OpenAI Astra: Allt vi vet om modellen som inte är GPT-6

Det du kan ladda ner idag är inte en modell. Det är tio filer med Lean-kod. Den 1 augusti 2026 publicerade OpenAI ett forskningsinlägg om matematik, och däri fanns den första bekräftelsen på namnet på dess nästa frontier-system: Astra. Det finns ingen modellkort, ingen prissida, ingen API-endpoint och inget datum. Det nuvarande flaggskeppet du faktiskt kan anropa är fortfarande GPT-5.6 Sol, till $5 per miljon inmatningstokens och $30 per miljon utmatningstokens, precis som det har varit sedan 9 juli.

Om du sökte efter GPT-6, här är den korta versionen: OpenAI har aldrig tillkännagett en modell med det namnet, och i nuläget har företaget inte beslutat om Astra kommer att släppas som GPT-6, som en GPT-5-punktversion i stil med GPT-5.7, eller som en fjärde nivå vid sidan av Sol, Terra och Luna. Denna namntvetydighet är inte pressskygghet. Det är en levande intern fråga, som rapporterades av The Information den 31 juli och inte har lösts sedan dess.

Det följande skiljer åt tre saker som det mesta av bevakningen av den här historien blandar samman: vad OpenAI själva har uppgett, vad trovärdig rapportering tillför, och vad som cirkulerar utan att någon källa anges. Bevisen är verkliga artefakter som du kan kompilera. Siffran på 10 biljoner parametrar är ett nummer som någon skrivit på internet. De förtjänar väldigt olika tyngd.

Vad OpenAI faktiskt sa — och den mycket längre listan över vad de inte sa

Tillkännagivandet kom inte som en produktlansering. Det kom som en artikel. OpenAIs inlägg beskrev resultat som producerats av "en intern version av Astra, vår nästa stora modell", inom problem som, enligt deras beskrivning, inte sett några framsteg på huvudresultatet på minst ett decennium. Astra beskrevs som ett system byggt för långvarigt arbete: flera agenter som samordnar olika delar av ett stort problem under längre perioder snarare än att svara i ett enda steg.

Det är nära nog hela den officiella tekniska beskrivningen. Mot den framstår listan över brister som slående:

• Bekräftat av OpenAI — namnet Astra; att det är den "nästa stora modellen"; att en intern version producerade tio resultat; den multi-agent, långsiktiga designavsikten; ett 249-sidigt manuskript; Lean 4-certifikat på ett offentligt arkiv; en uppskattning av tokenkostnad angiven till GPT-5.6 Sol-priser.

• Ej angivet av OpenAI — releasedatum; pris; kontextfönster; parameterantal; eventuellt benchmarkresultat; modellkortet; huruvida den når ChatGPT eller bara API:et; hur många agenter som kördes, under hur lång tid, på vilken hårdvara; promptarna; framgångsfrekvensen; slutproduktens namn.

Trovärdig rapportering fyller i en del. The Information rapporterade att Sam Altman demonstrerade Astra för beslutsfattare i Washington i slutet av juli — en briefing som, enligt den rapporteringen, inkluderade senatorerna Raphael Warnock, Bernie Moreno och Mark Warner, med finansminister Scott Bessent och handelsminister Howard Lutnick också närvarande. Modellfamiljen beskrivs som redan i testning, med "Astra" i sig fortfarande en preliminär beteckning.

Ingen utanför OpenAI har kört den här modellen på någonting. Alla förmågepåståenden i omlopp går tillbaka antingen till de tio publicerade bevisen eller till en demo som allmänheten inte såg.

De tio bevisen: ovanligt kontrollerbara, och fortfarande inte avgjorda

Det är här som tillkännagivandet faktiskt är starkare än ett typiskt benchmark-släpp, och det är värt att vara noggrann med varför. OpenAI publicerade inte en poäng och bad att bli trodda. Man publicerade maskinkontrollerbara artefakter under Apache 2.0 i openai/ten-proofs-repositoriet — en Lean-fil per resultat, fixerad till Lean 4.32.0 med ett mathlib-beroende, tillsammans med en ComparatorChallenges-katalog för oberoende kontroll. Repositoriet lades upp som en enda commit den 1 augusti och har sedan dess fått flera hundra stjärnor och dussintals forks.

