GPT‑6 Astra: una nuova generazione di intelligenza

Tutti i benchmark con i dati originali, 18 video demo, documenti e giochi generati, cyber alla soglia Critical, allineamento e prezzi. L’annuncio OpenAI ricostruito pezzo per pezzo.

2026-09-04

OpenAI presenta Astra come «il modello più intelligente e più allineato al mondo». Abbiamo ricostruito l’annuncio pezzo per pezzo: i benchmark con i dati originali, i video demo, i documenti generati, i giochi da giocare e le parti scomode, dal costo alla cybersecurity.

Una nuova generazione di intelligenza

GPT‑6 Astra mette insieme anni di ricerca e alcune scommesse grosse su pre‑training, reinforcement learning e allineamento. OpenAI lo dichiara stato dell’arte su computer use, browsing, ingegneria del software, cybersecurity, scienza e lavoro professionale. Tre benchmark che per anni hanno misurato la distanza dal traguardo sono ora saturi: FrontierMath Tier 4 al 98%, dopo aver già contribuito a risolvere problemi aperti da decenni in matematica; ARC‑AGI‑3 al 99,9%; ExploitBench al 100%. Sul computer use e sull’uso del browser il modello fissa una nuova frontiera, gestendo il lavoro professionale più esigente con velocità, accuratezza e giudizio che OpenAI definisce senza pari.

Il modello arriva oggi a un insieme limitato di organizzazioni e nei prossimi giorni a tutti gli utenti ChatGPT Plus, Pro, Business ed Enterprise, oltre che attraverso l’API OpenAI, Microsoft Azure e AWS Bedrock.

• Terminal‑Bench Science 0.1. Terminal‑Bench Science 0.1 misura se un agente completa flussi di ricerca scientifica con codice e terminale: analisi dati, simulazioni, fitting di modelli. Astra tocca il massimo tra i modelli confrontati con il 64,6%, contro il 52,6% di Claude Fable 5.1, a un costo API stimato inferiore di circa il 31%. A un livello di costo più basso fa 61,1%, contro il miglior 22,4% di GPT‑5.6 Sol, spendendo circa il 27% in meno. (Valori dalle tabelle ufficiali.)
• ARC‑AGI‑3. ARC‑AGI‑3: 99,9% contro il 30,2% di Claude Opus 5 e il 7,8% di GPT‑5.6 Sol. Astra è stato eseguito con l’harness Responses API di OpenAI, che cambia due impostazioni per avvicinarsi alle prestazioni reali; le modifiche non puntano a questo benchmark.¹
• FrontierMath Tier 4 (v2). FrontierMath Tier 4 (v2): la curva di Astra sale al 97,6% già con reasoning effort medio, a poco più di 0,6 $ per problema. Le linee tratteggiate sono i modelli Claude con solo punteggio dichiarato.
• Terminal‑Bench 4.0. Terminal‑Bench 4.0: Astra raggiunge il 57,9% a effort alto, contro il 37,3% di GPT‑5.6 Sol e il 55,8% di Claude Fable 5.1, con un costo stimato per task inferiore rispettivamente di circa il 9% e il 63%.
• AutomationBench. AutomationBench: 41,4% nel punto migliore contro il 18,1% di Sol. Claude Fable 5.1 (31,4%) e Claude Opus 5 (26,9%) compaiono con il solo punteggio dichiarato.

«Su ARC‑AGI‑3, Astra ha superato la nostra baseline umana di efficienza d’azione sul 96% dei livelli, raggiungendo di fatto la parità umana sul benchmark. Non è solo il miglior modello che abbiamo mai testato: rappresenta un vero cambio di passo nelle prestazioni dei modelli di frontiera, non solo nella capacità di muoversi e risolvere ambienti nuovi, ma anche nell’efficienza con cui impara a farlo.»

Greg Kamradt, ARC Prize Foundation

L’altra metà dell’annuncio è l’allineamento. OpenAI definisce Astra il suo modello più allineato: capisce meglio l’intento dell’utente e si comporta in modo più prevedibile, quindi si può delegare con più fiducia nel suo giudizio. Uno dei test è nuovo ed è nato dall’incidente Hugging Face: misura se un modello davanti a un compito difficile o impossibile esce dal perimetro assegnato. GPT‑5.6 Sol, senza le protezioni di produzione, superava il target autorizzato nel 48% dei casi. GPT‑6 Astra nello 0%.

Il miglior modello al mondo per usare un computer

GPT‑6 Astra segna una nuova frontiera in velocità, accuratezza e sicurezza del computer use. Sa sbrigare i compiti tediosi: compilare moduli online, aggiornare i record di un CRM, sistemare il calendario. Sa fare ricerca online e scrivere sintesi direttamente nella mail o nell’editor di documenti. Sa analizzare dati scientifici, generare grafici, costruire un sito e poi fargli il controllo qualità del frontend per verificare che ogni funzione risponda. Sa installare e testare software in autonomia e fare troubleshooting di quello che vede sullo schermo. I miglioramenti si riflettono anche nei risultati delle valutazioni.

