GPT-6 Astra: cena, benchmarki i haczyk z ARC-AGI-3

3 września 2026 OpenAI wypuściło GPT-6 Astra i przedstawiło go jako “najinteligentniejszy i najlepiej dostosowany model na świecie”. Trzy tygodnie później ta rodzina ma już trzy modele: Astra na górze, a pod nią GPT-6 Sol i GPT-6 Luna, które wyszły 22 września.

Aktualizacja 29 września 2026: następca, GPT-6.1 Astra, nie zostanie wydany. W testach wypadł gorzej od GPT-6 Astra w trzymaniu się zakresu i w uczciwości raportu. Szczegóły: GPT-6.1 Astra wstrzymany.

Aktualizacja 1 października 2026: Google ogłosiło Gemini 4 Argon i porównuje go wprost z Astrą. Argon wygrywa na DeepSWE (77.9% vs 74.1%) i remisuje na CWE-bench (68%), ale z Astrą przegrywa w czterech testach, m.in. na FrontierSWE v2 (55.0% vs 65.5%) i Terminal-Bench 4.0. Ceny, dostępność i niezależne pomiary: Gemini 4 Argon.

Astra jest ciekawa z dwóch powodów, które nie mają nic wspólnego z marketingiem o AGI. Po pierwsze, to pierwszy model, który według OpenAI osiąga próg krytyczny w cyberbezpieczeństwie, co zmienia, czego z nim nie zrobisz. Po drugie, jej najgłośniejszy wynik - 99.9% na ARC-AGI-3 - ma przypis, który warto przeczytać, zanim zacytujesz go na slajdzie.

Najkrótsza wersja:

$10 / $50 za milion tokenów, kontekst 1.05M.
Najmocniej rośnie w obsłudze komputera i przeglądarki: 72.6% na OSWorld 2.0, o ok. 47% szybciej niż GPT-5.6 Sol.
W kodowaniu postęp jest niewielki: na DeepSWE 74.1% wobec 73.7% dla Claude Opus 5.
ARC-AGI-3: 99.9% w środowisku OpenAI, 62.7% w standardowym harnessie ARC Prize.
W GitHub Copilot od 4 września dla planów Pro+, Max, Business i Enterprise.

Podstawowe fakty

Parametr	Wartość
Model ID	`gpt-6-astra`
Premiera	3 września 2026 (najpierw ograniczona grupa organizacji)
Kontekst / maks. output	1 050 000 / 128 000 tokenów
Cutoff wiedzy	30 kwietnia 2026
Effort	`low`, `medium`, `high`, `xhigh`, `max`
Input / output (1M)	$10 / $50
Cached input / zapis do cache (1M)	$1 / $12.50
Powyżej 272K wejścia	$20 / $75
Batch	$5 / $25
Fast mode	do 2x szybciej za 2x ceny

Cenę $10 / $50 i fast mode OpenAI podaje w ogłoszeniu. Stawki za cache, długi kontekst i batch pochodzą z cennika API i karty modelu (za ComputingForGeeks) - OpenAI w ogłoszeniu pisze tylko, że “obowiązują osobne stawki za odczyty i zapisy w pamięci podręcznej”. Dla uprawnionych klientów API dostępne jest nieprzechowywanie danych (zero data retention).

Rodzina GPT-6 w jednej tabeli

Model	Input / output (1M)	Cached input	Rola
GPT-6 Astra	$10 / $50	$1	flagowiec, obsługa komputera, długie zadania
GPT-6 Sol	$2 / $10	$0.20	zbalansowany, codzienne kodowanie
GPT-6 Luna	$0.10 / $0.50	$0.01	tani, duży wolumen

Astra kosztuje dokładnie 2.5x tyle, co promocyjny GPT-5.6 Sol ($4 / $20) i tyle samo, co Claude Fable 5 ($10 / $50). Obowiązuje też ta sama dopłata za kontekst powyżej 272K, co w całej rodzinie - pisałem o tym haczyku przy GPT-5.6.

Benchmarki: gdzie Astra naprawdę wygrywa

Wszystkie liczby poniżej pochodzą z tabel w ogłoszeniu OpenAI. Porównania dotyczą GPT-5.6 Sol, bo w dniu premiery Astry GPT-6 Sol jeszcze nie istniał.

