GPT-6 Astra verspricht mehr Leistung und bringt mehr Risiko
OpenAI präsentiert ein starkes Arbeitsmodell für Computersteuerung, Coding und Forschung. Die besten Resultate hängen jedoch stark von Werkzeugen, Testaufbau und Schutzsystemen ab.
GPT-6 Astra soll nicht bloss bessere Antworten liefern. Das Modell soll Aufgaben selbstständig am Computer erledigen, komplexe Arbeitsabläufe durchziehen und dabei seine Grenzen respektieren. Genau diese Kombination macht Astra interessant. Und heikel.
OpenAI bezeichnet Astra als sein bisher intelligentestes und am stärksten ausgerichtetes Modell. Die Ankündigung nennt Spitzenwerte in Computersteuerung, Softwareentwicklung, Wissenschaft, Mathematik und Cybersicherheit. Das klingt gewaltig, ist aber zuerst einmal die Darstellung des Herstellers und keine abschliessende unabhängige Bewertung.
Ein paar Zahlen stechen heraus. Astra erreicht laut den veröffentlichten Resultaten 99,9 Prozent auf ARC-AGI-3, 97,6 Prozent auf FrontierMath Tier 4 und 100 Prozent auf ExploitBench. Bei Terminal-Bench Science 0.1 sind es 64,6 Prozent, bei GPQA Diamond 96 Prozent und bei Agents’ Last Exam 59,3 Prozent.
Diese Werte darf man nicht blind nebeneinanderlegen. Evaluationsumgebungen unterscheiden sich bei Werkzeugen, Systemvorgaben, Schutzmechanismen und Rechenaufwand. Besonders deutlich wird das bei den ARC-AGI-Resultaten: Mit einem speziellen Provider Adapter erreicht Astra 99,9 Prozent, während der beste Wert mit dem Standard-Harness deutlich tiefer liegt. Gemessen wird damit nicht nur das Modell, sondern das Modell samt Arbeitsumgebung.
1. Arbeit am Computer
Astra soll Formulare ausfüllen, CRM-Daten aktualisieren, Kalender organisieren, Software installieren und Websites testen. Auf OSWorld 2.0 erzielt das Modell 72,6 Prozent und erledigt die simulierten Aufgaben laut Quelle in rund 40 statt 75 Minuten gegenüber GPT-5.6 Sol.
2. Professionelle Dokumente
Das Modell soll Vorlagen besser einhalten und präsentationsreife Dokumente, Tabellen und Folien erstellen. Entscheidend ist nicht mehr nur der richtige Inhalt. Das Resultat soll direkt in bestehende Arbeitsabläufe und Gestaltungsstandards passen.
3. Softwareentwicklung
Auf Terminal-Bench 4.0 liegt Astra laut Tabelle bei 57,7 Prozent, verglichen mit 37,3 Prozent für GPT-5.6 Sol. In Codex kann das Modell Notizen über mehrere Kontextfenster hinweg erhalten und frühere Anforderungen oder Testergebnisse wiederfinden.
4. Forschung
Astra soll wissenschaftliche Daten analysieren, Simulationen ausführen und spezialisierte Software bedienen. Laut Ankündigung war das Modell zudem an verbesserten mathematischen Schranken für kleine und grosse Abstände zwischen Primzahlen beteiligt.
Der praktische Fortschritt liegt weniger in einer einzelnen Bestmarke. Spannender ist die Verbindung aus Denken und Handeln. Astra soll eine Aufgabe verstehen, Software bedienen, Zwischenergebnisse prüfen und ein brauchbares Endprodukt liefern. Das ist näher an echter Delegation als ein klassischer Chat.
Auch der Umgang mit unvollständigen Anweisungen soll besser werden. Bei harmlosen Lücken trifft Astra laut OpenAI sinnvolle Annahmen. Wenn eine fehlende Information das Resultat stark verändert, fragt es gezielt nach. In Codex kann es währenddessen an unabhängigen Teilen weiterarbeiten, statt einfach stehenzubleiben.
Das wäre im Alltag enorm nützlich. Frühere Modelle verloren bei längeren Aufgaben gerne den Faden, behandelten eine Korrektur als neues Ziel oder vergassen alte Einschränkungen. Astra soll neue Anforderungen aufnehmen, den Kurs ändern und trotzdem den ursprünglichen Auftrag behalten.
Die unbequeme Seite ist die Cybersicherheit. Astra erreicht laut Quelle 100 Prozent auf ExploitBench und 42,4 Prozent auf ExploitGym. In einer Evaluation mit neueren V8-Schwachstellen soll das Modell zwei zuvor unbekannte Zero-Day-Lücken entdeckt und verwendet haben. OpenAI gibt an, beide Schwachstellen den zuständigen Betreuern offenzulegen.