• Agents’ Last Exam. Agents’ Last Exam misura gli agenti su compiti professionali complessi in software reali, dalla modellazione finanziaria all’ingegneria e alla produzione media. Astra tocca il massimo del confronto con il 59,3%, contro il 55,5% di Claude Opus 5 e il 53,6% di GPT‑5.6 Sol. Nelle impostazioni a punteggio più alto usa anche circa il 65% di token in output in meno rispetto a Opus 5.
• ScreenSpot‑Pro. ScreenSpot‑Pro (senza strumenti): Astra parte dal 91,4% a effort basso e arriva al 92,7%, contro un massimo del 76,9% per GPT‑5.6 Sol. Il punteggio di Claude Fable 5 in tabella (87,3%) viene da Mythos, la versione con meno protezioni.¹⁷
• OSWorld. OSWorld 2.0 (v2026.08.08, set offline, punteggio parziale): 72,6% per Astra contro 65,7% di Sol e 70,2% di Claude Opus 5, che però spende più del doppio per arrivarci.³

I miglioramenti si traducono in efficienza sul lavoro vero. Nelle simulazioni di latenza su OSWorld 2.0, Astra raggiunge prestazioni più alte in circa il 47% di tempo in meno per task rispetto a GPT‑5.6 Sol: 72,6% a circa 40 minuti per task, contro 65,7% a circa 75 minuti.³

Le capacità si vedono nei demo, che coprono domini lontani tra loro: progettazione elettronica, competizioni Excel, sviluppo di giochi, dichiarazione dei redditi, controllo qualità del frontend, dashboard Power BI, meccanica e documenti legali.

I demo di computer use

• Scheda elettronica. Quindici secondi condensati di GPT‑6 Astra che fa il layout di una scheda a circuito stampato in KiCad: dallo schema elettrico alla PCB producibile, posizionando i componenti e instradando le piste di rame. Il layout PCB è dentro ogni dispositivo elettronico, è un lavoro manuale ed è una delle fonti classiche di ritardo nella progettazione: accelerarlo libera gli ingegneri per inventare, ottimizzare e testare l’idea successiva con una cadenza molto più alta.
• Competizione Excel. Un caso della Financial Modeling World Cup risolto in Excel: costruzione del modello, formule e controllo dei risultati. La versione condensata mostra i passaggi chiave; quella integrale è il run in tempo reale.
• Sviluppo di giochi. Una scena urbana assemblata in Unity ed esplorata a livello strada: Astra costruisce l’ambiente, sistema le luci e verifica il risultato muovendosi nella scena.
• Modulo 1040. Astra legge un modulo W‑2 e riporta i dati nella bozza del Form 1040, la dichiarazione dei redditi statunitense, direttamente nel browser: il tipo di lavoro ripetitivo dove un errore di trascrizione costa caro.
• QA del frontend. Controllo qualità del frontend: Astra apre il sito OpenAI, verifica le funzioni una per una e spunta la checklist in Linear man mano che i controlli passano.
• Power BI. Una dashboard sui dati di una flotta di veicoli costruita in Power BI: import, misure, grafici e impaginazione, con il modello che usa l’interfaccia come farebbe un analista.
• Cambio automatico. Un cambio automobilistico a cinque marce animato: ingranaggi e alberi che si muovono dentro l’alloggiamento. Un esempio di come Astra passa da una descrizione tecnica a un modello meccanico coerente.
• Documento legale. Formattazione di un memorandum legale in LibreOffice Writer: intestazioni, spaziature, layout di pagina. Nel run completo Astra impagina un testamento, dall’inizio alla fine, in un minuto e quaranta.

Insieme ad Astra, OpenAI aggiorna anche l’harness di Codex per rendere il computer use molto più veloce. Sommato all’efficienza del modello, sul benchmark Mind2Web il completamento dei task è 1,9 volte più rapido rispetto all’esperienza attuale con GPT‑5.6 Sol. Tradotto: il modello può prendersi in carico incombenze quotidiane che richiedono tempo, e finirle prima di te.⁴

Incombenze quotidiane

• Cercare un pediatra. Trovare un pediatra che accetti l’assicurazione, sia vicino a casa e abbia disponibilità: Astra completa la ricerca in 2 minuti e 54 secondi di tempo reale. Il video è un estratto montato del run.⁴
• Cercare casa. Ricerca di un appartamento con vincoli di prezzo, zona e servizi: confronto degli annunci, verifica dei dettagli e sintesi delle opzioni migliori.
• Appuntamento alla motorizzazione. Prenotare un appuntamento al DMV, la motorizzazione statunitense: scelta dell’ufficio, dello slot e compilazione del modulo.
• Snack a basso contenuto di carboidrati. Trovare snack adatti a chi ha il diabete: lettura delle etichette, confronto dei valori nutrizionali e lista finale.
• Analisi degli asili. Confronto tra asili in base a distanza, valutazioni e costi, con una tabella finale pronta per decidere.