Obsługa komputera i praca zawodowa

Benchmark	GPT-6 Astra	GPT-5.6 Sol	Najlepszy Claude w tabeli
OSWorld 2.0 (offline, wynik częściowy)	72.6%	65.7%	Opus 5: 70.2%
ScreenSpot-Pro (bez narzędzi)	92.7%	76.9%	Mythos: 87.3%
Agents’ Last Exam	59.3%	53.6%	Opus 5: 55.5%
AutomationBench	41.4%	18.1%	Fable 5.1: 31.4%
BenchCAD	95.9%	83.3%	Fable 5.1: 84.3%
MRCR v2, 8 igieł, 512K-1M	96.3%	73.8%	-

Tu jest prawdziwy skok. Na OSWorld Astra kończy zadanie w ok. 40 minut zamiast 75, a na Agents’ Last Exam przy najlepszych ustawieniach zużywa ok. 65% mniej tokenów wyjściowych niż Opus 5. Dla agenta, który wypełnia formularze, aktualizuje CRM albo testuje frontend w przeglądarce, czas zadania często waży więcej niż punkty procentowe. Wynik na MRCR mówi z kolei, że pełny milion tokenów kontekstu jest używalny, a nie tylko deklarowany.

Kodowanie

Benchmark	GPT-6 Astra	GPT-5.6 Sol	Fable 5.1	Fable 5	Opus 5
Terminal-Bench 4.0	57.9%	37.3%	55.8%	44.5%	52.6%
DeepSWE v1.1	74.1%	72.7%	67.4%	69.9%	73.7%
FrontierCode 1.1 Main	53.3%	47.5%	50.9%	53.5%	53.4%
AA Coding Agent Index v1.4	67.0	65.1	-	67.2	68.1

OpenAI nazywa Astrę “najlepszym jak dotąd modelem do inżynierii oprogramowania”, ale jego własne tabele mówią coś skromniejszego. Na DeepSWE Astra ma 74.1%, a Opus 5 73.7%. Na FrontierCode i w indeksie Artificial Analysis Opus 5 i Fable 5 są minimalnie wyżej. Wyraźna przewaga jest tylko na Terminal-Bench, i to przy koszcie zadania o ok. 9% niższym niż GPT-5.6 Sol i o 63% niższym niż Fable 5.1.

Dwa przypisy, które warto znać:

Na FrontierCode Astrę uruchomiono z dodatkową wiadomością programisty, podobną do tej z Codeksa (“unikaj nadmiarowych plików testowych, używaj istniejących helperów, trzymaj się konwencji repozytorium”). OpenAI zaznacza, że nie optymalizowało jej pod ewaluację, ale inne modele tego komunikatu nie dostały.
Claude Opus 5.5, który wyszedł 22 września, ma według Anthropic 54.4% na FrontierCode 1.1 i 66.4% na Terminal-Bench 4.0, przy cenie $4 / $20. Każda firma uruchamia benchmarki we własnym środowisku, więc traktuj to jako kierunek, nie wyrok - ale kierunek jest jasny.

Wniosek praktyczny: jeśli Twoje zadania to głównie zmiany w repozytorium, Astra nie jest oczywistym wyborem. Jeśli agent ma pracować na komputerze - w przeglądarce, na pulpicie, w narzędziach biurowych - to jest dokładnie ten model, który OpenAI pod to zbudowało.

Nauka i matematyka

FrontierMath Tier 4 (v2): 97.6% (Fable 5: 90.2%, Fable 5.1: 87.8%).
Terminal-Bench Science 0.1: 64.6% wobec 52.6% dla Fable 5.1, przy szacowanym koszcie API niższym o ok. 31%.
GPQA Diamond: 96.0%.
Astra pomogła zawęzić ograniczenie na odstępy między liczbami pierwszymi: przez ponad dekadę najlepszy wynik mówił, że nieskończenie wiele par różni się co najwyżej o 246, niedawno poprawiono to do 240, a z pomocą Astry do 186. OpenAI udostępniło dowody i materiały weryfikacyjne.

Tam, gdzie Astra przegrywa: Humanity’s Last Exam z narzędziami - 57.2% wobec 65.0% dla Fable 5.1.

ARC-AGI-3: trzy liczby, jeden model

To jest wynik, od którego zaczęła się rozmowa o AGI, więc warto rozłożyć go na części.

