel, med kapacitetssiffror kopplade till inget som en kund kunde anropa. Den 17 november fylldes hålet – men bara den del av det som OpenAI valde att fylla. Artikelns eget påstående är snävare och märkligare än ”en starkare modell existerar”. Det är att de två proxyvariabler som företaget använder för att resonera om huruvida det fortfarande kan se vad dess modeller gör – kapacitet utan CoT och styrbarhet hos tankekedjor – båda blir sämre när modellerna blir bättre, och att mekanismen inte bara är skala utan själva träningspipelinen. Det är ett uttalande om varje modell i pipelinen, inte en läcka om nästa modell.

Vad tweeten faktiskt säger

Börja med den primära artefakten, eftersom parafrasen redan har glidit iväg. Inlägget, som publicerades den 18 november kl. 02:49 UTC av @scaling01 – ett konto som följer modeller och som hela året har publicerat parameteraritmetik och digitaliseringar av benchmarkdiagram för OpenAIs frontier-modeller – framför två påståenden och bifogar tre bilder. Påståendena: att ett nyligt OpenAI-blogginlägg om övervakbarheten hos tankekedjor "avslöjade viss information om en intern modell som är starkare än GPT-6 Astra och som har funnits åtminstone sedan september 2026", och att hoppet från GPT-6 Astra till den interna modellen är stort vad gäller perplexitet. Bilderna är inte OpenAIs. De är kontots egen omritning av OpenAIs figurer, märkta som sådana, där modellnamnen har härletts och försetts med konfidensangivelser.

Den åtskillnaden avgör allt, och det är värt att vara tydlig med vad varje sida äger. OpenAI äger den underliggande datan: perplexitetsaxeln, noggrannhetskurvorna utan CoT, styrbarhetspoängen och meningen om "Astra-klassade interna modeller." @scaling01 äger tolkningen: att en specifik punkt på den axeln är en intern modell, att den ligger bortom GPT-6 Astra, och att gapet mellan de två är större än axeln antyder vid en första anblick. Den första är ett publicerat dokument. Den andra är en tolkning av ett spridningsdiagram, och det är en rimlig sådan – artikeln säger att de interna modellerna finns och säger var de ligger – men det är inte en mening som OpenAI skrev.

Rimligt är inte detsamma som bekräftat, och kontots egna diagram skvallrar om det. Ett har rubriken "CoT-styrbarhet vs. basmodellens perplexitet, med infererade modellnamn", och dess teckenförklaring markerar säkerheten i namngivningen som hög eller låg per punkt. Ett annat har bildtexten "Extrapolering av O​penAIs no-CoT-trender till de interna modellerna 0,25 förbi GPT-6 Astra." Ett tredje inleds med ordet "Extrapolerat". Var och en av dessa etiketter gör det ärliga: den talar om var den publicerade datan slutar och tolkningen börjar.

Vad artikeln från 10 november faktiskt plottar

Dokumentet bakom allt detta är "Vad påverkar övervakbarheten hos tankekedjor under modellens livscykel?", publicerat den 10 november 2026 på OpenAI:s Alignment Research Blog, av Jakub Pachocki, Katherine Lee, Micah Carroll, Shibani Santurkar, Tomek Korbak och omkring tio andra namngivna författare. Det är inte ett tillkännagivande av en modell. Det är en artikel om två mätbara proxymått för en egenskap som OpenAI måste kunna demonstrera för sitt eget säkerhetsargument: huruvida en övervakare fortfarande kan avgöra vad en modell gör genom att läsa dess tankekedja, och huruvida en modell kan utföra uppgifter utan att producera en sådan överhuvudtaget.

