40 minutos en lugar de 75: en qué es realmente bueno GPT-6 Astra

El 3 de septiembre de 2026, OpenAI lanzó GPT-6 Astra y lo llamó «el modelo más inteligente y mejor alineado del mundo».

Cuatro filas más abajo, en su propia tabla de benchmarks, está el Artificial Analysis Intelligence Index v4.1.1: Astra 61,2, GPT-5.6 Sol 60,9, Claude Fable 5.1 65,7. OpenAI publicó ella misma la cifra en la que su nuevo buque insignia gana tres décimas a su propio predecesor y pierde 4,5 puntos frente a un competidor.

Ambos hechos son ciertos, y la tensión entre ellos es toda la historia. Este no es un modelo que se haya vuelto más inteligente en general. Es un modelo que ha mejorado de forma espectacular en una lista concreta de cosas, y conviene conocer esa lista con precisión, porque no coincide con el resumen de marketing en ninguna de las dos direcciones.

En resumen:

• Las mejoras especializadas son enormes y verificables en fuente primaria. Terminal-Bench Science del 22,4 % al 64,6 %, SRE-Bench en el primer intento del 55,9 % al 88,0 %, ScreenSpot-Pro del 76,9 % al 92,7 %, recuperación MRCR de 8 agujas en el tramo 512K–1M del 73,8 % al 96,3 %: todo frente a GPT-5.6 Sol y todo procedente de las tablas publicadas por OpenAI.
• La ganancia de velocidad puede importar más que cualquier puntuación. En OSWorld 2.0, Astra logra un 72,6 % en unos 40 minutos por tarea, frente al 65,7 % en unos 75 de Sol: alrededor de un 47 % menos de tiempo.
• El agregado general apenas se movió. En el único índice comparativo entre proveedores que la propia OpenAI imprimió, Astra está +0,3 sobre Sol y −4,5 frente a Claude Fable 5.1. Y pierde la única fila académica que reporta frente a los tres Claude: Humanity's Last Exam con herramientas, 57,2 % frente a 65,0 %.

Todas las cifras proceden de las propias tablas de anuncio de OpenAI. Fuentes al final.

La ficha técnica, sin adjetivos

Antes del argumento, los datos que se pueden comprobar. Provienen de la página de desarrollador del modelo gpt-6-astra, consultada el 5 de septiembre de 2026.

Hay tres detalles en esa tabla que la mayoría de la cobertura se salta y no debería.

Las peticiones por encima de 272.000 tokens de entrada se facturan al doble de las tarifas de entrada y caché y a 1,5 veces la de salida, para la petición completa. Es decir, la ventana de un millón de tokens tiene un acantilado en medio, no una tarifa plana. El procesamiento Batch y Flex cuesta el 50 % del estándar; el modo Fast cuesta el doble por hasta el doble de velocidad, sin SLA de latencia.

Las llamadas a herramientas requieren la API de Responses. Chat Completions sigue funcionando para generación simple, pero temperature, top_p y top_logprobs han desaparecido por completo. Si está migrando un pipeline que ajusta el muestreo, ese ajuste ya no existe.

Y Astra recibe texto e imágenes, y emite texto. No oye. Volveremos a esto.

El titular real es el uso del ordenador, y la cifra real es el reloj

El encuadre de OpenAI es que Astra «marca una nueva frontera en el uso del ordenador y del navegador». Aquí la evidencia sostiene el adjetivo.

En OSWorld 2.0 —tareas de escritorio como navegar por aplicaciones, mover archivos o rellenar formularios— Astra obtiene un 72,6 % frente al 65,7 % de Sol. Son 6,9 puntos respetables. La cifra interesante está al lado: en la simulación de latencia de OpenAI, Astra terminó la tarea media en unos 40 minutos donde Sol tardaba unos 75, una reducción de alrededor del 47 %.

La puntuación a la izquierda, el reloj a la derecha. Fuente: anuncio de GPT-6 Astra de OpenAI, sección Computer Use.

Aquí está la clave: para un modelo al que delegas trabajo y luego esperas, el tiempo por tarea es la métrica que aparece en tu jornada y en tu factura. Siete puntos más de precisión son un resultado de evaluación. Reducir la espera a la mitad es otro producto.