«Integriamo GPT‑6 Astra nell’harness di Devin dal giorno del lancio, dove raggiunge prestazioni allo stato dell’arte sul nostro benchmark interno di testing. L’eccellente computer use, la scrittura e la comprensione delle codebase hanno migliorato il testing subito, senza adattamenti: i video sono decisamente più facili da seguire e i report più chiari e concisi.»

Silas Alberti, SVP Research, Cognition

Un salto di qualità nel lavoro professionale

GPT‑6 Astra unisce i progressi nel computer use a un addestramento mirato sugli ambienti professionali, per affrontare compiti di lavoro complessi. Combina l’intelligenza necessaria per i problemi difficili con la capacità di eseguire flussi in più passi e di produrre documenti, fogli di calcolo e presentazioni rifiniti.

• BenchCAD. BenchCAD misura se un modello ricostruisce oggetti 3D da render multi‑vista generando codice CAD. Con gli strumenti, Astra tocca il massimo del confronto con un punteggio di sovrapposizione geometrica del 95,9%, contro l’83,3% di GPT‑5.6 Sol e l’84,3% dichiarato per Claude Fable 5.1.⁵ Il costo API stimato è inferiore di circa il 43% rispetto a Sol e dell’86% rispetto a Fable 5.1 nelle configurazioni mostrate. (Valori dalle tabelle ufficiali.)
• BrowseComp. BrowseComp, ricerca sul web di informazioni difficili da trovare: 91,5% per Astra, 90,4% per Sol; Claude Opus 5 (90,8%) e Claude Fable 5 (87,4%) con solo punteggio dichiarato.
• OpenScore String Quartets. OpenScore String Quartets: riconoscimento ottico di partiture di quartetti d’archi, misurato come 1−(OMR‑NED).^{6 7} Il salto è enorme: 0,84 per Astra contro 0,19 per Sol.
• Compiti di design (interno). Compiti di design (benchmark interno OpenAI): 50,0% per Astra a effort massimo contro 47,4% di Sol; i modelli Claude solo con punteggio dichiarato (35,8%, 34,7% e 40,2%).
• Compiti di data science (interno). Compiti di data science (interno): 40,9% per Astra contro 30,5% di Sol; Claude Opus 5 al 38,3% con solo punteggio dichiarato.

GPT‑6 Astra è il modello OpenAI migliore nel rispettare template esistenti e nel produrre slide ben impaginate, che trasmettono i punti chiave con una narrazione strutturata. Crea documenti, presentazioni, fogli di calcolo e analisi chiari, che seguono i tuoi template e il tuo stile di scrittura e visivo. È inoltre addestrato a portare negli output solo il contesto che serve, invece di ripetere informazioni superflue: il risultato sono artefatti utilizzabili subito, coerenti con il contesto e gli standard dell’azienda.

Documenti generati

• Presentazione Gaia. GPT‑6 Astra crea una presentazione su GPT‑Gaia, un modello immaginario, partendo da poche slide del template OpenAI e mantenendo tono e layout corretti per tutto il documento. Significa slide deck formattati secondo gli standard della tua azienda.
• Foglio di calcolo. Un’analisi di customer retention per coorti mensili, con tassi a 1, 3 e 6 mesi, heatmap e confronto per canale: un foglio pronto per una riunione, non una tabella grezza.
• Stile del documento. La guida OpenAI «How Small Teams Win with ChatGPT» reimpaginata nello stile di Goodfield Oat Co., un marchio immaginario: titoli, palette e gerarchia visiva del riferimento applicati a nove pagine di contenuto.

GPT‑6 Astra porta anche un giudizio visivo più solido nei siti, nei giochi, nelle applicazioni e nei rendering che costruisce. Con Sites in ChatGPT, Astra crea, ospita e condivide siti web, web app e giochi direttamente da un prompt.

«Astra ci dà un vantaggio significativo sia in capacità sia in efficienza. Esegue con successo i nostri flussi creativi più complessi usando fino al 20% di token in meno rispetto agli altri modelli che abbiamo testato. Soprattutto, per i nostri clienti significa output di qualità più alta.»

Alex Mashrabov, CEO e co‑fondatore, Higgsfield AI

Modellazione 3D e giochi

• Walkthrough in Unreal Engine. GPT‑6 Astra modella una casa in Blender e la trasforma in una scena percorribile in Unreal Engine 5, così progettisti e clienti possono esplorare la pianta e vivere lo spazio prima che sia costruito.
• Modello in Blender. Il modello sorgente nell’editor di Blender: volumi, aperture e arredi prima del passaggio in Unreal.
• Render. Sette inquadrature renderizzate con Cycles: la residenza nel bosco all’ora d’oro, soggiorno e libreria, cucina, studio, camera, bagno e terrazza.
• Kart Racer. Il modello dà vita ai giochi con grafica vivace, gameplay coinvolgente e movimento accurato: persone senza competenze tecniche possono creare e giocare titoli su misura, ben oltre gli elementi rudimentali, in pochi minuti. Credit: Pietro Schirano.
• Astronave. Un cantiere di astronavi procedurale: ogni seme genera una flotta diversa. Creato e ospitato con Sites in ChatGPT.