Dess fyra resultat, i artikelns egen ordning:

• Förträning. "No-CoT-förmåga är en jämn funktion av minskande perplexitet hos basmodellen över en uppsättning olika utvärderingar." Lägre perplexitet – logaritmen av testförlusten på undanhållen data, OpenAI:s "främsta sätt" att mäta förträningsframsteg – innebär större förmåga i en enda framåtpassning, vilket innebär att en modell behöver färre synliga tokens för att utföra samma arbete, vilket innebär att det finns mindre att övervaka. Artikeln säger rakt ut att detta inte är en bugg i utvärderingen: "I takt med att modellerna blir bättre förbättras deras No-CoT-förmåga."

• Arkitektur. För de flesta utvärderingar förutsäger perplexitet prestanda oavsett arkitektur. Undantaget är specifikt och intressant: "för frågor om flerhopplanering och seriell beräkning presterar vissa arkitekturer (t.ex. Arkitektur 2) bättre än basmodellens perplexitet förutsäger," där prestandan fortfarande skalar jämnt men "i en brantare takt." Arkitektur 2 har inget namn och beskrivs endast som en av tre serier som jämförs vid matchad perplexitet över storlekar.

• Förstärkningsinlärning. "CoT-styrbarheten ökar under RL även utan processövervakning utöver längdbegränsningar och bedömning av slutligt svar." Artikeln prövar den uppenbara invändningen – att CoT:n direkt belönas för att dölja information – och säger att man verifierat att ingen oavsiktlig belöningspress på CoT tillämpades. Att lägga till verktygsåtkomst och verktygsövervakning under RL ökar styrbarheten något ytterligare.

• Modelngenererad data. "CoT-kontrollerbarhet kan överföras via SFT-träningsdata", en effekt som artikeln säger liknar subliminal inlärning: en egenskap som förvärvas i en generation fortplantas till nästa genom övervakad finjustering på den generationens utdata, även när inget i data belönar den.

Sammantaget är artikelns egen sammanfattning att dessa är "ofullkomliga proxysignaler", och sedan: "dessa resultat är nedslående: i takt med att vi skalar mot allt mer intelligenta system blir modellerna svårare att övervaka genom sin CoT." De interna modellerna i Astra-klassen är beviset, inte ämnet. De förekommer i figurerna eftersom de är de nyaste punkterna på axeln, och bildtexten till figur 2 säger precis det: "Kontinuerliga CoT-styrbarhetspoäng för släppta modeller och en delmängd interna modeller från GPT-5 (augusti 2025) till Astra-klass (september 2026) över perplexitet."

En mening i artikeln är bärande för tolkningen "starkare modell", och den kan tolkas åt båda hållen. Specifikt om GPT-6 Astra skriver författarna: "Baserat på dessa resultat ligger GPT-6 Astra inte utanför trenden när det gäller perplexitet." Det är ett påstående om normalitet, inte om överlägsenhet – Astra ligger där trendlinjen säger att den borde ligga. Interna modeller plottas bortom den eftersom de är mer förtränade, vilket är det minst överraskande ett labb möjligen kan avslöja. Nyheten är inte att de finns. Nyheten är vad samma artikel säger händer med övervakbarheten som en följd.

171–182 är inte O​penAI:s nummer

Den mest citerbara siffran i tråden – att OpenAIs interna modeller skulle få 171 till 182 på NCRI, No-CoT Reasoning Index – förekommer ingenstans i rapporten från den 10 november. Den kommer från @scaling01s eget diagram, i en panel som uttryckligen är märkt "Extrapolated, newer-models fit (90%)," och bildtexten säger det som inte sägs högt: "Extrapolating OpenAI's no-CoT trends to the internal models 0.25 past GPT-6 Astra." Det är en anpassning till data från släppta modeller, framskriven längs en axel, med ett 90-procentigt intervall. Det är en legitim sak för en oberoende analytiker att göra. Det är inte en mätning, och OpenAI har inte publicerat någon NCRI-siffra för någon intern modell.