De tio resultaten, såsom arkivet benämner dem, spänner över en ovanligt bred spridning av ämnesområden:

• Gruppteori — konstruktionen av en icke-sofisk grupp, vilket nekande besvarar en fråga som varit öppen sedan 1999. Soficitet är en egenskap som uppfylls av nästan varje grupp som matematiker arbetar med; huruvida varje räknebar diskret grupp måste uppfylla den hade stått öppen i 27 år.

• Operatoralgebror — ett motexempel som berör Connes rigiditetsförmodan, som formulerades av Fieldsmedaljören Alain Connes 1980.

• Högdimensionell geometri — en förbättring av sfärpackningsmetoden, rapporterad som den första i sitt slag sedan 1978 — plus en skarp form av Ehrharts volymolikhet.

• Kodningsteori — nya gränser för binära och sfäriska koder.

• Komplexitet — en nedre gräns för aritmetiska kretsar för permanenten, och ett exponentiellt parallellrepetitionsresultat för intrasslade spel.

• Gitterkryptografi — fast-polynomiell svårighet för närmaste vektorproblemet.

• Extremal kombinatorik — tillväxtskalan för Ramsey-talen för flerfärgade trianglar, och motexempel inom extremal grafteori, inklusive arbete om flera katalogiserade Erdős-problem.

Reaktionerna från matematiker var intresserade snarare än avfärdande. Thomas Bloom, som underhåller Erdős problemdatabas, kallade resultaten stora nyheter och rankade dem högre än motexemplet till unit-distance-förmodan från maj. OpenAI:s Noam Brown kom med den nyttiga deflationen inifrån: "Tyvärr, inga Millennium Prize-problem (ännu)."

Vad ett Lean-certifikat fastställer, och vad det lämnar öppet

Ett Lean-bevis som typkontrolleras är giltigt per konstruktion. Du behöver inte lita på OpenAIs utvärderingsmetodik, dess val av baslinjer eller dess tolkning av sina egna resultat — du kan kompilera filerna. För en bransch där ”vi fick 94,1 %” är standardenheten för bevis är det en meningsfull uppgradering av falsifierbarheten.

Den är också snävare än rubrikerna antyder, på fyra specifika sätt. Lean kontrollerar att beviset för ett formellt påstående är korrekt. Den kontrollerar inte att det formella påståendet är den sats som texten påstår. Den kontrollerar inte att de kodade definitionerna matchar vad fältet menar med dessa ord. Den kontrollerar inte de informella reduktioner som överbryggar de formella ändpunkterna till huvudresultatet. Och den säger ingenting om nyhet — huruvida ett resultat är nytt eller redan känt under ett annat namn.

Alla fyra av dessa är frågor om mänsklig bedömning, och vid tillkännagivandet hade ingen genomgått refereegranskning. Manuskriptet erkänner samråd med specialister; erkännanden är inte ett stöd för varje påstående. En publicerad delversion av arkivet kompilerade 8 820 av 9 007 jobb, vilket är hur en stor verklig formell framställning ser ut mitt under verifieringen, snarare än en färdig granskning. Den ärliga statusen idag är tio seriösa, formellt kodade forskningspåståenden – inte tio fastställda poster i den matematiska kanon.

Det finns en andra, tystare begränsning: upptäcktsprocessen kan inte reproduceras av någon utanför OpenAI. Bevisen är offentliga; söksystemet, promptarna, kontrollpunkterna och exekveringsmiljön är inte det. Du kan verifiera destinationen. Du kan inte köra om resan.

Siffran på 2 000 dollar, och varför den köper mindre än vad det låter som.

