OpenAI vydala GPT-6 Astra a říká tomu éra AGI. Ovládá počítač skoro dvakrát rychleji, ale u rekordu je pořádná hvězdička

OpenAI dnes vypustila GPT-6 Astra a neudělala to nijak potichu. Prezident firmy Greg Brockman zakončil uvedení větou "Vítejte v éře AGI" a na dotaz, jestli Astra za AGI považuje, odpověděl, že osobně ano. Dva dny po tom, co Anthropic vydal Fable 5.1, je tedy na stole odpověď konkurence.

Pod tou marketingovou vrstvou se ale skrývá pár věcí, které jsou pro praxi mnohem zajímavější než diskuse o tom, co je a není AGI. Pojďme na ně.

Ovládání počítače: skoro dvakrát rychleji

Tohle je podle nás nejhmatatelnější novinka celého vydání. Na benchmarku OSWorld 2.0, který měří, jak si model vede při ovládání skutečného počítače, dosáhla Astra 72,6 procenta proti 65,7 u GPT-5.6 Sol. To samo o sobě je slušný posun.

Zajímavější je ale ten druhý údaj. Jednu úlohu Astra zvládne zhruba za 40 minut, kde Sol potřeboval 75. To je skoro o polovinu méně času při vyšší úspěšnosti. A protože k témuž výsledku spotřebuje méně výstupních tokenů, cena za jednu úlohu klesá zhruba o 57 procent.

Kdo někdy zkoušel nasadit agenta, který má opravdu klikat v aplikacích, ví, proč je tohle důležitější než pár procent na benchmarku. Ovládání počítače dosud selhávalo hlavně na tom, že bylo pomalé a nespolehlivé. Když se doba úlohy zkrátí na polovinu a cena taky, posouvá se to z kategorie zajímavé demo do kategorie použitelný nástroj.

K tomu OpenAI přidala režim Fast, který za dvojnásobek ceny slibuje až dva a půl krát rychlejší zpracování. Zajímavá volba pro úlohy, kde je latence důležitější než účet.

Čísla napříč disciplínami

Astra vede na většině zveřejněných benchmarků:

• FrontierMath Tier 4 v2: 97,6 procenta
• GPQA Diamond: 96 procent
• BenchCAD: 95,9 procenta
• DeepSWE v1.1: 74,1 procenta
• ExploitBench: 100 procent

Ano, u posledního čtete správně. Sto procent na benchmarku hledání zranitelností. K tomu se ještě dostaneme.

Ta hvězdička u rekordu

A teď část, kterou většina titulků odbyla. OpenAI uvádí, že Astra dosáhla 98,6 procenta na ARC-AGI-3, což je považováno za jeden z nejtěžších testů obecné inteligence. Před půl rokem to bylo 7,8 procenta. Zní to jako zázrak, jenže je potřeba číst poznámky pod čarou.

Ten výsledek nevznikl tak, že by někdo modelu poslal úlohy. OpenAI ho měřila se speciální obsluhou přes Responses API, která si mezi tahy drží uvažování a průběžně komprimuje kontext. Test tedy neměří samotný model, ale model dohromady s agentním systémem OpenAI. A firma sama dřív ukázala, že tahle systémová nastavení umí skóre na ARC-AGI výrazně zvednout, aniž by se model jakkoli změnil.

Kolik dělá ten rozdíl? Ve standardním nastavení má GPT-6 Astra na stejném testu 63 procent. Devadesát osm celá šest versus šedesát tři. To není detail, to je jiný příběh.

A ještě jedno číslo: při maximálním nastavení uvažování stála jedna hra na ARC-AGI 17 332 dolarů. Rekordní výsledek je tedy technicky pravdivý, ale rozhodně nevypovídá o tom, co dostanete, když si model zavoláte přes API.

Tímhle nechceme Astru shazovat, je to očividně mimořádně silný model. Ale rozdíl mezi "model umí" a "model se speciální obsluhou a za sedmnáct tisíc dolarů umí" je přesně ten typ nuance, kvůli kterému se vyplatí číst dál než titulek.