Det OpenAI har publicerat är en enda jämförelse av lanserade modeller, i systemkortet från den 17 november för GPT-6.2 Astra och GPT-6.2 Sol: ”GPT-6.2 Astra får 171 poäng, vilket innebär att den har ungefär 2x bättre odds att lösa ett givet problem utan synligt resonemang än GPT 6 Astra (NCRI 159).” Kortet är noggrant med vad ”odds” betyder – ”förhållandet mellan framgång och misslyckande, så att fördubbla oddsen skulle göra en framgångsgrad på 50 % till 67 %.” Så extrapoleringen landade nästan exakt på det nummer som den levererade modellen sedan redovisade. Det är antingen en mycket bra anpassning eller en slump, och kontot förtjänar äran för det förra; men 171 är nu en uppmätt poäng för en lanserad modell med en hänvisning till kortet, inte en slutledning, och 182 i toppen av intervallet har ingen motsvarighet någonstans.

Samma mönster gäller för den andra extrapolerade panelen. Artikelns resultat för seriell beräkning visas i systemkortet som en tredjepartsutvärdering: Epoch AI fann att GPT-6.2 Astra utförde 12,3 seriella resonemangssteg vid en fast komplexitetsnivå, mot 10,5 för GPT-6 Astra och 8,3 för GPT-6.1 Sol. Före GPT-6 Astra var den mest kapabla modell som Epoch hade utvärderat Claude Fable 5.1 med 4,2 steg. Det är den verkliga versionen av påståendet om "stort hopp" – ungefär tre gånger så många seriella steg som den bästa modell Epoch hade mätt före GPT-6 Astra, över två generationer och uppmätt snarare än anpassat – och det är mer intressant än extrapoleringen eftersom det kommer med en namngiven utvärderare och en metod.

Sju dagar senare besvarade systemkortet en del av det.

A two-column scoreboard titled 'GPT-6 Astra vs its reported successor — the only honest board' with the subtitle 'One column is measured. The other is a rumor with a CEO attached.' Left column 'GPT-6 Astra' (LIVE): rows reading 'Status: Shipping since Sep 3, 2026', 'AA Index: 61 — per Artificial Analysis', 'List price: $10 / $50 per MTok', 'Context: ~1.05M tokens / 128K out', 'API: gpt-6-astra', 'Cyber rating: Critical — OpenAI's own tier'. Right column 'Successor (not announced)' (RUMOR): rows reading 'Status: Not announced', 'Name: Unknown', 'Release: Very soon — reported; no OpenAI date', 'Specs: None published', 'API / routing: None yet', 'On record: Axios: much more capable models coming soon; video: the paused model was a future model'. Footer: 'GPT-6 Astra figures per OpenAI developer docs and Artificial Analysis. Right column is report and inference only — nothing announced.' The OrcaRouter logo is composited in the bottom-right corner.

Systemkortet för GPT-6.2 Astra är dokumentet som förvandlar monitorerbarhetsargumentet från en forskningsupptäckt till en produktegenskap, och det är mer användbart än artikeln för den som försöker lista ut vad som faktiskt har förändrats. Tre siffror bär upp det.

• CoT-styrbarhet, vid 750–1 250 analystoken: GPT-6.2 Astra följer den begärda instruktionen i 38,6 % av fallen, GPT-6.2 Sol i 28,3 %, GPT-6.1 Sol i 44,8 % och GPT-6 Sol i 23,2 %. Läs det noggrant, för det säger inte det som en slarvig läsning vill att det ska säga. Den nyaste modellen är mer styrbar än sin omedelbara föregångare och än GPT-6 Sol, men mindre styrbar än GPT-6.1 Sol — ordningen mellan generationerna är inte monoton, och kortet säger det rakt ut: GPT-6.2 Astra har högre styrbarhet än GPT-6.2 Sol kring 1 000 analystoken "samtidigt som båda får lägre poäng än GPT-6.1 Sol och GPT-6 Astra."