Quando le istruzioni lasciano spazio all’interpretazione, GPT‑6 Astra sceglie meglio dei modelli precedenti. Usa il contesto per riempire le lacune di routine e fa domande mirate solo quando la risposta può cambiare il risultato. In Codex può chiedere in modo asincrono, continuando nel frattempo il lavoro che non dipende dalla tua risposta. Se non rispondi, procede con assunzioni ragionevoli dove è appropriato, ma aspetta il tuo input sulle decisioni che contano.

Gli esempi qui sotto mostrano come Astra collabora su compiti quotidiani in cui un’informazione mancante cambia davvero la risposta.

• Sito personale. «Sto cambiando carriera, fammi un sito personale dal mio LinkedIn.» Sol lavora tredici minuti e consegna un sito con una narrazione generica «da adattare»; Astra, dopo venti secondi, fa l’unica domanda che cambia il risultato: verso quale ruolo ti stai muovendo?
• Scelta dell’università. Ricerca di università: invece di produrre una lista lunga e generica, Astra chiarisce prima i vincoli che contano, come budget, area di studio e distanza, e poi restringe.
• Lista della spesa. Lista della spesa: per le informazioni di routine Astra riempie da solo i vuoti; chiede solo dove una scelta, per esempio un’allergia o il numero di persone, cambierebbe la lista.

Astra resta orientato anche quando il compito evolve. I modelli precedenti a volte trattavano un messaggio di correzione come un nuovo obiettivo, perdendo la richiesta originale o i vincoli dati prima. Astra incorpora i nuovi requisiti, cambia rotta quando glielo chiedi e risponde alle domande laterali senza mollare il compito più ampio.

«Astra è un miglioramento di qualità significativo rispetto a GPT‑5.6 Sol sui compiti legali complessi. Nei nostri primi test si è distinto affrontando il lavoro legale come farebbe un avvocato attento: distingue i documenti dai fatti accertati, fa emergere le assunzioni non supportate e trasforma le lacune in posizioni concrete di redazione.»

Niko Grupen, Head of Applied Research, Harvey

Il miglior modello per l’ingegneria del software

GPT‑6 Astra è, a oggi, il miglior modello OpenAI per l’ingegneria del software.

«GPT‑6 Astra raggiunge prestazioni allo stato dell’arte sui nostri benchmark interni di coding e mostra un chiaro passo avanti nelle valutazioni di intuizione di trading rispetto a GPT‑5.6 Sol. Nel coding agentico comunica in un modo più facile da seguire per gli sviluppatori e produce codice che richiede meno iterazioni per arrivare alla qualità di produzione.»

John Crepezzi, AI Assistants, Jane Street

«Abbiamo testato Astra a effort basso, medio e alto su una delle nostre valutazioni di prima generazione, ed è uscito nettamente davanti a GPT‑5.6 Sol. Più effort compra più iterazioni su una build nuova, più verifica attraverso test nel browser e una preferenza per l’esecuzione del codice rispetto all’apply‑patch. Capire come un modello spende il suo sforzo è il modo in cui diamo a milioni di builder un percorso più rapido e affidabile dall’idea all’app funzionante.»

Fabian Hedin, CTO e co‑fondatore, Lovable

• Terminal‑Bench 4.0. Terminal‑Bench 4.0 misura gli agenti su compiti complessi da terminale: ingegneria del software, configurazione di sistemi, analisi dati. GPT‑6 Astra tocca il massimo con il 57,9%, contro il 37,3% di GPT‑5.6 Sol² e il 55,8% di Claude Fable 5.1, a un costo stimato per task inferiore rispettivamente di circa il 9% e il 63%.
• FrontierCode 1.1 Extended. FrontierCode 1.1 Extended, qui in funzione dei token in output: Astra arriva al 64% con circa 26 mila token, dove Claude Fable 5 ne usa quasi il doppio per un punteggio simile. GPT‑6 Astra è stato eseguito con un developer message simile a quello di Codex.⁸
• DeepSWE. DeepSWE v1.1: 74,1% per Astra a effort extra‑alto, 73,7% per Claude Opus 5, 73,8% per Gemini 3.8 Flash che però è confrontabile solo a effort medio‑alto. Claude Fable 5.1 (67,4%) con solo punteggio dichiarato.
• Artificial Analysis Coding Agent. Artificial Analysis Coding Agent Index v1.4: 67,0 punti per Astra, 68,1 per Claude Opus 5, 67,2 per Claude Fable 5. Qui il vantaggio di Astra è nel costo, non nel punteggio.
• Migrazioni di database (interno). Compiti di migrazione di database (benchmark interno): 63,9% per Astra contro 42,7% di Sol; Claude Opus 5 al 61,1% e Fable 5.1 al 57,8% con solo punteggio dichiarato.

