GPT-6 Astra ist online gegangen, ist das Zeitalter der AGI wirklich gekommen?

Einige Stunden vor der Veröffentlichung von Astra geriet der KI-Kreis erst einmal in Aufruhr.

Am Abend des 3. Septembers traten bei ChatGPT, Claude und Grok fast gleichzeitig weitverbreitete Dienststörungen auf: Viele Nutzer konnten die Modelle nicht öffnen oder erhielten ständig Anfragefehler.

Genau zu diesem Zeitpunkt postete das offizielle ChatGPT-Konto einen Beitrag zum Sternenhimmel: „The stars are almost aligned.“ (Die Sterne stehen kurz vor der Aufstellung.)

Bald machten Nutzer Witze: Hat Astra bei der Bereitstellung versehentlich sowohl Anthropic als auch xAI gehackt – und am Ende nicht einmal sich selbst verschont?

Natürlich ist das nur ein Meme, das von Nutzern erfunden wurde. Derzeit gibt es keine Beweise dafür, dass diese Störung mit Astra zusammenhängt.

Aber dieser Witz kam genau zur richtigen Zeit: Erst vor zwei Tagen kündigte OpenAI an, dass dieses noch nicht offiziell veröffentlichte neue Modell das erste Unternehmenmodell ist, das den Schwellenwert für die Cybersicherheitsfähigkeit „Critical“ des Preparedness Framework überschritten hat.

Und dann standen die Sterne wirklich „aufgestellt“.

In den frühen Morgenstunden des 4. Septembers nach Pekinger Zeit veröffentlichte OpenAI offiziell GPT-6 Astra.

Aber es wurde noch nicht vollständig für alle Nutzer ausgerollt. Derzeit ist Astra nur für eine kleine Anzahl von Institutionen im Rahmen des Trusted Access/Daybreak-Systems und geprüfte Cybersicherheitsnutzer freigegeben – Nutzer von Plus, Pro, Business, Enterprise und API müssen noch ein paar Tage länger „zum Sternenhimmel aufschauen“.

Astra ist da, aber nur für begrenzte Nutzer verfügbar

Am 4. September veröffentlichte OpenAI GPT-6 Astra zunächst „intern“.

Derzeit ist Astra nur für eine kleine Anzahl von Institutionen im Rahmen des Trusted Access / Daybreak-Systems freigegeben. OpenAI teilte mit, dass Abonnenten von Plus, Pro, Business, Enterprise sowie API-Nutzern in den nächsten Tagen schrittweise Zugriff erhalten werden.

Wie viele Tage genau diese „ein paar Tage“ dauern werden, gibt es derzeit keinen genaueren Zeitplan.

Auf der geschlossenen Medien-Briefing vor der Veröffentlichung gab Greg Brockman, Präsident von OpenAI, Astra eine sehr übertriebene Anmerkung: „Welcome to the AGI era.“

Willkommen im Zeitalter der AGI.

Aidan Clark, Vizepräsident für Forschung bei OpenAI, erklärte aus einem anderen Grund, warum Astra besonders ist: „Dies ist das erste Mal, dass mehr als 100.000 GPUs am Stargate-Standort in Texas für das Vortraining verwendet werden. Vom Rechenzentrumsnetzwerk über die Inferenzkerne bis hin zur Form des Modells selbst wurde alles von Grund auf für diese Trainingsskala entworfen“.

Aidan wies gleichzeitig darauf hin, dass Astra auch das erste Produkt von OpenAI ist, bei dem Modelle der vorherigen Generation tief in den Trainingsprozess eingebunden sind.

Einfach ausgedrückt: Unter den „Trainern“ der nächsten Generation von KI taucht bereits die KI der vorherigen Generation auf.

Obwohl es noch weit davon entfernt ist, dass „die KI sich selbst trainiert“, ist das Modell bereits in den Forschungs- und Entwicklungsprozess des nächsten Modells eingetreten.

Nachdem Anthropic vorgestern erklärte, dass Fable/Mythos 5.1 „das weltweit fortschrittlichste Modell für Codierungs- und Wissensarbeit“ sei, bezeichnet OpenAI heute Astra auch als „das stärkste und am besten ausgerichtete Modell der Welt“.

Bei den Benchmark-Tests stammt die erschreckendste Zahl von ARC-AGI-3.

Dies ist ein Agent-Benchmark, der speziell testet, ob ein Modell in eine nie gesehene 2D-Umgebung eintreten kann, durch ständiges Versuch und Irrtum Regeln entdeckt und Ziele erreicht. Es prüft nicht wie traditionelle Prüfungen, wie viel Wissen man sich merkt, sondern ist eher vergleichbar damit, die KI in ein unbekanntes Spiel zu werfen und zu sehen, ob sie selbst herausfinden kann, „wie diese Welt funktioniert“.