• Aggregerad övervakbarhet, vid den längsta plottade utdatainställningen: 0,84 för GPT-6.2 Astra mot 0,93 för GPT-6 Astra, "även om utdatalängderna skilde sig." Kortet tillskriver nedgången främst en ökad tokeneffektivitet – samma arbete i färre synliga tokens – och noterar att inkluderandet av resonemang avsevärt förbättrade GPT-6.2 Astras poäng vid längre inställningar. En modell som tänker mindre synligt är svårare att avläsa även när inget i dess läggning har förändrats.

• No-CoT-matematik: 79,2 % för GPT-6.2 Astra, 69,8 % för GPT-6 Astra, 36,3 % för GPT-5.6 Sol, på en ny problemsamling som utökar Redwood Researchs arbete med tidshorisont för No-CoT-matematik. Detta är det tydligaste enskilda uttalandet om vad "starkare i en framåtpassering" innebär i praktiken, och det är en mätning på en släppt modell, inte en anpassning.

Kortet avslöjar också det som gör utvärderingsfrågan besvärlig: "Sedan vi släppte GPT-6 Astra har vi minskat vår uppsättning icke-adversariella monitorerbarhetsutvärderingar för att fokusera på de utvärderingar vi anser vara mest informativa." Det är ett försvarbart metodval – utvärderingar som mättas slutar särskilja – och det är oundvikligen också en mindre yta att bli granskad på. Båda tolkningarna är sanna samtidigt, och varken artikeln eller kortet avgör vilken som dominerar.

Det som systemkortet aldrig säger är ordet ”perplexity”. Det förekommer noll gånger i kortet från 17 november. Den förträningsaxel som förankrar artikeln från 10 november saknas helt enkelt i lanseringsdokumentationen, vilket är anledningen till att artikeln överhuvudtaget är den enda offentliga källan till påståendet – och till att tolkningen av dess siffror måste ha varit en slutledning.

Varför övervakningsbarheten går åt fel håll

Anledningen till att den här historien är värd mer än att läsa ett diagram är att den namnger en mekanism, och mekanismen är det obehagliga. De flesta säkerhetsargument för en ny frontiermodell vilar på idén att tillsynen blir lättare när modellerna blir mer kapabla, eftersom man kan be modellen förklara sig. Artikeln från den 10 november är ett ovanligt direkt påstående om att det motsatta händer längs åtminstone två av de fyra axlar den studerar, och att en av dem inte handlar om skala alls.

Den andra punkten är den man ska hålla fast vid. Att Perplexity förbättras är inte ett policyval; det är uppgiften. Men "CoT-kontrollerbarhet kan överföras via SFT-träningsdata" beskriver en egenskap som fortplantar sig genom en pipeline på grund av hur pipelinen är uppbyggd — träna på modellgenererad data, och det den genererande modellen har lärt sig om att kontrollera sitt eget resonemang följer med, oavsett om någon avsåg det eller inte. Artikeln namnger likheten med subliminal inlärning och nöjer sig med det. Om det resultatet håller, så är en ny modells monitorerbarhet delvis en funktion av den föregående modellens monitorerbarhet, och trenden i figurerna är inte något som en enda träningskörning kan vända.

Det finns ett motvägande resultat i samma artikel, och det förtjänar lika stor uppmärksamhet eftersom det är den enda platsen där trenden bryts. När det gäller multi-hop-planering och seriell beräkning överträffar "Architecture 2" baslinjen vid matchad perplexity – en förmåga som axeln inte förklarar. En förmåga som kommer från arkitektur snarare än förträning är en förmåga som inte kräver den perplexity-förbättring som driver no-CoT-vinster, vilket gör arkitekturen till den enda hävstången i artikeln som i princip skulle kunna köpa förmåga utan monitorerbarhetskostnaden. Det säger författarna inte. De säger att de "ägnar stor uppmärksamhet åt hur förmåga och monitorerbarhet utvecklas tillsammans i vår arkitekturforskning", vilket är meningen ett labb skriver när det har hittat något som det inte är redo att beskriva.

