40 minut zamiast 75: w czym GPT-6 Astra jest naprawdę dobry

3 września 2026 roku OpenAI wypuściło GPT-6 Astrę i nazwało ją „najinteligentniejszym i najlepiej wyrównanym modelem świata".

Cztery wiersze niżej, w jej własnej tabeli benchmarków, stoi Artificial Analysis Intelligence Index v4.1.1: Astra 61,2, GPT-5.6 Sol 60,9, Claude Fable 5.1 65,7. To sama OpenAI wydrukowała liczbę, w której jej nowy okręt flagowy zyskuje trzy dziesiąte nad własnym poprzednikiem i traci 4,5 punktu do konkurenta.

Oba fakty są prawdziwe, a napięcie między nimi to cała historia. To nie jest model, który zmądrzał ogólnie. To model, który drastycznie poprawił się w konkretnej liście rzeczy, i tę listę warto znać dokładnie, bo nie zgadza się z marketingowym streszczeniem w żadną ze stron.

W skrócie:

• Zyski w wąskich obszarach są ogromne i weryfikowalne u źródła. Terminal-Bench Science z 22,4% na 64,6%, SRE-Bench przy pierwszej próbie z 55,9% na 88,0%, ScreenSpot-Pro z 76,9% na 92,7%, wyszukiwanie MRCR z 8 igłami w paśmie 512K–1M z 73,8% na 96,3% — wszystko wobec GPT-5.6 Sol i wszystko z opublikowanych przez OpenAI tabel.
• Zysk na szybkości może znaczyć więcej niż jakikolwiek wynik punktowy. Na OSWorld 2.0 Astra osiąga 72,6% w około 40 minut na zadanie, wobec 65,7% w około 75 u Sol — czyli około 47% mniej czasu.
• Wskaźnik ogólny prawie się nie ruszył. Na jedynym międzydostawczym indeksie, który OpenAI wydrukowało samo, Astra jest +0,3 nad Sol i −4,5 pod Claude Fable 5.1. Przegrywa też jedyny akademicki wiersz, jaki raportuje wobec wszystkich trzech Claude'ów: Humanity's Last Exam z narzędziami, 57,2% wobec 65,0%.

Wszystkie liczby pochodzą z własnych tabel ogłoszeniowych OpenAI. Źródła na końcu.

Specyfikacja bez przymiotników

Zanim przejdziemy do argumentu — fakty, które można sprawdzić. Pochodzą ze strony modelu gpt-6-astra w dokumentacji dla programistów, pobranej 5 września 2026 roku.

Trzy szczegóły w tej tabeli większość relacji pomija — a nie powinna.

Zapytania powyżej 272 000 tokenów wejściowych są rozliczane po podwójnej stawce wejścia i pamięci podręcznej oraz po półtorakrotnej stawce wyjścia — dla całego zapytania. Okno miliona tokenów ma więc pośrodku uskok, a nie płaską taryfę. Przetwarzanie Batch i Flex kosztuje 50% stawki standardowej; tryb Fast kosztuje dwukrotnie więcej za nawet dwukrotnie większą szybkość, bez SLA na opóźnienie.

Wywołania narzędzi wymagają Responses API. Chat Completions nadal działa przy zwykłej generacji, ale temperature, top_p i top_logprobs zniknęły całkowicie. Jeśli migrujesz potok, który stroi próbkowanie, to strojenie po prostu przestało istnieć.

I jeszcze: Astra przyjmuje tekst i obrazy, a zwraca tekst. Nie słyszy. Wrócimy do tego.

Prawdziwym nagłówkiem jest obsługa komputera, a prawdziwą liczbą — zegar

Rama narracyjna OpenAI mówi, że Astra „wyznacza nową granicę w obsłudze komputera i przeglądarki". Tutaj dowody udźwigną ten przymiotnik.

Na OSWorld 2.0 — zadania desktopowe takie jak poruszanie się po aplikacjach, przenoszenie plików, wypełnianie formularzy — Astra osiąga 72,6% wobec 65,7% u Sol. To przyzwoite 6,9 punktu. Ciekawa liczba stoi obok: w symulacji opóźnień OpenAI Astra kończyła przeciętne zadanie w około 40 minut tam, gdzie Sol potrzebował około 75 — redukcja o mniej więcej 47%.