Unter der eigenen Provider-Adapter-Konfiguration von OpenAI erreichte Astra maximal 99,9 %.

Aber diese Zahl muss man differenziert betrachten. Der ARC-Preis verwendet auch ein Standard-Harness, das von allen Anbietern einheitlich verglichen werden kann. Hier erreichte Astra maximal nur 62,7 %.

Der größte Unterschied zwischen den beiden besteht nicht darin, dass die Aufgaben ausgetauscht wurden. OpenAI stellte zuvor fest, dass Sol nicht deswegen niedrige Punkte erzielte, weil das Modell dumm war, sondern weil das Harness sein Gedächtnis ständig formatierte. Daher ersetzte OpenAI das Harness von ARC-AGI-3 durch die eigene Produktionskonfiguration der Responses API und bereitete speziell für ARC-AGI-3 zwei spezielle Einstellungen vor: retained reasoning (beibehaltenes Denken) und compaction (Kompaktierung). Ersteres lässt das Modell zwischen Aktionen seine vorherigen Denkwege merken, Letzteres ersetzt grobes Abschneiden durch Zusammenfassungen.

Nach dem Anschluss an dieses Produktionssystem sprang Astra von 62,7 % auf 99,9 %. Außerdem ist die gesamte Laufzeit des Provider Adapters bei Aufgaben, die von beiden erfolgreich abgeschlossen werden, etwa 3,66-mal schneller, und der Token-Verbrauch sank um 49 %.

In gewisser Weise wirkt das fast wie die Nutzung von Cheats.

Bei hochschwierigen Mathematikaufgaben erreichte Astra bei FrontierMath Tier 4 97,6 %. Epoch AI, das für FrontierMath zuständig ist, teilte mit, dass OpenAI die Entwicklung dieses Benchmarks gefördert hat und exklusiven Zugriff auf einige seiner Aufgaben hat.

Weitere bemerkenswerte Punkte sind:

DeepSWE v1.1 74,1 %

BenchCAD 95,9 %

Terminal-Bench Wissenschaftsaufgaben 64,6 %.

Aber OpenAI wollte Astra diesmal offensichtlich nicht nur mit einer Reihe von Benchmarks vorstellen.

Wenn man die offizielle Website öffnet, folgen die Anwendungsfälle fast nacheinander.

KiCad, Excel, Blender, Power BI, Ausfüllen von Formularen im Browser, Website-QA; weiter zu Wohnungssuche, Arztterminvereinbarung, Reservierung bei der DMV, Erstellen von Steuererklärungen, Erstellen von PPTs, Spieleentwicklung, Analyse von wissenschaftlichen Forschungsdaten.

Bei den Veröffentlichungen der vorherigen GPT-Generationen erklärte OpenAI den Nutzern hauptsächlich, welche Fragen das Modell beantworten kann. Bei Astra scheint sich der Schwerpunkt jedoch zu drehen: Wie viele Dinge können Sie direkt der KI überlassen, um sie zu erledigen?

OpenAI bezeichnet Astra sogar direkt als „das weltweit beste Modell für die Computernutzung“.

Der Fortschritt des Modells bei der „Nutzung des Computers“ ist möglicherweise wichtiger als die Punkte. In Codex bringt Astra einen neuen Kontextmechanismus: Wenn das Kontextfenster voll ist, verlässt es sich nicht mehr nur auf komprimierte Zusammenfassungen, sondern kann Notizen über Fenster hinweg beibehalten und ältere Nachrichten sowie Ausgaben von Tools erneut abrufen.

Astra kann auch, wenn ein Problem noch ungelöst ist, zuerst den Teil der Aufgabe erledigen, der nicht von dieser Antwort abhängt, sodass eine einzelne offene Aufgabe nicht die gesamte Aufgabe blockiert.

Natürlich spiegeln sich diese Fähigkeiten direkt im Preis wider.

Der Standardpreis der GPT-6 Astra-API lautet: 10 US-Dollar pro Million Eingabetoken, 1 US-Dollar für zwischengespeicherte Eingaben und 50 US-Dollar für Ausgaben.

Im Vergleich zu den aktuellen Preisen von GPT-5.6 Sol mit 4 US-Dollar für Eingaben, 0,4 US-Dollar für Zwischenspeicherung und 20 US-Dollar für Ausgaben wurde die gesamte Preisklasse von Astra direkt um das 2,5-fache erhöht. OpenAI hat seine Positionierung sehr klar festgelegt: Wenn Sie nicht wissen, welches Flaggschiffmodell Sie wählen sollen, können Sie Astra wählen. Wenn Ihnen die Kosten wichtiger sind, verwenden Sie weiterhin GPT-5.6 Terra oder Luna.