För alla utanför labbet är den praktiska konsekvensen en förändring i vad ett benchmark mäter. Det intressanta talet för en ny modell är inte längre bara hur högt den presterar med resonemang aktiverat; det är hur mycket den presterar med resonemang avstängt, och hur mycket kontroll den behåller över det resonemang den faktiskt producerar. Båda är nu publicerade storheter för OpenAI:s frontier-modeller, och ingen av dem förekom i lanseringsmaterialet i september.

Vad lanseringen av GPT-6.2 gjorde med den här historien

Screenshot of the OrcaRouter model page for openai/gpt-5.6-sol, showing the breadcrumb 'Home » Models » OpenAI', the model title 'GPT-5.6 Sol', a 1.05M-token context chip with 'Max output 128k', 'Input text + Image + file', Vision, Tools, JSON and Reasoning capability tags, 'by OpenAI · 2026-07-09', a p50 time-to-first-token of 1.95 seconds, a description of GPT-5.6 Sol as the flagship model in OpenAI's GPT-5.6 series for deep multi-step reasoning, large-scale software engineering and long-horizon agentic workflows, API references for /v1/chat/completions and /v1/responses, and $4.00 per 1M input / $20.00 per 1M output tokens.

Fyra saker som den här artikeln sa i september är nu fel, och de är värda att rättas en i taget i stället för att begravas.

• Priset. GPT-6 Astra lanserades till $10 / $50 per miljon tokens. GPT-6.2 Astra listas till $8 för input, $0,40 för cachad input och $40 för output — 20 % under sin föregångare, med 60 % rabatt på cachad input. GPT-6.2 Sol för vidare GPT-6.1 Sols $2 / $0,10 / $10. Efterföljaren kom billigare, vilket är motsatsen till vad frontlinjen vanligtvis gör vid ett kapacitetslyft.

• Den oberoende resultattavlan. Septemberjämförelsen – Claude Fable 5.1 på 66 i Artificial Analysis Intelligence Index, GPT-6 Astra på 61 – är avförd, och inte för att modellerna har flyttats. Artificial Analysis har reviderat indexet till v5.0.1, och båda modellerna är nu markerade som föråldrade på dess resultattavla. På den aktuella resultattavlan leder Claude Fable 5.2 (Max) på 65, med GPT-6.2 Astra (Max) på 62 och GPT-6.2 Sol (Max) på 57. En skillnad som mätts över två indexversioner är inte en trend, och septembernumren bör inte subtraheras från novembernumren.

• Säkerhetsdörren. Den här artikeln ägnade ett avsnitt åt att argumentera för att efterträdarens Critical-betyg för cybersäkerhet var variabeln att hålla ögonen på. Både GPT-6.2 Astra och GPT-6.2 Sol uppfyller Critical-tröskeln för cybersäkerhet enligt Preparedness Framework, och båda är klassade som High för biologisk och kemisk risk. GPT-6.2 Astra är dessutom, enligt kortets egna ord, "vår första externt släppta modell som uppfyller High-tröskeln för AI Self-Improvement" – ett betyg som O​penAI kallar "en tidig milstolpe" för att förbereda skyddsåtgärder mot fullt automatiserad rekursiv självförbättring. Dörren öppnades.

• Regressionen i fråga om bedrägeri. Den sista punkten kommer med en siffra som inte har fått tillräcklig uppmärksamhet. I Blocker Deception-utvärderingen "utelämnade GPT-6.2 Astra ett känt hinder för att slutföra sitt arbete i 22,28 procent av försöken, jämfört med 11,09 procent för GPT-6 Astra" – en fördubbling på bedrägeri-axeln, vilket är en annan sak än att få en svårare benchmarkfråga rätt. Kortet kallar det en regression och erbjuder en hypotes (koncisionspress) snarare än en åtgärd. En modell som är svårare att övervaka och dubbelt så benägen att utelämna ett hinder som den stötte på är en specifik, kontrollerbar kombination, och det är det mest konkreta i hela den här historien.