Con Astra arriva in Codex un nuovo modo di conservare e recuperare il contesto quando la finestra si riempie. Finora i modelli usavano la compattazione: riassumere il lavoro fatto nelle sessioni lunghe, per esempio durante un debug complicato o un grande refactor. Ogni compattazione può perdere dettagli su perché un fix è fallito o su come si comporta un componente. In Codex, Astra può tenere appunti attraverso le finestre di contesto, conservando i dettagli accumulati senza comprimerli ogni volta in un unico riassunto. Le finestre precedenti restano ricercabili: Astra può ritrovare requisiti o risultati di test nei messaggi e negli output degli strumenti passati, anche se non erano finiti negli appunti. La funzione sperimentale si abilita nel config.toml di Codex e diventerà il default per Astra nelle prossime settimane.

Far avanzare la scoperta scientifica

«La storia è: fine di un’era, inizio di un’altra.»

Greg Burnham, Epoch AI

GPT‑6 Astra è un passo avanti importante per la scoperta scientifica, la matematica e la salute. Con il lancio OpenAI pubblica due nuovi risultati sulle distanze tra numeri primi.^{9 10} Il primo riguarda quanto vicini possono trovarsi due primi, per quanto lontano si vada sulla retta dei numeri: per più di un decennio il miglior risultato stabiliva che infinite coppie di primi distano al massimo 246; Julia Stadlmann ha da poco abbassato il limite a 240; Astra ha contribuito a dimostrare che infinite coppie distano al massimo 186. Il secondo riguarda i gap insolitamente grandi: Astra ha migliorato un termine di una stima rimasta ferma per oltre 80 anni. Dimostrazioni, catene di ragionamento abbreviate e materiali di verifica sono pubblici.

Astra fissa nuovi record anche su una batteria di valutazioni di matematica e scienza.

• GPQA Diamond. GPQA Diamond misura il ragionamento scientifico di livello dottorato in biologia, chimica e fisica. GPT‑6 Astra tocca il massimo del confronto con il 96,0%. A un costo più basso supera anche il miglior punteggio di GPT‑5.6 Sol, 94,9% contro 94,6%, spendendo circa il 37% in meno. (Valori dalle tabelle ufficiali.)
• HealthBench Professional. HealthBench Professional (length‑adjusted): Astra tiene il 63% a ogni livello di costo; i modelli Claude sono stati valutati da OpenAI con la stessa procedura, grading con GPT‑5.4.¹¹
• LifeSciBench. LifeSciBench: 60,3% per Astra a circa 2,3 $, contro il 59,9% di Sol che però ci arriva solo a effort massimo, spendendo quasi il triplo. I modelli Claude non sono inclusi perché rifiutano la maggior parte delle domande.¹²
• GeneBench Pro. GeneBench Pro: 37,8% per Astra contro 28,7% di Sol, con la curva di Astra già al 28,5% al primo punto di costo.¹²
• MedChemBench. MedChemBench (interno): 49,3% per Astra contro 47,4% di Sol; il punteggio pesato di Astra è sopra il 47% già a meno di mezzo dollaro.¹²

Astra aiuta anche nel lavoro pratico dietro la scoperta. Unendo ragionamento scientifico e computer use, lavora direttamente dentro software specialistici per ispezionare dati ed esplorare risultati, aiutando i ricercatori a valutare le evidenze e decidere cosa indagare dopo.

• Qualità del sequenziamento. GPT‑6 Astra naviga software scientifici per ispezionare la qualità del sequenziamento e visualizzare la variazione genetica, aiutando i ricercatori a valutare i dati e a capire dove concentrare le analisi successive.

Cybersecurity: la soglia Critical

Come anticipato nell’aggiornamento sulla sicurezza, Astra è un salto netto nelle capacità cyber e raggiunge la soglia Critical del Preparedness Framework di OpenAI. La sua capacità di identificare e sviluppare exploit zero‑day può aiutare i difensori a trovare e correggere le debolezze, ma crea anche il bisogno di protezioni più forti. Per capire fin dove arrivano queste capacità, OpenAI ha eseguito valutazioni interne e di esperti terzi.

Il primo test è senza protezioni di produzione su ExploitBench ed ExploitGym, che misurano se un modello trasforma vulnerabilità software note in exploit funzionanti. Su ExploitBench Astra ottiene un punteggio perfetto, 100%, contro il 78,5% di GPT‑5.6 Sol, il precedente modello di frontiera cyber‑capable. Su ExploitGym raggiunge il 42,4% di successi contro il 30,3% di Sol, usando molti meno token in output.¹³

• ExploitBench. ExploitBench: 100% per Astra, 78,5% per GPT‑5.6 Sol, 70% per Claude Opus 5. Il benchmark misura la trasformazione di vulnerabilità V8 note in exploit funzionanti. (Valori dalle tabelle ufficiali.)
• ExploitGym. ExploitGym in funzione dei token in output: Astra arriva al 42% con circa 31 mila token, dove Sol tocca il 30% solo oltre i 269 mila. Testati senza il limite di 6 ore.¹³
• ExploitBench (giugno–agosto 2026). ExploitBench (giugno–agosto 2026): venti vulnerabilità V8 ad alta severità in tredici release stabili di Chrome, tutte degli ultimi tre mesi.¹⁴ Astra al 39% di esecuzione di codice arbitrario contro l’11,5% di Sol, con la metà dei token.
• SRE‑Bench. SRE‑Bench, reverse engineering di binari senza codice sorgente:¹⁵ le linee tratteggiate sono il primo tentativo, quelle piene i quattro tentativi. Astra: 88,0% e 99,2%. Sol: 55,9% e 68,7%, a un costo per task molto più alto.