Den siffra som fick störst spridning var kostnaden. OpenAI uppgav tokenkostnaden för de tio lösningarna till ungefär 2 000 dollar, prissatt enligt GPT-5.6 Sol-priser — cirka 200 dollar per decenniumsgammalt öppet problem, enligt den vanligaste tolkningen av formuleringen. En del bevakning läste samma mening som under 2 000 dollar per problem, en tiofaldig skillnad; OpenAI:s inlägg är så kortfattat att båda tolkningarna förekom i tryck, och vi har inte sett företaget klargöra det.

Ta den totala avläsningen och räkna ut det. Sol debiterar $5 per miljon input-tokens och $30 per miljon output, med reasoning-tokens som debiteras som output. Om hela utgiften vore output, köper $2 000 som mest cirka 67 miljoner output-tokens — ungefär 6,7 miljoner per problem. Det är mycket tänkande, och det är inte en orimlig mängd tänkande. Det är den typen av budget som en väletablerad forskningsgrupp redan skulle kunna spendera på en enda svår fråga.

Tre varningar betyder mer än rubriken:

• Det är ett kontrafaktiskt pris, inte ett pris. Astra är inte släppt och har inget pris. $2 000 beskriver vad de tokens skulle kosta enligt en annan modells priser. Ett frontiersystem byggt för timslånga multi-agent-körningar har ingen uppenbar anledning att prissättas som Sol, och alla skäl att prissättas över den.

• Den räknar bara vinsterna. Ingen framgångsfrekvens publicerades. Vi vet inte hur många problem Astra riktades mot och misslyckades med att lösa, eller vad dessa försök kostade. En kostnad per framgång publicerad utan en framgångsfrekvens är inte en kostnad per resultat, och skillnaden kan vara en storleksordning i endera riktningen.

• Tokens är den billiga delen. Människor formulerade problemen, förberedde manuskripten och drev formaliseringen. Det arbetet ingår inte i de 2 000 dollarna.

Den enda delen av detta du kan prissätta idag är baslinjen. Eftersom OrcaRouter för vidare leverantörens listpris direkt med 0 % påslag kostar GPT-5.6 Sol samma $5/$30 på vårt API som på OpenAIs — så om du vill dubbelkolla räkneexemplet mot din egen arbetsbelastning, är priset i tillkännagivandet det pris du faktiskt skulle betala. Vad ingen kan prissätta ännu är Astra i sig, och alla leverantörer som påstår något annat gissar.

Släppdatumet styrs av en 30-dagarsklocka, inte av en läcka.

Det mesta av "när kommer GPT-6"-rapporteringen är ryktesmatematik. Det finns en mer konkret begränsning som ligger mitt framför ögonen, och den har knappt kopplats till frågan.

En presidentorder undertecknad den 2 juni 2026 ålade federala myndigheter att inrätta en frivillig granskningsprocess där frontier-utvecklare lämnar in modeller för statlig granskning upp till 30 dagar före offentlig lansering. Ramverket var planerat att formellt träda i kraft den 1 augusti – samma dag som Astra-inlägget publicerades. Rapporter tyder på att Astra förväntas bli den första modellen som går igenom processen.

"Voluntary" gör en del arbete i den meningen. I praktiken har administrationen tidigare påverkat releasetidpunkter, och OpenAIs eget senaste beteende ser ut som en generalrepetition: GPT-5.6 hölls till ungefär tjugo granskade organisationer från 26 juni innan bred åtkomst kom den 9 juli – en stegvis utrullning på ungefär två veckor.

Lägg ihop dessa två fakta och du får ett ungefärligt golv snarare än en förutsägelse. Om Astra genomgår en 30-dagars granskning före lansering och sedan upprepar GPT-5.6-mönstret, landar bred tillgänglighet ungefär sex veckor efter inlämningen. Och inlämningsdatumet är just det vi inte känner till. Det är därför säkra augustidatum bör avfärdas: grindsteget är en process med en publicerad varaktighet, och klockan har inte synligt börjat ticka.