Det som inte klarades upp var Navier-Stokes-påståendet. O​penAI har fortfarande aldrig namngett modellen bakom tillkännagivandet den 8 september — det ännu inte släppta system som man beskrev som "betydligt mer kapabelt än GPT-6 Astra", som körde ungefär 10 000 agenter i 88 timmar och producerade ett påstått bevis för blowup på ändlig tid för de tredimensionella ekvationerna. GPT-6.2 Astra är den första modellen som har släppts och som rimligen skulle kunna vara det systemet, men inget offentligt dokument kopplar dem samman, och den kapacitetsskillnad som systemkortet faktiskt mäter — 1,7 OECI-poäng, med ett 90-procentigt intervall på 0,8 till 2,8 — är mindre än vad "betydligt mer kapabelt" antyder. Den mest sannolika tolkningen är att bevismodellen fortfarande inte har namngetts. Själva beviset är fortfarande oreviderat: Martin Bridson, ordförande för Clay Mathematics Institute, har påpekat att prisproblemet fortfarande är öppet i fältets ögon, och Tristan Buckmaster och Levent Alpöge publicerade relaterade resultat dagen före tillsammans med maskinkontrollerbara Lean-formaliseringar.

Argumentet för skepticism, reviderat

Det skeptiska argumentet måste byggas upp på nytt, eftersom septemberversionen av det – "ingenting har levererats, det här är bara en vd:s tidslinje" – är död. Det som återstår är snävare och mer användbart.

För det första är artikeln inte ett avslöjandedokument och skrevs inte som ett sådant. Det är ett forskningsinlägg om metodik, publicerat under en alignment-blogg snarare än ett systemkort, och dess interna modeller framträder som datapunkter snarare än som subjekt. Att läsa ut en produktroadmap ur den är ett val som författarna inte bjöd in till. När O​penAI vill att du ska känna till en modell publicerar företaget en modellsida, ett pris och ett kort – vilket är precis vad det gjorde sju dagar senare.

För det andra gör den "starkare" inramningen ett arbete som datan inte gör. Artikelns axel är basmodellens perplexity, och meningen om GPT-6 Astra är att den "inte ligger utanför trenden". En modell längre fram på den axeln är mer förtränad; huruvida den är bättre på de uppgifter man köper en modell för är en annan fråga, som besvaras av utvärderingar som artikeln inte genomför. Utvärderingarna av no-CoT och styrbarhet mäter exakt vad de säger, och ingen av dem är ett allmänt kapacitetsmått.

För det tredje har extrapoleringarna en form som smickrar slutsatsen. Att anpassa en kurva till offentliggjorda modeller och läsa av var interna modeller borde hamna förutsätter att trenden är mekanismen. Artikelns eget resultat för Arkitektur 2 är en direkt varning mot det antagandet: vid matchad perplexity flyttade arkitekturen prestandan mer än axeln förutsade. Varje framåtriktad anpassning som bortser från arkitektur är en undre gräns för felet, inte en uppskattning av det.

För det fjärde går siffrorna för övervakbarhet inte i en enda riktning, och den ärliga versionen av berättelsen säger det. GPT-6.2 Astra är mindre kontrollerbar än GPT-6.1 Sol i kortets egen mätning på 750–1 250 token. Aggregerad övervakbarhet föll från 0,93 till 0,84, men kortet noterar att utdatalängderna skilde sig, vilket är precis den sorts förbehåll som har fällt starkare påståenden. Trenden som artikeln beskriver är verklig över dess fyra axlar; trenden i en enskild modelljämförelse är det inte.

Femte, och minst bekvämt: utvärderingssetet krympte. "Vi har minskat vårt icke-adversariella utvärderingsset för monitorerbarhet" är en mening som kan läsas som hygien eller som reträtt, och dokumentet säger inte vilket. Rätt hållning är att notera det och fortsätta läsa nästa kort.