El resto del bloque es coherente. ScreenSpot-Pro, que evalúa si un modelo encuentra y pulsa el píxel correcto en una interfaz densa, pasa del 76,9 % al 92,7 % sin herramientas. Agents' Last Exam —tareas profesionales complejas en software real, desde modelización financiera hasta producción audiovisual— alcanza el 59,3 %, frente al 55,5 % de Claude Opus 5 y el 53,6 % de Sol, y OpenAI señala que Astra usó para ello alrededor de un 65 % menos de tokens de salida que Opus 5. En el benchmark de navegador Mind2Web, con un harness de Codex actualizado, OpenAI reporta una finalización de tareas 1,9 veces más rápida que la configuración actual de Sol.

Leída con atención, esa última cifra es una afirmación sobre el sistema, no sobre el modelo: harness más modelo. Sigue siendo el número que experimenta el usuario, y por eso merece citarse y también etiquetarse.

Qué muestran realmente las demos

OpenAI publicó grabaciones de pantalla en lugar de imágenes fijas, y son la evidencia más clara del lanzamiento sobre lo que significa hoy «uso del ordenador». No las hemos rehospedado; se reproducen en la página de anuncio de OpenAI. La nota al pie 4 de la propia OpenAI aclara que los clips mostrados son extractos editados con los tiempos registrados en las demostraciones correspondientes, la salvedad adecuada para llevarse al verlos.

Las cuatro que merecen su tiempo:

1. Trazado de PCB en KiCad: una reproducción condensada de 15 segundos en la que Astra convierte un esquema electrónico en una placa fabricable, colocando componentes y trazando las pistas de cobre. El trazado es normalmente trabajo manual y un cuello de botella habitual en el diseño electrónico.
2. De Blender a Unreal Engine 5: modelar una casa y convertirla en una escena transitable, un traspaso que suele costar un día de diseño.
3. Una presentación a partir de una plantilla: se le dan a Astra unas pocas diapositivas de la plantilla de presentaciones de OpenAI y se le pide un deck sobre un modelo ficticio, respetando tono y maquetación. La demo más relevante para el trabajo de oficina y la menos vistosa.
4. Navegación en software de genómica: inspeccionar la calidad de secuenciación y visualizar la variación genética dentro de herramientas científicas especializadas.

OpenAI publicó además una comparación estática que ilustra un cambio de comportamiento y no una puntuación: cuando las instrucciones dejan margen de interpretación, Astra hace una pregunta concreta en lugar de adivinar.

Crédito de imagen: OpenAI, «GPT-6 Astra: A new generation of intelligence», 3 de septiembre de 2026. El comportamiento que demuestra —preguntar cuando la respuesta cambiaría el resultado y continuar cuando no— es una demostración del proveedor, no una medición de benchmark independiente.

El extremo lejano de la ventana de contexto dejó de derrumbarse

Es el resultado menos comentado del lanzamiento y, para quien trabaje con documentos largos, probablemente el más consecuente.

El marketing de contexto largo lleva tres años siendo poco fiable porque la ventana anunciada y la utilizable eran cifras distintas. Los modelos aceptaban un millón de tokens y luego recuperaban mal más allá de unos cientos de miles. Pues bien, Astra no ha ampliado la ventana en absoluto: el contexto de GPT-5.6 Sol también es de 1.050.000 tokens. Lo que ha cambiado es lo que ocurre en su extremo.

En la prueba MRCR v2 de 8 agujas de OpenAI, Astra obtiene un 100,0 % en el tramo 256K–512K frente al 91,5 % de Sol, y mantiene un 96,3 % en el tramo 512K–1M donde Sol cae al 73,8 %. Una diferencia de 22,5 puntos en la parte alta de la ventana es la distancia entre una especificación y una función.

Cifras declaradas por el proveedor, de la tabla Long Context de OpenAI. La salvedad: MRCR es un benchmark propio de OpenAI.

En paralelo, Codex incorpora un mecanismo experimental en el que Astra mantiene notas entre ventanas de contexto en lugar de comprimir una sesión larga en un único resumen con pérdidas, dejando además las ventanas anteriores consultables. OpenAI afirma que será el comportamiento por defecto de Astra en cuestión de semanas. La pérdida por compactación —olvidar por qué falló una corrección hace tres horas— es el modo de fallo más común en sesiones largas de agente, así que es una corrección dirigida a un problema real.

Los mayores saltos del lanzamiento se dieron en terminal y trabajo científico

Si se ordenan todas las comparaciones publicadas frente a GPT-5.6 Sol por tamaño del salto, arriba no están ni las matemáticas ni la programación en general. Están los agentes que manejan un terminal.