Prediktionsmarknaderna har rört sig i exakt den riktningen. Den 5 augusti 2026 låg Polymarkets "GPT-6 released by"-stege på 1 % för 7 augusti, 3 % för 14 augusti, 13 % för 21 augusti, 25 % för 31 augusti, 68 % för 30 september och 89 % för 31 december, med en volym på nära en miljon dollar. Betrakta det som publikens samlade gissning, inte en källa – men notera att publiken har flyttat sin vikt till Q4.

Det hjälper också att komma ihåg facit. Varje påstående om "GPT-6 lanseras nästa vecka" under de senaste tolv månaderna har varit fel. En overifierad läcka angav 14 april 2026 som lanseringsdag; vad som faktiskt släpptes, nio dagar senare, var GPT-5.5.

Ryktena, betygsatta

Sorterat efter hur mycket vikt var och en faktiskt bär:

• Namn ej fastställt (GPT-6 / GPT-5.7 / en separat klass). Källa: The Information. Det mest tillförlitliga påståendet i den här historien som inte kommer från OpenAI, och det som bör sänka förväntningarna — ett system som presenteras genom en matematikartikel kan mycket väl inte alls komma att kallas för ett generationssprång.

• Kodnamnen "Zinc" och "Magnesium" observerade i Design Arena. Community-observation, inmatningar rapporterades vara avaktiverade, ej bekräftat av OpenAI. Tolkning: en GPT-5.x-punktversion kan mycket väl landa innan Astra, vilket inte skulle tillfredsställa någons GPT-6-förväntningar samtidigt som det upptar nyhetscykeln.

• Ungefär 2× GPT-5.6 Sol i storlek; prissättningen ligger nära GPT-5.6-nivån. Cirkulerande rykte. Läckaren bakom det medgav att de inte testat modellen. Låter trovärdigt men är helt obekräftat.

• Ett kontextfönster på 1,5 miljoner tokens. Förekommer i sammanställningar av läckor utan namngiven källa. Det är värt att notera att Sol redan levererar 1,050,000 tokens, så detta vore en ökning, inte ett språng — vilket är en anledning att vara misstänksam mot det som en rubrikvärdig "läcka".

• Cirka 10 biljoner parametrar. Ingen attribution någonstans som vi kunde spåra. Den mest upprepade och minst underbyggda siffran i hela historien.

• Minne och personalisering som den definierande riktningen. Grundat i Altmans egna offentliga uttalanden från en intervju i augusti 2025 — verkliga, men ett år gamla och om riktningen efter GPT-5 i allmänhet, inte specifikt om Astra.

Vad man faktiskt ska göra mellan nu och när det väl levereras

Fel drag är att göra om arkitekturen för en modell som inte har något kort. Rätt drag är att lägga märke till vilka av dina problem ett system med lång tidshorisont och flera agenter skulle förändra, eftersom det är de delar av din stack som är otillräckligt utbyggda idag, oavsett vad OpenAI levererar.

Tre av dem är värda att bygga mot GPT-5.6 Sol just nu:

• Kostnadstak per uppgift, inte per anrop. Om ett enskilt jobb kan pågå i timmar och förbruka sex eller sju miljoner utdatatokens, slutar gränserna per anrop att skydda dig. Du behöver en budget som en hel uppgift ärver, och ett hårt stopp.

• Checkpointing och återupptagbarhet. Ett engångsanrop returnerar eller misslyckas. En agentkörning som pågår i timmar och dör vid minut 90 utan att något beständigt har skrivits är en kategori av kostsamma fel som de flesta kodbaser aldrig har behövt hantera.

• Utvärdering du litar på för problem utan referenssvar. De tio bevisen är intressanta delvis eftersom Lean tillhandahåller en orakel. Nästan ingenting i produktion gör det. Om du inte kan skilja en bra sex timmars körning från en trovärdigt dålig sådan, kommer mer beräkningskraft inte att hjälpa dig.