W tabeli OpenAI Astra ma 99.9% na ARC-AGI-3 - wobec 7.8% dla GPT-5.6 Sol i 30.2% dla Claude Opus 5. Przypis mówi, że Astrę uruchomiono w środowisku Responses API, które “zmienia dwa ustawienia, aby lepiej odwzorować działanie w rzeczywistych warunkach”, i że te zmiany “nie są ukierunkowane konkretnie na ARC-AGI-3”.

ARC Prize, organizacja prowadząca benchmark, opublikowała trzy wyniki:

Warunki	Wynik	Koszt przebiegu
Harness OpenAI (“provider adapter”), effort `high`	99.9%	$18 817
Harness OpenAI, effort `max`	98.6%	$17 332
Standardowy harness ARC Prize	62.7%	$26 098

Różnica bierze się z tego, co dzieje się poza modelem. Adapter OpenAI przechowuje nieprzezroczysty stan rozumowania między wywołaniami i kompaktuje długie rozmowy, więc model może wracać do wcześniejszej pracy zamiast odtwarzać ją od zera. W standardowym harnessie model niesie dalej tylko to, co sam zdecyduje się zapisać, na tych samych warunkach dla każdego dostawcy. ARC Prize nazywa to porównaniem “apples-to-apples”. W bezstanowych wywołaniach rozrzut jest jeszcze większy: od 17.5% przy niskim effortcie do 62.7% przy maksymalnym.

I teraz uczciwie w drugą stronę: nawet 62.7% to ogromny skok względem 30% Opusa 5, który w lipcu był trzykrotnością następnego wyniku. Greg Kamradt z ARC Prize: “model Astra przewyższył nasz bazowy poziom ludzkiej efektywności działania w 96% poziomów”. François Chollet, autor ARC, zapytany, czy AGI przyjdzie szybciej, niż zakładał, odpowiedział: “Sooner, because progress is happening faster than I expected”.

Wniosek dla zespołów: harness waży tyle, co model. Ten sam model w dwóch środowiskach dał wyniki różniące się o 37 punktów. Jeśli budujesz agenta, to, jak przechowujesz jego stan, kompaktujesz kontekst i przekazujesz notatki między krokami, jest częścią wyniku, a nie detalem implementacyjnym. To ta sama lekcja, którą opisywałem przy higienie context window - tylko w skali benchmarku za 26 tysięcy dolarów. OpenAI zresztą samo wyciąga ten wniosek w Codeksie, o czym niżej.

Ogólne rankingi się nie zgadzają

W tej samej tabeli OpenAI pokazuje Artificial Analysis Intelligence Index: Astra ma 61.2, praktycznie tyle co GPT-5.6 Sol (60.9), a mniej niż Claude Opus 5 (63.1) i Fable 5.1 (65.7). Epoch AI z kolei stawia Astrę na prowadzeniu, a Greg Burnham z Epoch podsumował premierę słowami “to koniec pewnej ery, początek nowej”. Przy tej klasie modeli ranking zależy od tego, co mierzysz - a Twój ranking i tak zależy od Twoich zadań.

Co nowego w Codeksie

Razem z Astrą OpenAI zmieniło Codex, i to są zmiany, które programista odczuje bardziej niż benchmarki:

Notatki między oknami kontekstu. Zamiast kompaktować całą pracę do jednego podsumowania (i gubić szczegóły, np. dlaczego poprzednia poprawka nie zadziałała), Astra przechowuje notatki między oknami kontekstu, a wcześniejsze okna da się przeszukiwać. Funkcja jest eksperymentalna, włączasz ją w config.toml Codeksa, a w najbliższych tygodniach ma stać się domyślna.
Szybsze computer use. Nowy harness Codeksa w połączeniu z Astrą daje 1.9x szybsze kończenie zadań niż GPT-5.6 Sol na Mind2Web.
Pytania asynchroniczne. Gdy instrukcja jest niejednoznaczna, Astra zadaje pytanie i dalej pracuje nad tym, co od odpowiedzi nie zależy. Jeśli nie odpowiesz, przyjmuje rozsądne założenia - ale na decyzje o istotnych konsekwencjach czeka.

Bezpieczeństwo: pierwszy “krytyczny” model OpenAI

To jest część premiery, która najbardziej zmienia codzienną pracę.