Terminal-Bench Science casi se triplicó. SRE-Bench —ingeniería inversa de binarios compilados sin acceso al código fuente— pasó del 55,9 % al 88,0 % en el primer intento, y al 99,2 % en cuatro. AutomationBench se ha más que duplicado. No son mejoras del orden del redondeo, y se agrupan estrechamente en torno a una sola descripción: un agente que maneja herramientas a lo largo de muchos pasos sin perder el hilo.

En matemáticas, OpenAI reporta dos resultados nuevos sobre huecos entre números primos, con demostraciones publicadas en PDF. Astra ayudó a establecer que existen infinitos pares de primos separados como máximo por 186, mejorando una cota de 240 fijada recientemente por Julia Stadlmann, que a su vez mejoraba el 246 vigente durante más de una década. Un segundo resultado mejoró un término de una cota sobre huecos grandes entre primos que llevaba más de 80 años inalterado. Son artefactos comprobables y no filas de una tabla, lo que los convierte en las afirmaciones más duraderas de todo el anuncio.

Dónde el marketing se adelanta a la evidencia

Ahora pasamos de la medición al juicio. Nuestra lectura: es un lanzamiento importante descrito con el vocabulario equivocado, y OpenAI aportó ella misma la evidencia contra su propio encuadre.

El agregado neutral está plano. Artificial Analysis Intelligence Index v4.1.1, impreso en la propia tabla Professional de OpenAI: Astra 61,2, Sol 60,9, Fable 5.1 65,7, Opus 5 63,1. En el Coding Agent Index v1.4, también en la tabla de OpenAI, Astra saca 67,0 frente al 68,1 de Opus 5 y el 67,2 de Fable 5. Un modelo que empata con su predecesor en el compuesto no es un salto generacional de capacidad general, diga lo que diga el anuncio. Con la metodología v4.2 actual de Artificial Analysis, consultada el 5 de septiembre de 2026, la forma del ranking no cambia: Fable 5.1 en 56,8, Astra en 54,7, Opus 5 en 54,1.

«Satura» está haciendo mucho trabajo. El 99,9 % en ARC-AGI-3 es real, y la nota 1 de OpenAI indica que se ejecutó con un harness de la API de Responses «que cambia dos ajustes para acercarse mejor al rendimiento del mundo real». Una llamada normal y sin estado a la API no es ese harness. Trate el 99,9 % como un techo en una configuración afinada, no como el comportamiento de su integración.

FrontierMath no es un árbitro neutral. Epoch AI, que lo opera, ha revelado que OpenAI financió su desarrollo y tiene acceso exclusivo a una parte. El 97,6 % es impresionante; independiente no lo es.

El 100 % de ExploitBench también lleva nota. La propia observación de OpenAI sobre la versión actualizada de junio a agosto de 2026 dice que algunas vulnerabilidades incluidas podrían no permitir ejecución de código arbitrario bajo las restricciones de la evaluación, una frase que complica en voz baja lo que significa una puntuación perfecta en el original.

Cada puntuación de titular es el mejor caso. OpenAI declara con claridad que las puntuaciones de evaluación son el máximo en cualquier nivel de esfuerzo. Con esfuerzo max, Artificial Analysis mide un tiempo hasta el primer token de 463,7 segundos —casi ocho minutos antes de la primera palabra— frente a una mediana de 3,86 segundos entre modelos de razonamiento de la misma franja de precio. Después, la salida corre a 87,5 tokens por segundo, por encima de esa mediana. Las cifras de titular y una aplicación con buena capacidad de respuesta no son la misma configuración.

El precio se multiplica por 2,5. La página de modelo de GPT-5.6 Sol indica 4,00 $ por millón de tokens de entrada y 20,00 $ de salida; Astra indica 10,00 $ y 50,00 $. Es exactamente 2,5 veces en ambos lados, y además la tarifa de Sol es promocional, publicada como vigente al menos hasta el 21 de noviembre de 2026. El contrapeso honesto es la eficiencia en tokens: Artificial Analysis mide el coste de ejecutar su Intelligence Index completo en 2,57 $ para Astra frente a 6,12 $ para Fable 5.1 y 4,21 $ para Opus 5. Astra cuesta más por token y menos por tarea completada que los Claude, una distinción que conviene hacer antes de que alguien cite el precio de catálogo como veredicto.