Wynik po lewej, zegar po prawej. Źródło: ogłoszenie GPT-6 Astry od OpenAI, sekcja Computer Use.

Sedno jest takie: dla modelu, któremu zlecasz pracę, a potem na niego czekasz, czas na zadanie to metryka, która pojawia się w twoim dniu i na twojej fakturze. Siedem punktów większej dokładności to wynik ewaluacji. Skrócenie czekania o połowę to inny produkt.

Reszta bloku jest spójna. ScreenSpot-Pro, sprawdzający, czy model znajdzie i kliknie właściwy piksel w gęstym interfejsie, rośnie z 76,9% na 92,7% bez narzędzi. Agents' Last Exam — złożone zadania zawodowe w prawdziwym oprogramowaniu, od modelowania finansowego po produkcję medialną — daje 59,3% wobec 55,5% u Claude Opus 5 i 53,6% u Sol, przy czym OpenAI zaznacza, że Astra zużyła na to o około 65% mniej tokenów wyjściowych niż Opus 5. Na benchmarku przeglądarkowym Mind2Web, ze zaktualizowaną obudową Codex, OpenAI raportuje 1,9 raza szybsze kończenie zadań niż obecna konfiguracja Sol.

Czytane uważnie, ta ostatnia liczba jest twierdzeniem o systemie, nie o modelu: obudowa plus model. Wciąż jednak to ją odczuwa użytkownik, więc warto ją zarówno cytować, jak i opatrzyć etykietą.

Co pokazują demonstracje

Wraz z ogłoszeniem OpenAI opublikowało nagrania ekranu, a nie nieruchome obrazy, i są one najjaśniejszym dowodem tej premiery na to, co dziś oznacza „obsługa komputera". Nie hostujemy ich u siebie; odtwarzają się na stronie ogłoszenia OpenAI. Przypis 4 samego OpenAI stwierdza, że pokazane klipy to zmontowane fragmenty z raportowanymi czasami odpowiednich przebiegów demonstracyjnych — to właściwe zastrzeżenie, które trzeba zabrać ze sobą przy oglądaniu.

Cztery warte waszego czasu:

1. Projektowanie płytki PCB w KiCad — skondensowane do 15 sekund odtworzenie, w którym Astra zamienia schemat elektroniczny w płytkę gotową do produkcji, rozmieszczając komponenty i prowadząc ścieżki miedziane. Projektowanie ścieżek to zwykle praca ręczna i klasyczne wąskie gardło w projektowaniu elektroniki.
2. Z Blendera do Unreal Engine 5 — wymodelować dom, a potem zamienić go w scenę, po której da się chodzić; takie przekazanie zwykle kosztuje dzień pracy projektanta.
3. Prezentacja zbudowana na szablonie — Astra dostaje kilka slajdów z szablonu prezentacji OpenAI i ma zrobić talię o fikcyjnym modelu, zachowując ton i układ. Najbardziej istotna dla pracy biurowej i najmniej efektowna demonstracja.
4. Nawigacja w oprogramowaniu genomicznym — sprawdzanie jakości sekwencjonowania i wizualizacja zmienności genetycznej wewnątrz specjalistycznych narzędzi naukowych.

OpenAI opublikowało też statyczne porównanie ilustrujące zmianę zachowania, a nie wynik punktowy: kiedy instrukcje zostawiają pole do interpretacji, Astra zadaje celne pytanie zamiast zgadywać.

Źródło obrazu: OpenAI, „GPT-6 Astra: A new generation of intelligence", 3 września 2026. Pokazane zachowanie — pytać, gdy odpowiedź zmieniłaby wynik, i iść dalej, gdy nie zmieni — jest demonstracją dostawcy, a nie pomiarem niezależnego benchmarku.

Daleki koniec okna kontekstu przestał się zapadać

To najmniej omawiany wynik tej premiery i, dla każdego pracującego na długich dokumentach, prawdopodobnie najbardziej doniosły.