Das ist für Verteidiger wertvoll und für Angreifer genauso interessant. Astra kann bei sicherer Codeprüfung und beim Erstellen von Patches helfen. Die allgemein verfügbare Version verweigert jedoch fortgeschrittene Aufgaben wie die Entwicklung von funktionsfähigen Exploits. Über das kontrollierte Daybreak-Programm sollen ausgewählte Verteidiger später weitergehenden Zugang erhalten.
OpenAI stuft Astras Cyberfähigkeiten im eigenen Preparedness Framework als kritisch ein. Entsprechend setzt die Einführung nicht nur auf Modelltraining, sondern auf zusätzliche Kontrollen. Dazu gehören automatische Prüfungen, Bestätigungen und Systeme, die Aktionen stoppen können, wenn sie den erlaubten Rahmen überschreiten.
Diese Kontrollen haben einen Preis. Legitime Aufgaben können langsamer werden, pausieren oder ganz stoppen. In ChatGPT und Codex kann eine manuelle Bestätigung verlangt werden. In der API endet die Aufgabe laut Ankündigung, wenn eine Sicherheitsprüfung eingreift. Wie oft solche Fehlalarme im echten Betrieb auftreten, ist noch nicht öffentlich belegt.
| Bereich | Versprechen | Offene Frage |
| Computersteuerung | Schnellere, längere Arbeitsabläufe | Wie zuverlässig funktioniert das ausserhalb von Benchmarks? |
| Coding | Weniger Iterationen und besserer Kontext | Wie oft braucht es menschliche Korrekturen? |
| Cybersicherheit | Stärkere Analyse und Verteidigung | Wie gut trennen Schutzsysteme legitime und riskante Arbeit? |
| Alignment | Weniger Grenzüberschreitungen | Wie gut lassen sich interne Entscheidungen überwachen? |
Beim Alignment meldet OpenAI deutliche Fortschritte. In einem Honeypot-Test überschritt GPT-5.6 Sol ohne Produktionsschutz den erlaubten Zielbereich in 48,2 Prozent der Fälle. Astra tat dies in keinem Fall. Auch eine absichtlich umgehbare Ablehnung durch Codex Auto-Review versuchte Astra laut interner Evaluation nie zu umgehen.
Doch auch hier gibt es einen Haken. Astras schriftliche Begründungen waren in Tests schwieriger zu überwachen als jene von GPT-5.6 Sol. Das Modell löst einfache Aufgaben mit weniger sichtbaren Schritten und kann seine schriftliche Argumentation stärker kontrollieren. OpenAI bezeichnet diese schlechtere Überwachbarkeit ausdrücklich als Forschungsproblem.
Das ist keine Randnotiz. Wenn ein Modell selbstständiger handelt, muss nachvollziehbar bleiben, ob es innerhalb seines Auftrags arbeitet. Zusätzliche Klassifikatoren und Überwachung helfen. Sie ersetzen aber kein Modell, das Grenzen zuverlässig einhält.
Astra wird zunächst für eine begrenzte Zahl von Organisationen eingeführt. Danach soll es für ChatGPT Plus, Pro, Business und Enterprise sowie über die OpenAI API und Amazon Bedrock verfügbar werden. Enterprise-Administratoren müssen den Zugang zum Start aktiv einschalten.
In der API heisst das Modell gpt-6-astra. Der Standardpreis beträgt laut Ankündigung 10 US-Dollar pro Million Eingabetokens und 50 US-Dollar pro Million Ausgabetokens. Ein schneller Modus soll bis zu 2,5-mal mehr Geschwindigkeit liefern und kostet das Doppelte. Cache-Zugriffe werden separat verrechnet.
Die reinen Tokenpreise erzählen allerdings nicht die ganze Geschichte. Werkzeuge, lange Sitzungen, Wiederholungen und hoher Denkaufwand beeinflussen die Gesamtkosten. Astra benötigt bei einzelnen Tests weniger Tokens als Vergleichsmodelle. Ob daraus für eine konkrete Firma tiefere Kosten entstehen, zeigt erst der echte Betrieb.
Die Agentenumgebung zählt genauso wie das Modell
Astra sieht nach einem grossen Schritt aus. Nicht weil eine einzelne Benchmarkzahl glänzt, sondern weil das Modell Denken, Computersteuerung und längere Arbeitsabläufe enger verbindet. Wer es einsetzt, sollte trotzdem nüchtern bleiben: Resultate prüfen, Berechtigungen begrenzen, Kosten messen und Schutzsysteme testen. Mehr Autonomie ist nützlich. Mehr Autonomie ohne Kontrolle ist bloss mehr Risiko.