Y es más transparente en algunos aspectos y menos en otros. La system card reporta que Astra comete bastantes menos errores factuales que Sol, que nunca intentó eludir una denegación del Auto-Review de Codex en pruebas internas y que se salió del objetivo autorizado en el 0 % de los casos de una evaluación de exceso de alcance, donde Sol sin salvaguardas lo hacía en el 48 %. El mismo documento reporta que el razonamiento escrito de Astra es más difícil de supervisar que el de Sol, algo que OpenAI atribuye a cadenas de pensamiento más cortas y dice tomarse en serio. Ambas cosas pertenecen al mismo párrafo.

Cuatro cosas que no pudimos verificar, señaladas como tales

La cobertura de este lanzamiento se adelanta a la evidencia en puntos concretos.

Algunas coberturas secundarias han afirmado que Astra retrocedió en GDPval, en uso de herramientas bancarias, en razonamiento sobre documentos largos y en calidad de presentaciones en pruebas de agente de largo recorrido. Lo comprobamos: GDPval no aparece en ningún lugar del anuncio de OpenAI, y no encontramos ni una cifra de GDPval publicada por OpenAI para Astra ni una ejecución independiente completada con la que contrastar la afirmación. La ausencia en sí es destacable —GDPval es el benchmark construido en torno al trabajo de valor económico en muchas ocupaciones—, pero «falta» y «retrocedió» son hallazgos distintos, y solo el primero está establecido.

La afirmación de que Astra descubrió dos vulnerabilidades de día cero desconocidas durante la evaluación interna figura en el anuncio de OpenAI, con divulgación prometida a los mantenedores. No está confirmada de forma independiente y las vulnerabilidades no están identificadas.

«GPT-6 Astra Pro» se menciona para los planes Pro, Business y Enterprise sin precio, benchmarks ni ficha de modelo publicados a 5 de septiembre de 2026. Fuera de OpenAI, nadie sabe qué es.

El benchmark interno de alucinación que muestra un 4,2 % para Astra frente a un 12,2 % para Sol es un benchmark interno. OpenAI describe su construcción —conversaciones de ChatGPT anonimizadas que los usuarios marcaron como portadoras de errores factuales— y afirma sin rodeos que las tasas absolutas están infladas por diseño y no deben leerse como tasas de alucinación en producción. La dirección es creíble; la cifra no es trasladable.

El modelo de frontera sigue sin poder oír

Aquí está el detalle que reencuadra el lanzamiento para quien recibe su trabajo en forma de voz y no de texto.

Las modalidades de entrada de GPT-6 Astra son texto e imagen. Su modalidad de salida es texto. El modelo más capaz que OpenAI ha lanzado nunca —una ventana de un millón de tokens, un 47 % más rápido conduciendo un escritorio, un 96,3 % de recuperación en la parte alta de su contexto— no tiene oídos.

No es un descuido, es arquitectura. Los modelos de razonamiento de frontera y los modelos de voz son líneas de producto separadas, y el trabajo con audio sigue pasando por una etapa de transcripción antes de que un modelo de razonamiento vea nada. Lo que significa que la calidad de todo lo que Astra puede hacer con una conversación está limitada aguas arriba, por lo que haya convertido esa conversación en tokens. Si la transcripción fundió a dos hablantes, o perdió el tramo en tailandés de una reunión bilingüe, o se dejó noventa segundos cuando la conexión falló, entonces una ventana de contexto de un millón de tokens es un recipiente muy grande para una entrada defectuosa.

Es la capa que los lanzamientos de modelos nunca arreglan y que recibe menos atención con cada nuevo buque insignia. La capa de razonamiento sigue mejorando a un ritmo que se puede dibujar. La capa de captura —grabar una hora sin perder nada, separar hablantes, aguantar una reunión que cambia de idioma a mitad de frase— mejora en una curva completamente distinta y mucho más lenta, y ninguna cantidad de inteligencia de frontera aguas abajo compensa una mala transcripción aguas arriba.

En conclusión: a la frontera le creció un brazo, no una cabeza

GPT-6 Astra es un lanzamiento de brazo largo. Llega mucho más lejos en ciertos tipos de trabajo —manejar un terminal, conducir un escritorio, recuperar en el extremo de un millón de tokens, hacer ingeniería inversa de un binario— mientras que aquello que solemos llamar inteligencia se quedó casi quieto en todas las medidas neutrales disponibles, incluida la que la propia OpenAI imprimió.