Marketing długiego kontekstu jest niewiarygodny od trzech lat, bo okno reklamowane i okno użyteczne to były dwie różne liczby. Modele przyjmowały milion tokenów, a potem źle wyszukiwały powyżej kilkuset tysięcy. Otóż Astra wcale nie poszerzyła okna — kontekst GPT-5.6 Sol również wynosi 1 050 000 tokenów. Zmieniło się to, co dzieje się na jego końcu.

W teście OpenAI MRCR v2 z 8 igłami Astra osiąga 100,0% w paśmie 256K–512K wobec 91,5% u Sol i utrzymuje 96,3% w paśmie 512K–1M, gdzie Sol spada do 73,8%. Różnica 22,5 punktu na górnym końcu okna to różnica między specyfikacją a funkcją.

Dane podane przez dostawcę, z tabeli Long Context OpenAI. Zastrzeżenie: MRCR to własny benchmark OpenAI.

Równolegle Codex dostaje eksperymentalny mechanizm, w którym Astra prowadzi notatki między oknami kontekstu zamiast ściskać długą sesję w jedno stratne podsumowanie, a wcześniejsze okna pozostają przeszukiwalne. OpenAI zapowiada, że w ciągu kilku tygodni stanie się to domyślnym zachowaniem Astry. Strata przy kompaktowaniu — zapomnienie, dlaczego poprawka nie zadziałała trzy godziny wcześniej — to najczęstszy tryb awarii w długich sesjach agentowych, więc to celna naprawa realnego problemu.

Największe skoki tej premiery przyszły z terminala i pracy naukowej

Jeśli uszeregować wszystkie opublikowane porównania z GPT-5.6 Sol według wielkości skoku, na górze nie ma ani matematyki, ani programowania w ogóle. Na górze są agenci obsługujący terminal.

Terminal-Bench Science niemal się potroił. SRE-Bench — inżynieria wsteczna skompilowanych binariów bez dostępu do źródeł — poszedł z 55,9% na 88,0% przy pierwszej próbie i na 99,2% w czterech. AutomationBench więcej niż się podwoił. To nie są ulepszenia rzędu błędu zaokrąglenia i grupują się ciasno wokół jednego opisu: agent, który obsługuje narzędzia przez wiele kroków, nie gubiąc wątku.

W matematyce OpenAI raportuje dwa nowe wyniki dotyczące odstępów między liczbami pierwszymi, z dowodami opublikowanymi w PDF. Astra pomogła wykazać, że istnieje nieskończenie wiele par liczb pierwszych oddalonych o najwyżej 186, poprawiając granicę 240 ustaloną niedawno przez Julię Stadlmann, która z kolei poprawiała utrzymującą się ponad dekadę granicę 246. Drugi wynik poprawił człon w oszacowaniu dużych odstępów między liczbami pierwszymi, niezmieniony od ponad 80 lat. To sprawdzalne artefakty, a nie wiersze tabeli, co czyni je najtrwalszymi twierdzeniami całego ogłoszenia.

Gdzie marketing wyprzedza dowody

Teraz przejście od pomiaru do oceny. Nasza teza: to ważna premiera opisana złym słownictwem, a dowody przeciw własnej narracji dostarczyło samo OpenAI.

Neutralny wskaźnik ogólny jest płaski. Artificial Analysis Intelligence Index v4.1.1, wydrukowany we własnej tabeli Professional OpenAI: Astra 61,2, Sol 60,9, Fable 5.1 65,7, Opus 5 63,1. W Coding Agent Index v1.4, również w tabeli OpenAI, Astra ma 67,0 wobec 68,1 u Opus 5 i 67,2 u Fable 5. Model remisujący z poprzednikiem na wskaźniku złożonym nie jest pokoleniowym skokiem zdolności ogólnej, cokolwiek mówi wpis blogowy. Według aktualnej metodologii Artificial Analysis v4.2, pobranej 5 września 2026 roku, kształt rankingu się nie zmienia: Fable 5.1 na 56,8, Astra na 54,7, Opus 5 na 54,1.

