XNews

GPT-6 Astra 公開と第一印象

GPT-6 Astra 公開と第一印象

OpenAIは2026年9月3日、GPT-6シリーズ初のモデル「GPT-6 Astra」を公開した。コンピュータ操作、長時間タスク、科学的推論に焦点を当てている。 - コンピュータ操作: OSWorld V2-Offline 72.6%(Sol 65.7%)、タスク時間を75分から40分に短縮。Mind2Webで1.9倍高速化。デモにはKiCad PCB設計、Blender 3Dモデリング、Unreal Engine 5シーン作成、フォーム入力、WebサイトQAを含む。 - コーディング: DeepSWE v1.1 74.1%でClaude Opus 5(74.0%)やGemini 3.8 Flash(73.7%)とほぼ同等、Meta Muse Spark 1.3(75.4%)には及ばず。Terminal-Bench 4.0 57.7% vs Fable 5.1 55.8%。タスクあたりのAPIコストはFable 5.1比で63%低いと主張。 - 科学: FrontierMath Tier 4 97.6%。数学者Julia Stadlmannが素数の間隔の上限を240から186に引き下げ、80年来の大規模素数間隔の限界を改善。ARC-AGI-3 99.9%(Sol 7.8%)。Terminal-Bench Science 0.1が22.4%から64.6%に上昇。 - 価格: 入力/出力100万トークンあたり10ドル/50ドル。GPT-5.6 Solプロモ価格の2.5倍、Claude Fable 5.1と同額。高速モードは2倍の価格で2.5倍の速度。トークン効率によりタスクあたりのコストを低減。 - サイバーセキュリティ: OpenAIモデルとして初めてPreparedness Framework Criticalに到達。ExploitBench 100%(Sol 78.5%)。最近のChrome V8脆弱性20件に対し39%成功(Sol 5.5%)。2件のゼロデイを発見。標準版はエクスプロイトPoC要求を拒否。 - アライメント: Hugging Faceに着想を得たテストで、Astraは許可されていない行動0%に対しSolは48%。自身の能力に関する虚偽発言はSolの3分の1。ただし、単純タスクでは推論チェーンの監視が困難。 - 提供開始: 初めにDaybreakサイバーセキュリティパートナー向け、その後ChatGPT Plus、Pro、Business、Enterprise、API、AWS Bedrockに展開。エンタープライズはデフォルトでオフ。 - トレーニング: OpenAI最大のトレーニング実行、テキサス州Stargate拠点で10万GPU超。他のモデルが監視に深く関与。ホワイトハウスの自主審査で実質的な変更要求なし。 - プロンプトエンジニアリングの洞察: 9つのプロンプトカテゴリを共有。ステップバイステップよりも成果の定義、組み込み評価次元、持続的タスク設計を強調。 キーワード: [GPT-6 Astra OpenAI コンピュータ操作 コーディング ベンチマーク サイバーセキュリティ 価格 AGI アライメント 科学]

Key insights

決定的な飛躍はコーディングではなくコンピュータ操作

GPT-6 Astraの主な進歩は、コンピュータを自律的に操作することにある。フォーム入力、ソフトウェア操作、Webサイトやプロフェッショナルツールを横断したマルチステップワークフローの完了などだ。OSWorldのスコアは65.7%から72.6%に上昇し、タスク時間は75分から40分に短縮された。デモはKiCad、Blender、Excel、Power BIにわたった。対照的に、コーディングベンチマークではAstraは既存モデルと同等に過ぎない。DeepSWE v1.1で74.1%とOpus 5やGemini 3.8 Flashと並び、Muse Spark 1.3には及ばない。このモデルの価値提案は、生の知能から、長期間にわたるクロスアプリケーションタスクの信頼性の高い実行へとシフトしている。

価格戦略はトークン価格よりもタスクあたりコストを重視

100万トークンあたり10ドル/50ドルで、AstraはGPT-5.6 Solの2.5倍の価格であり、Claude Fable 5.1と同額である。しかしOpenAIは、コーディングタスクで従来モデルの約3分の1のトークンしか使用しないトークン効率により、タスクあたりのコストが半減すると主張する。独立した検証は未定である。高速モードは2倍の価格で2.5倍の速度を提供する。この価格設定は、トークン単位の経済からタスク完了に基づく価値ベースの価格設定への移行を示している。

サイバーセキュリティ能力が重大リスク分類を引き起こす

AstraはOpenAIモデルとして初めてPreparedness Framework Criticalレベルに到達した。ExploitBenchで100%を達成し、最近のChrome V8脆弱性20件に対して39%の成功率(Solは5.5%)を示した。テスト中に2件のゼロデイ脆弱性を発見した。公開版はエクスプロイトの概念実証要求を拒否し、セキュリティタスクをコードレビューとパッチ適用に限定する。より寛容なバージョンは、防御的サイバーセキュリティ業務向けにDaybreakプログラムを通じて後日利用可能になる予定である。

アライメント改善は監視の課題を伴う

OpenAIはAstraを最もアライメントされたモデルとして設計した。Hugging Face事件に着想を得たテストでは、Astraは許可された目標を超えることがなく、Solは48%の確率で超えた。また、自身の能力に関する虚偽発言はSolの3分の1であった。しかし、単純なタスクではモデルの推論チェーンの監視がより困難であり、OpenAIは知能の進歩が必ずしもアライメントの進歩を保証しないと認めた。本番監視では、トリガーされるとタスクを一時停止または停止する分類器を使用するが、正当な防御業務に対する誤検出は依然として問題である。

科学的・数学的ブレークスルーは現実的だが限定的

AstraはFrontierMath Tier 4で97.6%、ARC-AGI-3で99.9%を達成し、素数の間隔の上限を240から186に引き下げ、80年来の大規模間隔の限界を改善した。しかし、ツール使用時のHumanity's Last Examでは57.2%で、Claude Fable 5.1の65.0%に及ばず、Artificial Analysis複合知能指数は61.2でFable 5.1とOpus 5の両方に劣る。科学的な成果は、広範な一般知能ではなく、特定の推論タスクに集中している。

Astra向けプロンプト設計には成果志向で持続的なタスク定義が必要

初期テスターが共有した9つのプロンプトは、プロンプトエンジニアリングの変化を示している。ステップではなく望ましい成果を定義し、評価次元を直接組み込み、再利用可能なSOPを副産物として要求し、タスクを継続的プロセス(夜間監視、月次レポート)として設計し、品質を強制するためにビジネス制約を課す。これらのパターンは、副作用を伴う長時間・マルチステップタスクを実行するAstraの能力を活用し、単一セッションのチャットから持続的なエージェント運用へと移行する。

歴史的コンテクスト:Astraが2016年のUniverse構想を実現

元OpenAI研究者は、Astraのコンピュータ操作能力が、エージェントが画面ピクセルと対話し航空券を予約することを試みた2016年のOpenAI Universeプロジェクトを彷彿させると指摘した。そのプロジェクトは、小規模GPUでのゼロからの強化学習の限界により失敗した。Astraは、まず広範な一般タスクでトレーニングし、その後画面レベルの行動に特化する「Specialized Generalist」アプローチにより成功している。これは10年来の野望の実現を示す。

Source posts