No es una decepción. Es incluso una forma más útil que la alternativa, porque la capacidad estrecha llega a producción mucho antes que la general. Pero significa que la pregunta de compra ha cambiado. «¿Es más inteligente?» tiene ahora una respuesta casi carente de sentido. «¿Es mejor en el bucle concreto que ejecuto cuarenta veces al día, y cuánto tarda ese bucle ahora?» tiene una respuesta excelente.

Mire el benchmark que se parezca a su trabajo. Ignore el compuesto. Y mire el reloj, no solo la puntuación.

---

Dónde encaja Telli.sh: la brecha que este lanzamiento hace visible —un razonamiento brillante apoyado sobre lo que la capa de captura le entregó— es exactamente la brecha en la que construimos. Telli.sh graba la reunión, separa a los hablantes, traduce en directo a 15 idiomas y deja notas que seguirán siendo buscables el trimestre que viene. Enruta transcripción, traducción y resumen a través de una capa de motores intercambiables, de modo que un lanzamiento como Astra llega en forma de mejores notas y no de proyecto de migración. Ningún lanzamiento de modelo de frontera cambia la parte en la que alguien tiene que capturar esa hora en primer lugar.

Empezar una nota traducida en directo

Fuentes

• OpenAI, «GPT-6 Astra: A new generation of intelligence», 3 de septiembre de 2026 — todas las tablas de benchmarks (Computer Use, Professional, Coding, Academic, Science and Health, Cybersecurity, Alignment, Long Context, Abstract reasoning), la simulación de latencia de OSWorld, la cifra de 1,9× en Mind2Web, las notas 1, 3, 4, 8, 9, 10, 11 y 12, la disponibilidad y los resultados sobre huecos entre primos; consultado el 5 de septiembre de 2026
• Documentación para desarrolladores de OpenAI, página del modelo gpt-6-astra — ventana de contexto, salida máxima, corte de conocimiento, modalidades, niveles de reasoning.effort y precios estándar, de caché y de escritura en caché; consultado el 5 de septiembre de 2026
• Documentación para desarrolladores de OpenAI, guía de migración y prompting «Using GPT-6 Astra» — requisito de la API de Responses para llamadas a herramientas, parámetros de muestreo eliminados y salvedades del modo Fast; consultado el 5 de septiembre de 2026
• System card de GPT-6 Astra, OpenAI Deployment Safety Hub — umbral Critical en ciberseguridad dentro del Preparedness Framework, nivel High en biología y química, por debajo de High en automejora de IA, robustez ante jailbreaks, la evaluación de factualidad y sus límites declarados, y el descenso de supervisabilidad de las cadenas de pensamiento; consultado el 5 de septiembre de 2026
• Artificial Analysis, análisis de inteligencia, rendimiento y precio de GPT-6 Astra — puntuaciones del Intelligence Index v4.2, coste por tarea del Intelligence Index, velocidad de salida de 87,5 tokens por segundo y tiempo hasta el primer token de 463,7 segundos; consultado el 5 de septiembre de 2026
• Vellum, «GPT-6 Astra Benchmarks Explained» — contraste de las tablas de uso del ordenador, académicas y de contexto largo, y el asterisco de Humanity's Last Exam
• Emergent, «GPT-6 Astra Benchmarks: What the Numbers Actually Show» — la salvedad sobre el harness de ARC-AGI-3 y la comparación en el Intelligence Index
• MindStudio, «GPT-6 Astra Benchmarks: Is It Really Better Than Fable 5.1?» — el origen de los retrocesos reportados en GDPval, uso de herramientas bancarias, contexto largo y calidad de presentaciones, que no pudimos verificar en fuente primaria
• Al Jazeera, «OpenAI unveils GPT-6 Astra amid rising scrutiny and safety concerns», 4 de septiembre de 2026 — fecha del lanzamiento y despliegue por fases
• 9to5Mac, «OpenAI releasing major upgrade to ChatGPT and Codex with GPT-6 Astra», 4 de septiembre de 2026 — el orden de despliegue por plan tras el día del lanzamiento
• Nuestro comentario sobre el lanzamiento sigiloso de GLM-5.3-Flash — el otro extremo de la misma curva, donde la capacidad llega barata en lugar de cara