Słowo „nasyca" dźwiga tu bardzo dużo. 99,9% na ARC-AGI-3 to realna liczba, a przypis 1 OpenAI mówi, że przebieg wykonano na obudowie Responses API, „która zmienia dwa ustawienia, by lepiej odpowiadać wydajności w świecie rzeczywistym". Zwykłe bezstanowe wywołanie API to nie ta obudowa. Traktujcie 99,9% jako sufit przy dostrojonej konfiguracji, a nie zachowanie waszej integracji.

FrontierMath nie jest neutralnym sędzią. Epoch AI, które go prowadzi, ujawniło, że OpenAI sfinansowało jego rozwój i ma wyłączny dostęp do części benchmarku. 97,6% robi wrażenie; niezależne nie jest.

Sto procent na ExploitBench też ma przypis. Własna uwaga OpenAI o odświeżonej wersji z czerwca–sierpnia 2026 mówi, że część zawartych podatności może nie pozwalać na dowolne wykonanie kodu w warunkach tej ewaluacji — zdanie, które po cichu komplikuje to, co oznacza wynik idealny na oryginale.

Każdy nagłówkowy wynik to najlepszy przypadek. OpenAI stwierdza wprost, że wyniki ewaluacji to maksimum przy dowolnym poziomie wysiłku. Przy wysiłku max Artificial Analysis mierzy czas do pierwszego tokena na 463,7 sekundy — prawie osiem minut przed pierwszym słowem — wobec mediany 3,86 sekundy wśród modeli rozumujących w tym samym przedziale cenowym. Potem wyjście idzie z prędkością 87,5 tokena na sekundę, czyli powyżej tej mediany. Nagłówkowe liczby i responsywna aplikacja to nie ta sama konfiguracja.

Cena wzrosła 2,5-krotnie. Strona modelu GPT-5.6 Sol podaje 4,00 $ za milion tokenów wejściowych i 20,00 $ za wyjściowe; Astra podaje 10,00 $ i 50,00 $. To dokładnie 2,5 raza po obu stronach — a stawka Sol sama jest promocyjna, opublikowana jako obowiązująca co najmniej do 21 listopada 2026 roku. Uczciwą przeciwwagą jest efektywność tokenowa: Artificial Analysis mierzy koszt pełnego przebiegu własnego Intelligence Index na 2,57 $ dla Astry wobec 6,12 $ dla Fable 5.1 i 4,21 $ dla Opus 5. Astra kosztuje więcej za token i mniej za ukończone zadanie niż modele Claude — rozróżnienie, które warto zrobić, zanim ktoś zacytuje cenę katalogową jako werdykt.

I pod pewnymi względami jest przejrzystszy, a pod innymi mniej. Karta systemowa raportuje, że Astra popełnia istotnie mniej błędów faktograficznych niż Sol, w testach wewnętrznych ani razu nie próbowała obejść odmowy Codex Auto-Review i wyszła poza autoryzowany cel w 0% przypadków w ewaluacji wykraczania poza zakres, gdzie Sol bez zabezpieczeń robił to w 48% przypadków. Ten sam dokument raportuje, że zapisane rozumowanie Astry jest trudniejsze do monitorowania niż u Sol; OpenAI przypisuje to krótszym łańcuchom myśli i deklaruje, że traktuje rzecz poważnie. Oba fakty należą do tego samego akapitu.

Cztery rzeczy, których nie udało nam się zweryfikować — i tak je oznaczamy

Relacje wokół tej premiery w konkretnych miejscach wyprzedzają dowody.

Wtórne doniesienia twierdziły, że Astra pogorszyła się na GDPval, na bankowym użyciu narzędzi, na rozumowaniu po długich dokumentach i na jakości prezentacji w długodystansowych testach agentowych. Sprawdziliśmy: GDPval nie pojawia się nigdzie w ogłoszeniu OpenAI, a nie znaleźliśmy ani opublikowanej przez OpenAI liczby GDPval dla Astry, ani zakończonego niezależnego przebiegu, z którym można by to twierdzenie zestawić. Sama nieobecność jest znacząca — GDPval to benchmark zbudowany wokół pracy o wartości ekonomicznej w wielu zawodach. Ale „brakuje" i „pogorszyła się" to różne ustalenia, a udowodnione jest tylko pierwsze.