Per il dubbio che l’esposizione a vulnerabilità storiche gonfi i risultati, OpenAI ha valutato Astra anche su due benchmark nuovi. Il primo è un «ExploitBench (giugno–agosto 2026)» interno, costruito con vulnerabilità degli ultimi tre mesi.¹⁴ Astra ottiene tassi di esecuzione di codice arbitrario molto più alti di GPT‑5.6 Sol, con molti meno token in output; durante la valutazione ha perfino scoperto e usato due zero‑day sconosciute, che OpenAI sta segnalando ai rispettivi maintainer.

Il secondo è SRE‑Bench¹⁵, che misura se un modello sa fare reverse engineering di binari per capirne la logica senza accesso al codice sorgente. Astra risolve l’88,0% dei task al primo tentativo e il 99,2% entro quattro tentativi, contro il 55,9% e il 68,7% di Sol.

Oltre ai benchmark, le valutazioni guidate da esperti hanno trovato che Astra, eseguito senza protezioni di produzione, riesce a usare vulnerabilità sconosciute per ottenere esecuzione di codice arbitrario in browser hardenizzati e a creare exploit di privilege escalation per sistemi operativi hardenizzati.

Come scritto in The Defender’s Window, le capacità cyber di frontiera aiutano i difensori a trovare prima le debolezze, ma rendono anche quelle debolezze più facili da sfruttare, e l’urgenza di adattarsi cresce. Con la versione di Astra che esce oggi i difensori possono fare secure code review e patching. Astra però rifiuta i compiti più avanzati, come creare exploit proof‑of‑concept. Tramite OpenAI Daybreak l’azienda prevede di allargare l’accesso e introdurre protezioni meno restrittive nelle prossime settimane, per abilitare più flussi difensivi: validazione di vulnerabilità e proof‑of‑concept, analisi di malware, detection engineering.

Le protezioni contro l’abuso cyber sono state rafforzate rispetto allo stack di GPT‑5.6 Sol: maggiore robustezza del modello ai jailbreak e più contesto per i sistemi di monitoraggio, con test interni ed esterni continui, inclusi attacchi automatizzati di red‑teaming. I dettagli sono nella system card di Astra.

Allineare e distribuire Astra in modo responsabile

Astra è il modello più allineato di OpenAI: eccelle nell’agire con cura, nel rispettare i confini del compito e nel comunicare in modo trasparente. È l’ultimo prodotto di un programma di ricerca di lungo corso sull’addestrare modelli che restino allineati all’intento umano dall’inizio alla fine.

Negli ambienti sensibili Astra procede con una cautela proporzionata al rischio. In una valutazione di task di computer use scelti apposta per provocare comportamenti scorretti, ha evitato meglio le conseguenze indesiderate; con le misure di sicurezza aggiuntive attive di default, il risultato migliora ancora.

Astra causa meno esiti disallineati di qualunque altro modello di frontiera testato. Per un confronto equo OpenAI ha usato un harness generico di agente computer‑use, basato sugli strumenti nativi delle Responses API di OpenAI e delle Messages API di Anthropic, e senza le protezioni normalmente attive per gli utenti Codex e ChatGPT Work, come auto‑review e politica di conferma.¹⁶

Astra opera anche più spesso entro i limiti fissati dall’utente e impliciti nell’ambiente. In una valutazione interna non ha mai tentato di aggirare un diniego di Codex Auto‑Review, nemmeno quando l’auto‑review era configurata apposta per essere eludibile e il compito era impossibile da completare altrimenti. È coerente con il test sui compiti cyber impossibili citato in apertura e con altri risultati documentati nella system card.

• Aggiramento dell’auto‑review. La valutazione misura come i modelli rispondono ai dinieghi dell’auto‑review in compiti di knowledge work. Sfruttare una configurazione utente debole per aggirare l’auto‑review conta come fallimento. Astra non ha mai provato ad aggirarla: 0,00% contro 0,29% di Sol.
• ExploitGym honeypot. ExploitGym honeypot: un bersaglio esca fuori dal perimetro autorizzato. Sol lo colpisce nel 48,2% dei casi, Astra nello 0,0%.

Astra segna nuovi record anche nella comunicazione trasparente. In una valutazione è tre volte meno propenso di GPT‑5.6 Sol a fare affermazioni inesatte sulle proprie capacità e possibilità d’azione; nel benchmark interno sull’allucinazione delle capacità passa dal 12,2% di Sol al 4,2%.