{{1}}När det gäller växlingsfrågan: Astra är inte tillgängligt på OrcaRouter, eftersom det inte är tillgängligt någonstans.{{/1}} {{2}}Vad vi kan säga är att problemet med versionsbyten till stor del är löst på vår sida.{{/2}} {{3}}En nyckel når 200+ modeller, så oavsett om detta levereras som GPT-6, GPT-5.7 eller en fjärde GPT-5.6-nivå, är att införa det en modellsträngsändring snarare än en migrering — inget andra kontrakt, ingen ny SDK.{{/3}} {{4}}Och specifikt för en obeprövad frontier-modell är automatisk failover skillnaden mellan att utvärdera den i en verklig arbetsbelastning och att satsa en produktionsväg på ett system som ingen utanför labbet har stresstestat.{{/4}} {{5}}Du dirigerar en del av trafiken till den, behåller Sol i botten som fallback, och får reda på det.{{/5}}

Frågor värda att besvara

Är Astra samma sak som GPT-6?

Inte nödvändigtvis, och det är den mest avgörande okända faktorn i den här historien. OpenAI har bekräftat Astra som sin nästa stora modell men har inte beslutat om dess lanseringsnamn; rapportering anger GPT-6, GPT-5.7 och en separat klass tillsammans med Sol, Terra och Luna alla på bordet. Det är fullt möjligt att en modell som heter GPT-6 aldrig dyker upp, och att det kapacitetssprång som människor har väntat på kommer under ett namn som ingen följde.

Kan jag få tillgång till Astra i någon form idag?

Nej — inte i ChatGPT, inte via API:et, inte genom någon router eller återförsäljare. Det som finns offentligt är artikeln, resonemangsgenomgångarna och Lean-repositoriet. Om en tjänst påstår sig erbjuda Astra-åtkomst, så återförsäljer den antingen något annat eller ljuger. Det enda genuint användbara du kan göra med releasen just nu är att kompilera bevisen själv.

Löste Astra verkligen problem som mänskliga matematiker inte kunde?

Det producerade formellt verifierade bevis för påståenden som hade varit öppna i minst ett decennium, vilket är ett verkligt och ovanligt resultat – och verifieringen är ett steg över branschnormen. Men "Lean-kontrollerat" är inte "kollegialt granskad", och frågan om huruvida varje formellt påstående fångar huvudproblemet är precis den del som Lean inte kan besvara. Specialister som läst manuskripten har varit positiva; inget av det har genomgått kollegial granskning. Förvänta dig att bedömningen stärks under flera månader, i endera riktningen.

Betyder siffran $2,000 att frontforskning nu är billig?

Det innebär att de vinnande token-körningarna var billiga, till en annan modells priser, exklusive misslyckandena och exklusive människorna. Var och en av dessa tre exkluderingar skulle kunna vara stora. Den ärliga tolkningen är att marginalkostnaden för en framgångsrik automatiserad bevisökning har sjunkit tillräckligt mycket för att vara intressant – inte att tio öppna problem nu kostar lika mycket som en bärbar dator.

Vad skulle egentligen avgöra detta

Tre specifika saker, varav ingen är ett rykte, och som alla går att kontrollera när de inträffar.

Ett modellkort och en prissida. Det är ögonblicket då Astra slutar vara en forskningsartefakt och blir något du kan planera utifrån — och ögonblicket då namngivningsfrågan löser sig själv.

En oberoende ombyggnad av Lean-repositoriet av specialister som granskar definitionerna och de informella reduktionerna, inte bara typkontrollen. Katalogen ComparatorChallenges antyder att OpenAI förväntar sig detta. Om de formella påståendena står sig under den granskningen blir resultaten mycket svårare att avfärda; om en avvikelse visar sig i ens en av de tio, läses varje påstående i uppsättningen om.

Bevis på att den federala granskningsklockan har startat. Inom ett 30-dagars fönster före release är den inlämningen den tidigaste tillförlitliga signalen för ett releasedatum — betydligt mer informativt än nästa skärmdump av en inaktiverad post i en arenatopplista.

Till dess är det korrekta uttalandet snävt och värt att hålla fast vid: OpenAI:s nästa flaggskepp har ett namn, tio maskinkontrollerbara bevis, en Washington-demo och inget annat. Den som erbjuder dig ett datum gissar, och den som erbjuder dig ett parameterantal hittar på det.