Twierdzenie, że Astra odkryła podczas wewnętrznej ewaluacji dwie wcześniej nieznane podatności zero-day, znajduje się w ogłoszeniu OpenAI, wraz z obietnicą zgłoszenia ich opiekunom. Nie zostało potwierdzone niezależnie, a podatności nie są wskazane.

„GPT-6 Astra Pro" jest wspomniana dla planów Pro, Business i Enterprise, ale na 5 września 2026 roku nie opublikowano dla niej ani osobnej ceny, ani benchmarków, ani karty modelu. Poza OpenAI nikt nie wie, co to jest.

Wewnętrzny benchmark halucynacji pokazujący 4,2% dla Astry wobec 12,2% dla Sol jest właśnie benchmarkiem wewnętrznym. OpenAI opisuje jego konstrukcję — zanonimizowane rozmowy z ChatGPT, które użytkownicy oznaczyli jako zawierające błędy faktograficzne — i wprost stwierdza, że wartości bezwzględne są z założenia zawyżone i nie należy ich czytać jako wskaźników halucynacji na produkcji. Kierunek jest wiarygodny; liczba nie jest przenośna.

Model z granicy wciąż nie słyszy

Oto szczegół, który przestawia sens tej premiery dla każdego, czyja praca przychodzi jako mowa, a nie jako tekst.

Modalności wejściowe GPT-6 Astry to tekst i obraz. Modalność wyjściowa to tekst. Najbardziej zdolny model, jaki OpenAI kiedykolwiek wypuściło — okno miliona tokenów, o 47% szybsza obsługa pulpitu, 96,3% wyszukiwania na górnym końcu kontekstu — nie ma uszu.

To nie przeoczenie, tylko architektura. Graniczne modele rozumujące i modele mowy to osobne linie produktowe, a praca z dźwiękiem wciąż przechodzi przez etap transkrypcji, zanim model rozumujący cokolwiek zobaczy. To znaczy, że jakość wszystkiego, co Astra potrafi zrobić z rozmową, ma sufit ustawiony wyżej w strumieniu — przez to, co zamieniło tę rozmowę w tokeny. Jeśli transkrypcja zlała dwóch mówiących, zgubiła tajski fragment dwujęzycznego spotkania albo upuściła dziewięćdziesiąt sekund przy chwiejnym łączu, to okno kontekstu na milion tokenów jest po prostu bardzo dużym pojemnikiem na wadliwe wejście.

To warstwa, której premiery modeli nigdy nie naprawiają i której poświęca się coraz mniej uwagi z każdym nowym okrętem flagowym. Warstwa rozumowania poprawia się w tempie, które da się narysować. Warstwa przechwytywania — nagrać godzinę, niczego nie gubiąc, rozdzielić mówiących, wytrzymać spotkanie zmieniające język w połowie zdania — poprawia się na zupełnie innej i znacznie łagodniejszej krzywej, a żadna ilość granicznej inteligencji niżej w strumieniu nie nadrobi złej transkrypcji wyżej.

Konkluzja: granicy wyrosło ramię, a nie głowa

GPT-6 Astra to premiera długiego ramienia. Sięga znacznie dalej w określone rodzaje pracy — obsłużyć terminal, prowadzić pulpit, wyszukać na dalekim końcu miliona tokenów, rozłożyć binarium — podczas gdy to, co zwykle nazywamy inteligencją, prawie się nie ruszyło na każdej dostępnej neutralnej mierze, łącznie z tą, którą OpenAI wydrukowało samo.

To nie jest rozczarowanie. To wręcz kształt bardziej użyteczny niż alternatywa, bo wąska zdolność trafia na produkcję dużo szybciej niż ogólna. Ale oznacza, że pytanie zakupowe się zmieniło. „Czy jest mądrzejszy?" ma teraz odpowiedź niemal pozbawioną sensu. „Czy jest lepszy w tej konkretnej pętli, którą przechodzę czterdzieści razy dziennie, i ile ta pętla trwa teraz?" ma odpowiedź bardzo dobrą.