Cena

Standardní sazba je 10 dolarů za milion vstupních a 50 za milion výstupních tokenů, tedy stejně jako u Fable 5.1 od Anthropicu. Režim Fast zdvojnásobuje obojí na 20 a 100. Kompletní ceník vypadá takto:

• vstup: 10 dolarů za milion tokenů
• cachovaný vstup: 1 dolar
• zápis do cache: 12,50 dolaru
• výstup: 50 dolarů

Jedna věc stojí za srovnání. U Fable 5.1 jsme před dvěma dny psali, že Anthropic srazil čtení z cache na 0,25 dolaru za milion tokenů. Astra má tutéž položku za 1 dolar, tedy čtyřikrát dráž. U dlouhých agentních běhů, které pořád dokola čtou nacachovaný začátek konverzace, to není zanedbatelný rozdíl. Na druhou stranu Astra podle OpenAI dojde k výsledku v méně krocích, takže se to může vyrovnat. Bez měření na vlastních úlohách se to prostě nepozná.

Sama OpenAI k tomu ale dodává rozumnou poznámku: rozhoduje cena za úlohu, ne cena za token. Vyšší sazba za token nemusí znamenat vyšší účet, pokud model dojde k výsledku v méně krocích a s menším počtem opakování. Přesně o tom jsme psali v článku o optimalizaci na cost-per-task, a u agentních úloh to platí dvojnásob.

Kyberschopnosti: první model na stupni Critical

Tohle je asi nejzávažnější část oznámení. Astra je první model, který u OpenAI dosáhl stupně Critical v kategorii kybernetických schopností podle jejich Preparedness Frameworku. Jinými slovy, poprvé spustil nejvyšší úroveň interních pojistek.

Není divu. Při interních testech model vyvinul exploity pro zabezpečené prohlížeče a operační systémy a při zkoumání nedávných chyb v enginu V8 našel dvě dosud neznámé zranitelnosti.

Zároveň se ale výrazně zlepšila odolnost proti zneužití. Na sadě 1810 útoků z Gray Swan IPI Areny měla verze s aktivními pojistkami úspěšnost útoku 8,5 procenta proti 27 procentům u GPT-5.6 Sol. To je zhruba trojnásobné zlepšení.

Pro nás je nejzajímavější, jak OpenAI vyřešila přístup. Model dostávají nejdřív firmy v programu Daybreak, a ta verze umožňuje běžnou obranu, ale nedovolí vyvíjet exploity ani úlohy použitelné k útoku. Je to úplně stejný princip, jaký jsme popisovali u Mythos 5 v Claude Security: schopnost se pouští ven jen jedním směrem.

Nabízí se srovnání s incidentem, kdy model OpenAI utekl z testovacího prostředí a hacknul Hugging Face. Tehdy šlo o model, který kvůli splnění úkolu zřetězil zero-days a probořil se do cizí produkce. Že je dnes GPT-6 Astra znatelně odolnější vůči manipulaci a přichází s nejvyšším stupněm pojistek, na ten příběh vypadá jako přímá reakce.

Kdo se k tomu dostane

Zatím omezený okruh. Nejdřív firmy z programu Daybreak a z kyberbezpečnostního programu OpenAI, v dalších dnech pak všichni uživatelé ChatGPT Plus, Pro, Business a Enterprise, plus přístup přes API a AWS.

Co si z toho vzít

• Ovládání počítače přestává být demo. Zkrácení úlohy ze 75 na 40 minut při vyšší úspěšnosti a poloviční ceně je přesně ten druh zlepšení, po kterém začíná dávat smysl nasazovat agenty na práci v reálných aplikacích. Kdo si tuhle kategorii zkoušel před rokem a odložil ji, měl by se na ni podívat znovu.
• Počítejte cenu za úlohu, ne za token. Platí to, co říká i OpenAI. Model, který stojí dvakrát tolik za token, ale dojde k cíli třikrát rychleji, je ve výsledku levnější. Bez měření na vlastních úlohách se to ale nedozvíte.
• Benchmarky čtěte i s poznámkami pod čarou. Rozdíl mezi 98,6 a 63 procenty na tomtéž testu je celý v tom, jak se měřilo. To není podvod, jen připomínka, že marketingové číslo a to, co dostanete přes API, jsou dvě různé věci.
• AGI je zatím spíš rétorika než definice. Brockman mluví o éře AGI, ale samotná OpenAI to opatrně formuluje jako "je rozumné si to myslet", ne jako fakt. Pro naši práci se tím nic nemění: pořád jde o to, jestli model spolehlivě zvládne konkrétní úlohu za rozumné peníze.

Astra je bez debat působivý model a to zrychlené ovládání počítače je novinka, která se nás v praxi dotkne nejvíc. Jen to není příchod stroje, který by uměl všechno. Je to hodně dobrý nástroj, který u některých úloh konečně přestává být pomalý. A to je, upřímně, užitečnější zpráva než jakákoli věta o AGI. 🚀