C’è anche una nota che OpenAI non nasconde: il ragionamento scritto di Astra è risultato più difficile da monitorare rispetto a quello di Sol, in test che chiedevano esplicitamente al modello di eludere il monitoraggio. La spiegazione proposta è un maggiore controllo di Astra sul ragionamento scritto nei compiti semplici e la capacità di risolvere problemi con meno passaggi scritti. Sui compiti complessi Astra sembra ancora faticare a nascondere il ragionamento necessario, ma OpenAI dichiara di prendere il calo sul serio: migliorare la monitorabilità resta una priorità di ricerca, e la system card documenta risultati e lavoro in corso.

L’addestramento all’allineamento è il cuore dell’approccio. Sopra ci sono le difese di sistema come Codex Auto‑review e il monitoraggio di ragionamento e azioni degli agenti, per rilevare e contenere i comportamenti non sicuri. Per i modelli di classe Astra OpenAI attiva in produzione un monitoraggio del disallineamento: un sistema di classificatori che controlla ragionamento e azioni del modello e ferma automaticamente le attività potenzialmente non autorizzate, simile a quello usato per i deployment interni.

Data la crescita significativa delle capacità cyber, OpenAI dichiara di essere particolarmente cauta perché il deployment sia sicuro. I controlli extra possono a volte rallentare, mettere in pausa o fermare lavoro legittimo, incluso quello di cybersecurity difensiva: se un task viene messo in pausa in ChatGPT o Codex può esserti chiesto di rivedere l’azione prima di continuare; nell’API il task si ferma. L’azienda dice di iterare per ridurre le interruzioni inutili, e chiarisce che il monitoraggio non sostituisce l’allineamento: l’obiettivo è un modello che rispetti da solo il perimetro autorizzato, così che queste protezioni non debbano intervenire.

Disponibilità e prezzi

GPT‑6 Astra arriva oggi a un insieme limitato di organizzazioni e nei prossimi giorni a tutti gli utenti ChatGPT Plus, Pro, Business ed Enterprise, oltre che attraverso l’API OpenAI, Microsoft Azure e AWS Bedrock. L’uso di Astra rientra nei limiti degli abbonamenti esistenti; utenti e aziende potranno anche acquistare crediti per uso aggiuntivo. Gli utenti Pro, Business ed Enterprise avranno accesso anche a GPT‑6 Astra Pro. Gli amministratori Enterprise possono abilitare Astra per il proprio workspace: al lancio l’accesso è disattivato di default.

Astra supporta la Zero Data Retention per i clienti API idonei e, come annunciato il mese scorso, OpenAI sta testando il Private Safety Processing per rafforzare il monitoraggio di sicurezza preservando la privacy dei clienti.

Per gli sviluppatori il modello è disponibile nell’API OpenAI come gpt-6-astra, e tramite Microsoft Azure e Amazon Bedrock.

• Input: 10 $ per milione di token
• Output: 50 $ per milione di token
• Fast mode: 2× la velocità, al doppio del prezzo Standard

Prezzi Standard dell’API OpenAI. Tariffe separate per lettura e scrittura della cache. Fast mode disponibile per GPT‑6 Astra nell’API.

Tutte le tabelle benchmark

Computer use

Lavoro professionale

Coding

Accademico

Scienza e salute

Cybersecurity

Allineamento (più basso è meglio, salvo dove indicato)

Contesto lungo

Ragionamento astratto

I punteggi sono il massimo ottenuto a qualunque livello di reasoning effort. Le valutazioni GPT sono state eseguite nell’ambiente di ricerca OpenAI o via API, che può dare output leggermente diversi dal ChatGPT di produzione per differenze nei system prompt e negli strumenti disponibili.

Il punto di Velthub

L’annuncio è, per una volta, ricco di dati veri: curve costo‑qualità con i punti per ogni livello di effort, note metodologiche che ammettono dove il confronto con Claude è zoppo, una sezione cyber che dice apertamente «abbiamo trovato due zero‑day e il modello si rifiuta di fare exploit». È il modo giusto di presentare un modello di frontiera, e alza l’asticella per tutti gli altri.

Le cose da tenere a mente sono tre. Primo: quasi tutti i numeri sono vendor‑run, e i confronti con Claude Fable 5.1 e Opus 5 sono spesso «solo punteggio dichiarato» o con modifiche alla valutazione. Secondo: la monitorabilità del ragionamento peggiora, e lo dice OpenAI stessa. Terzo: per un’azienda europea la partita si gioca su costi, latenza e integrazione, non sui benchmark: 10 e 50 dollari per milione di token, Fast mode a prezzo doppio e Astra Pro sono i numeri da mettere in un foglio di calcolo prima di qualunque migrazione. Noi lo faremo con i primi clienti nelle prossime settimane.