Sprawdźcie benchmark podobny do waszej pracy. Zignorujcie wskaźnik złożony. I patrzcie na zegar, nie tylko na wynik.

---

Gdzie mieści się Telli.sh: szczelina, którą ta premiera uwidacznia — znakomite rozumowanie oparte na tym, co podała mu warstwa przechwytywania — to dokładnie ta szczelina, w której budujemy. Telli.sh nagrywa spotkanie, rozdziela mówiących, tłumaczy na żywo na 15 języków i zostawia notatki, które w przyszłym kwartale wciąż da się przeszukać. Transkrypcję, tłumaczenie i streszczanie kieruje przez wymienną warstwę silników, więc premiera taka jak Astra przychodzi jako lepsze notatki, a nie jako projekt migracyjny. Żadne ogłoszenie granicznego modelu nie zmienia tej części, w której ktoś musi najpierw uchwycić tę godzinę.

Zacznij notatkę z tłumaczeniem na żywo

Źródła

• OpenAI, „GPT-6 Astra: A new generation of intelligence", 3 września 2026 — wszystkie tabele benchmarków (Computer Use, Professional, Coding, Academic, Science and Health, Cybersecurity, Alignment, Long Context, Abstract reasoning), symulacja opóźnień OSWorld, liczba 1,9× na Mind2Web, przypisy 1, 3, 4, 8, 9, 10, 11 i 12, dostępność oraz wyniki dotyczące odstępów między liczbami pierwszymi; pobrano 5 września 2026
• Dokumentacja OpenAI dla programistów, strona modelu gpt-6-astra — okno kontekstu, maksymalne wyjście, granica wiedzy, modalności, poziomy reasoning.effort oraz ceny standardowe, pamięci podręcznej i zapisu do pamięci podręcznej; pobrano 5 września 2026
• Dokumentacja OpenAI dla programistów, przewodnik migracji i promptowania „Using GPT-6 Astra" — wymóg Responses API dla wywołań narzędzi, usunięte parametry próbkowania, zastrzeżenia do trybu Fast; pobrano 5 września 2026
• Karta systemowa GPT-6 Astry, OpenAI Deployment Safety Hub — próg Critical w cyberbezpieczeństwie w Preparedness Framework, poziom High w biologii i chemii, poniżej High w samodoskonaleniu AI, odporność na jailbreaki, ewaluacja faktograficzności i jej zadeklarowane ograniczenia oraz spadek monitorowalności łańcuchów myśli; pobrano 5 września 2026
• Artificial Analysis, analiza inteligencji, wydajności i ceny GPT-6 Astry — wyniki Intelligence Index v4.2, koszt jednego zadania Intelligence Index, szybkość wyjścia 87,5 tokena na sekundę i czas do pierwszego tokena 463,7 sekundy; pobrano 5 września 2026
• Vellum, „GPT-6 Astra Benchmarks Explained" — kontrola krzyżowa tabel obsługi komputera, akademickich i długiego kontekstu oraz gwiazdka przy Humanity's Last Exam
• Emergent, „GPT-6 Astra Benchmarks: What the Numbers Actually Show" — zastrzeżenie do obudowy ARC-AGI-3 i porównanie na Intelligence Index
• MindStudio, „GPT-6 Astra Benchmarks: Is It Really Better Than Fable 5.1?" — źródło doniesień o regresach na GDPval, bankowym użyciu narzędzi, długim kontekście i jakości prezentacji, których nie udało nam się zweryfikować u źródła pierwotnego
• Al Jazeera, „OpenAI unveils GPT-6 Astra amid rising scrutiny and safety concerns", 4 września 2026 — termin premiery i etapowe wdrożenie
• 9to5Mac, „OpenAI releasing major upgrade to ChatGPT and Codex with GPT-6 Astra", 4 września 2026 — kolejność udostępniania według planów po dniu premiery
• Nasz komentarz do cichej premiery GLM-5.3-Flash — drugi koniec tej samej krzywej, gdzie zdolność przychodzi tanio, a nie drogo