Es bietet immer noch einen Kontext von 1,05 Millionen Token und eine maximale Ausgabe von 128.000 Token. Aber lange Kontexte haben zusätzliche Kosten: Wie bei der GPT-5.6-Serie werden die Eingabekosten der gesamten Anfrage mit dem Faktor 2 berechnet, wenn eine einzelne Eingabe 272K-Token überschreitet, und die Ausgabenkosten werden mit dem Faktor 1,5 berechnet.

Daher hat OpenAI für Astra eine separate, teurere Intelligenzstufe geschaffen.

Wenn Sie nur eine Frage stellen oder einige Textabschnitte überarbeiten, lohnt es sich möglicherweise nicht, das 2,5-fache des Preises zu zahlen.

Aber wenn das Modell tatsächlich selbst vor dem Computer sitzen und Dutzende von Minuten oder sogar Stunden lang kontinuierlich arbeiten kann, um die gesamte Aufgabe zu erledigen, für die Menschen früher zwischen verschiedenen Programmen wechseln, Informationen nachschlagen, Formulare ausfüllen und Dateien ändern mussten, dann ist der Vergleich nicht mehr nur darauf beschränkt, wie viel eine Million Token kostet.

Mehrere technische Punkte, die Aufmerksamkeit verdienen

Astra hat noch mehrere technische Punkte, die möglicherweise mehr Aufmerksamkeit verdienen als die Benchmarks selbst.

Der erste Punkt ist das Reverse Engineering.

OpenAI hat in dieser Veröffentlichung SRE-Bench zitiert. Dies ist ein Reverse-Engineering-Benchmark, der in diesem Jahr von Teams wie dem Columbia DAPLab eingeführt wurde: Dem Modell wird kein Quellcode gegeben, sondern nur kompilierte Binärprogramme, um zu sehen, ob es die Programmlogik neu verstehen und wichtige Verhaltensweisen finden kann.

Die Erfolgsrate von Astra bei einem einzigen Versuch erreichte 88,0 %, bei maximal vier Versuchen sogar 99,2 %.

Unter denselben Regeln erreichte GPT-5.6 Sol nur 55,9 % bzw. 68,7 %.

Einfach ausgedrückt: Die KI ist nun in der Lage, ein Programm, das kompiliert wurde und fast keine menschenlesbaren Codes mehr zeigt, schrittweise aus Maschinenbefehlen zurückzuzersetzen.

Dies hat direkte Bedeutung für die Malware-Analyse, Firmware-Forschung, Schwachstellenfindung und digitale Forensik.

Die zweite Änderung ist, dass Astra bei sehr langen Aufgaben „nicht mehr so leicht Dinge vergisst“.

Im MRCR v2 8-Shot-Abruftest erreichte Astra eine Genauigkeit von 100 % bei Kontexten von 256K bis 512K Token; bei 512K bis 1M Token lag sie immer noch bei 96,3 %. Bei GPT-5.6 Sol lagen die Werte in diesen beiden Bereichen nur bei 91,5 % bzw. 73,8 %.

Viele Modelle behaupteten früher, einen Kontext von einer Million Token zu unterstützen. Aber wenn eine wichtige Information Hunderttausende Token weiter zurückliegt, könnte das Modell sie in der zweiten Hälfte der Aufgabe fast vollständig vergessen haben.

Astra beginnt, die Frage „Wie groß ist das Kontextfenster“ zu einem praktischeren Problem weiterzuentwickeln: Wie lange kann sich ein Agent an Dinge erinnern, die vor langer Zeit passiert sind?

Für Agenten, die Dutzende von Minuten oder sogar Stunden lang kontinuierlich arbeiten müssen, ist dies möglicherweise wichtiger als die Erweiterung des Kontextfensters um Hunderttausende weitere Token.

Darüber hinaus gibt es bei Astra eine eher ungewöhnliche Änderung.

Es ist besser ausgerichtet geworden, aber gleichzeitig schwieriger zu überwachen.

In einer von OpenAI veröffentlichten internen Sicherheitsprüfung zur Computernutzung sank die Verletzungsrate von Astra von 22,0 % bei Sol auf 2,4 %. Bei Tests, die speziell prüfen, ob das Modell Einschränkungen umgeht, um Aufgaben zu erledigen, lag der Wert von Astra bei 0 %. Der interne Halluzinations-Test sank ebenfalls von 9,4 % bei Sol auf 2,0 % bei Astra.

Zumindest nach den eigenen Tests von OpenAI verhält sich Astra deutlich weniger unkontrolliert. Aber Jakub Pachocki, Chefwissenschaftler von OpenAI, warnte gleichzeitig: „Der Fortschritt der Intelligenz garantiert nicht den Fortschritt der Ausrichtung.“