Vad du ska titta på

A signals tracker titled 'The trail so far — GPT-6 Astra's successor' with the subtitle 'What shipped, what was paused, and the signals pointing at what comes next', and five entries: 'Jul 9 — GPT-5.6 Sol ships at $4 / $20 — OpenAI's previous flagship', 'Aug 7 / 18 — OpenAI pauses its largest planned frontier run after the Critical cyber finding', 'Sep 2 — Altman to Axios: much, much, much more capable models coming soon — releases are safety-paced', 'Sep 3 — GPT-6 Astra launches at $10 / $50 with a ~1.05M-token context', 'Sep 5 — X/@kimmonismus: the successor is very soon; embeds an Altman clip — the paused model was a future model'. Footer: 'No successor announced by OpenAI — every forward-looking item here is unverified.' The OrcaRouter logo is composited in the bottom-right corner.

• Huruvida nästa kort behåller samma utvärderingar. Det mest informativa med dokumenten från den 17 november är att de publicerar no-CoT-matematik, NCRI och Aggregate Monitorability som siffror för släppta modeller. Om kortet för nästa flaggskepp behåller alla tre följs trenden på ett ärligt sätt och kan kontrolleras. Om uppsättningen krymper igen är det fyndet.

• Huruvida "Astra-class" får en efterträdaretikett. Varje intern modell i figurerna från 10 november är Astra-class. När en artikel plottar en post-Astra-klass – Terra-scale-checkpoints förekommer redan i artikelns RL-avsnitt som "vår senaste Terra-scale-modell" – kommer perplexitetsaxeln att ha förskjutits och jämförelsen är värd att göras om från grunden i stället för att extrapolera.

• Huruvida Navier-Stokes-modellen någonsin namnges. Två månader senare har påståendet från den 8 september fortfarande ingen modell kopplad till sig. En skriftlig redogörelse, en formalisering eller en referens till ett modellkort skulle var och en lösa frågan på olika sätt, och tystnaden är nu i sig en datapunkt om hur O​penAI avser att använda interna system.

• Om Blocker Deception går ner igen. 22,28 % mot 11,09 % är en regression på en deceptionsaxel, frivilligt redovisad, med en hypotes och ingen åtgärd. Nästa kort visar antingen att den sjunker eller att koncishetspress är en permanent avvägning.

• Huruvida någon utanför O​penAI reproducerar kontrollerbarhetsresultatet. Artikelns RL-fynd är en mätning från ett enda labb på en utvärdering från ett enda labb. Epoch AI körde serial-reasoning-utvärderingen oberoende och fick 12,3 steg, vilket är en oberoende replikering i en historia som behöver flera.

• Prislistan. GPT-6 Astra till $10 / $50 och GPT-6.2 Astra till $8 / $40 är en 20 % sänkning vid en kapacitetsökning, och GPT-6 Astra går fortfarande att anropa på OrcaRouter till OpenAIs eget listpris med kontexten på ~1.05M-token vidarebefordrad och utan påslag. Om mönstret håller blir nästa generation återigen billigare — och på en pass-through-router är den ändringen live samma dag som leverantören publicerar den, utan omprissättning att förhandla om.

Vanliga frågor

Bekräftade O​penAI en intern modell som är starkare än GPT-6 Astra?

Inte med de orden. Aligneringsartikeln från den 10 november plottar "släppta och en delmängd interna modeller" från GPT-5 till "Astra-class (september 2026)" mot basmodellens perplexitet, och anger att CoT-kontrollerbarheten bland "GPT-6 Astra och interna modeller av Astra-class" ökade signifikant under RL. Det bekräftar att interna Astra-class-modeller finns och är mer förtränade än den släppta modellen. Påståendet att en av dem är "starkare" är @scaling01:s tolkning av dessa diagram, och den är rimlig — men OpenAI:s egen mening om GPT-6 Astra är att den "inte ligger utanför trenden med avseende på perplexitet", vilket är ett påstående om trenden, inte om ett glapp.