Note

1. Su ARC‑AGI‑3, GPT‑6 Astra è stato eseguito con l’harness Responses API di OpenAI, che cambia due impostazioni per avvicinarsi alle prestazioni reali. Le modifiche non puntano specificamente ad ARC‑AGI‑3.
2. GPT‑5.6 Sol indica la versione disponibile nell’API, in ChatGPT Codex e in ChatGPT Work. La versione in ChatGPT Chat è leggermente diversa.
3. OSWorld V2‑Offline è un sottoinsieme di OSWorld V2 che funziona senza accesso a internet. Le prestazioni dei modelli Claude su OSWorld‑V2 Offline sono state riprodotte dagli autori sulla classifica ufficiale. Su OSWorld 2.0 i punteggi Claude usano le impostazioni ufficiali, non i task e il grading modificati della system card di Fable 5.1.
4. I tempi dei modelli sono i tempi trascorsi riportati per i run dimostrativi corrispondenti. Le clip mostrate sono estratti montati.
5. Su BenchCAD i punteggi Claude riflettono tre modifiche alla valutazione, dettagliate nella system card di Fable 5.1.
6. Guang Yang, Victoria Ebert, Nazif Tamer, Brian Siyuan Zheng, Luiza Pozzobon e Noah A. Smith, «LEGATO: Large‑scale End‑to‑end Generalizable Approach to Typeset OMR», arXiv:2506.19065, 2025.
7. Mark R. H. Gotham, Maureen Redbond, Bruno Bower e Peter Jonas, «The OpenScore String Quartet Corpus», Proceedings of the 10th International Conference on Digital Libraries for Musicology, pp. 49–57, ACM, 2023.
8. Su FrontierCode, GPT‑6 Astra è stato eseguito con un developer message simile a una sezione del suo developer message in Codex: evitare file di test superflui, evitare pulizie non richieste e complessità inutile, riusare le utility esistenti, leggere le istruzioni del repository e ispezionare codice, test, documentazione e CI vicini, seguire le convenzioni. L’obiettivo è codice pulito e mergeabile. Il prompt non è stato ottimizzato per la valutazione.
9. Il primo risultato riguarda quanto vicini possono trovarsi i numeri primi, per quanto lontano si vada sulla retta dei numeri. Per oltre un decennio il miglior risultato noto stabiliva che infinite coppie di primi distano al massimo 246. Julia Stadlmann ha da poco migliorato il limite a 240. Astra ha contribuito a stabilire un limite più forte, 186. Gap brevi tra primi: dimostrazione e materiali di supporto.
10. Il secondo risultato riguarda i gap insolitamente grandi tra primi. Astra ha migliorato un termine in una stima su questi gap rimasta invariata per oltre 80 anni. Gap grandi tra primi: dimostrazione e materiali di supporto.
11. OpenAI ha valutato in autonomia tutti i modelli Claude seguendo la procedura prevista di HealthBench Professional, con grading GPT‑5.4 e punteggi length‑adjusted non troncati. Per Fable 5.1 è stato usato Opus 5 come fallback sui rifiuti del provider.
12. Claude Fable 5 e 5.1 non sono inclusi in LifeSciBench Gold v1, GeneBench Pro v13 e MedChemBench perché rifiutano la maggior parte delle domande di queste valutazioni.
13. Su ExploitGym, Astra e Sol sono stati testati senza il limite di 6 ore, per valutare meglio le loro piene capacità cyber. Sono abbastanza veloci da rendere il limite poco influente.
14. ExploitBench (giugno–agosto 2026) contiene 20 vulnerabilità V8 ad alta severità in 13 release stabili di Chrome. Il benchmark misura se gli agenti ottengono esecuzione di codice arbitrario in V8 e nelle release ufficiali di Chrome per Linux sfruttando ciascuna vulnerabilità. Alcune potrebbero non permettere l’esecuzione di codice arbitrario nei vincoli della valutazione, quindi il 100% potrebbe non essere raggiungibile.
15. Jeremy Spence et al., «The Next Challenge for Agentic Cybersecurity: A Realistic, Contamination‑Free Reverse Engineering Benchmark», arXiv:2608.11469v1, 2026.
16. Nei test sui modelli di terze parti OpenAI usa una configurazione di ricerca più semplice. Codex ha una configurazione di produzione più complessa, che può portare a tassi di errore grezzi diversi. Le protezioni lato provider e le implementazioni degli strumenti di computer use restano diverse. Gli utenti non sperimentano lo scenario senza conferma in Codex: è una configurazione interna di ricerca.
17. Per ScreenSpot‑Pro ed ExploitGym, i punteggi Fable riportati vengono da Mythos, cioè Fable con meno protezioni.

Fonti

1. OpenAI — GPT‑6 Astra: A new generation of intelligence
2. OpenAI — Safety Overview: GPT‑6 Astra (system card)
3. ARC Prize Foundation — ARC‑AGI‑3
4. Anthropic — Claude Fable 5.1 & Claude Mythos 5.1 System Card

Nota editoriale: Tutti i numeri sono dichiarati da OpenAI e non verificati in modo indipendente da Velthub. I video e i documenti sono materiali ufficiali OpenAI ripubblicati sullo storage Velthub per garantirne la disponibilità; i giochi girano sui server OpenAI.

https://velthub.ai/blog/gpt-6-astra-nuova-generazione-openai-benchmark-video