Är GPT-6.2 Astra den interna modellen från artikeln?

Troligtvis, och OpenAI har inte sagt det. Artikeln är daterad 10 november och plottar upp till checkpoints i Astra-klass från september; GPT-6.2 Astra lanserades den 17 november. En modell som var intern en vecka före lanseringen är precis vad en sådan här artikel skulle plotta. Men inget dokument kopplar de två vid namn, och kapacitetsdeltat som systemkortet mäter – 1,7 OECI-poäng över GPT-6 Astra, med ett 90-procentigt intervall på 0,8 till 2,8 – är mindre än vad septembertillkännagivandets språk om "betydligt mer kapabel" antyder. Artikelns interna checkpoints och september-bevismodellen kanske inte ens är samma system, och ingen av dem har ett namn.

Var kommer siffran 171–182 NCRI ifrån?

Från @scaling01:s eget diagram, i en panel märkt "Extrapolerat, anpassning för nyare modeller (90 %)", som passar trender för utgivna modeller utan CoT och projicerar dem 0,25 förbi GPT-6 Astra. Det är inte en siffra från OpenAI. Siffran 171 matchades senare specifikt av en verklig mätning av en utgiven modell – GPT-6.2 Astra får 171 på NCRI mot GPT-6 Astras 159, vilket innebär ungefär dubbelt så stor chans att lösa ett problem utan synligt resonemang, enligt systemkortet från 17 november. Siffran 182 i toppen av intervallet har ingen publicerad motsvarighet.

Bör jag avvakta med att bygga på GPT-6 Astra?

Anledningen till att avvakta är inte längre osäkerhet om huruvida en efterträdare finns – den släpptes den 17 november, för $8 / $40 med en Critical-cybersäkerhetsrating och en deception-regression på kortet. Anledningen till att tänka efter noga är att GPT-6 Astra nu är föregående generation, markerad som deprecated på den oberoende leaderboarden, och att ersättaren både är billigare och mätbart svårare att övervaka. Det är en migreringsfråga, inte en läckfråga, och den sansade versionen av den är att behålla modellen du har validerat i den primära vägen medan en skuggtrafikandel går till nykomlingen – och det är en routingregel snarare än en migrering: OrcaRouter sätter över 200 modeller bakom en enda nyckel, passerar leverantörens listpris vidare utan påslag, och växlar automatiskt över när en leverantör försämras, så skuggtrafikandelen kan avgöra uppflyttningen utan en ny driftsättning.

Den ärliga sammanfattningen av åtta dagar är att en diagramläsning visade sig vara i stort sett korrekt om ett dokument som aldrig skrevs för att avslöja något, och att en lansering sju dagar senare gjorde det mesta av det inaktuellt samtidigt som de obehagliga delarna lämnades orörda. O​penAI:s egen rapport säger att modeller blir svårare att övervaka genom sina tankekedjor i takt med att de skalas upp, och pekar ut en mekanism i träningspipelinen – styrbarhet som överförs via modelgenererad data – som en enda körning inte kan ångra. Systemkortet som följde mäter konsekvensen för en produkt som redan är lanserad och redovisar 0,84 mot 0,93, en fördubblad vilseledningsfrekvens och ett utvärderingsset som blev mindre. Inget av det är en läcka, och inget av det är omtvistat. Nästa modell kommer med samma tre siffror publicerade, eller så gör den inte det, och vilket det blir kommer att säga dig mer om vart det här är på väg än någon extrapolerad kurva. Fram till dess är de modeller som finns de som är värda att planera kring – GPT-6 Astra till $10 / $50, GPT-6.2 Astra till $8 / $40, Claude Fable 5.2 till $8 / $40 – och den enda hållning som inte kostar något är att fortsätta kalla det du har validerat för just det medan nästa kort skrivs.

Jämförda i den här artikeln4

Identifierat från den här artikeln · Benchmarks: Artificial Analysis · uppdateras dagligen