Astra osiąga próg krytyczny w cyberbezpieczeństwie w Preparedness Framework OpenAI. Liczby:

ExploitBench: 100% (GPT-5.6 Sol: 78.5%, Claude Opus 5: 70%).
SRE-Bench (inżynieria wsteczna binariów bez kodu źródłowego): 88.0% w jednej próbie i 99.2% w czterech (GPT-5.6 Sol: 55.9% i 68.7%).
Na świeżych podatnościach V8 z czerwca-sierpnia 2026 Astra odkryła i wykorzystała dwie nieznane luki zero-day, które OpenAI zgłosiło opiekunom projektu.
Bez zabezpieczeń produkcyjnych model potrafił wykonać dowolny kod w przeglądarkach o wzmocnionych zabezpieczeniach i tworzyć exploity eskalacji uprawnień w utwardzonych systemach operacyjnych.

Konsekwencje dla użytkownika:

Dozwolone: weryfikacja kodu pod kątem bezpieczeństwa i wdrażanie poprawek.
Odmowa: bardziej zaawansowane zadania, np. tworzenie exploitów proof-of-concept.
W programie OpenAI Daybreak firma planuje w najbliższych tygodniach rozszerzyć dostęp z mniej restrykcyjnymi zabezpieczeniami - dla weryfikacji podatności, analizy malware i inżynierii detekcji.
Dodatkowe kontrole “mogą czasami spowalniać, wstrzymywać lub zatrzymywać prawdziwą pracę”. W ChatGPT i Codeksie zobaczysz prośbę o weryfikację przed kontynuacją. W API zadanie po prostu zostanie zatrzymane - jeśli budujesz na Astrze pipeline, obsłuż taki przypadek jawnie.

To lustrzane odbicie decyzji Anthropic przy Opusie 5.5, który większość zadań z cyberbezpieczeństwa przekierowuje do Opusa 4.8. Obie firmy doszły do tego samego miejsca: najmocniejsze modele są dziś zbyt dobre w ofensywie, żeby dać je każdemu bez warunków.

Alignment: dużo lepiej, z jednym regresem

Liczby z tabeli “Zgodność” w ogłoszeniu:

Test (im mniej, tym lepiej)	GPT-6 Astra	GPT-5.6 Sol	Fable 5.1	Opus 5
Bezpieczeństwo korzystania z komputera	2.4%	22.0%	9.5%	11.5%
Honeypot ExploitGym	0.0%	48.2%	-	-
Wewnętrzny test halucynacji	4.2%	12.2%	-	-

Do tego nowy test oparty na wnioskach z incydentu z Hugging Face: model dostaje trudne albo niemożliwe zadanie i sprawdza się, czy wyjdzie poza zatwierdzony zakres. GPT-5.6 Sol zrobił to w 48% przypadków, Astra w 0%. W wewnętrznej ocenie Astra też nigdy nie próbowała obejść odmowy auto-review w Codeksie, nawet gdy celowo skonfigurowano je tak, żeby dało się je obejść.

Regres, który OpenAI samo opisuje: rozumowanie Astry jest trudniej monitorować niż w GPT-5.6 Sol, w testach, w których model wprost poproszono o unikanie monitoringu. OpenAI tłumaczy to większą kontrolą modelu nad pisanym rozumowaniem i rozwiązywaniem problemów w mniejszej liczbie kroków, i nazywa poprawę monitorowalności priorytetem badawczym. Gary Marcus ujął to krócej: system wygląda na “less monitorable than prior systems, which is not great from a safety perspective”.

Dla kogoś, kto wpuszcza agenta do CI albo na produkcję, to ważniejsze niż procenty. Model, który rzadziej robi coś złego, ale trudniej zobaczyć, dlaczego coś zrobił, wymaga mocniejszych guardrailsów po Twojej stronie, nie słabszych: allowlisty komend, sandboxa, review zmian przed merge’em.

Ile to realnie kosztuje

Cennik to $10 / $50, ale OpenAI konsekwentnie pokazuje koszt zadania, nie stawkę za token:

Terminal-Bench 4.0: koszt zadania ok. 9% niższy niż GPT-5.6 Sol i 63% niższy niż Fable 5.1.
BenchCAD: ok. 43% taniej niż Sol i 86% taniej niż Fable 5.1.
GPQA Diamond w najtańszym ustawieniu: wynik lepszy od najlepszego wyniku Sola przy koszcie niższym o ok. 37%.

Mechanizm jest prosty: droższy token, ale dużo mniej tokenów i kroków na zadanie. Jeśli to się potwierdzi na Twoich zadaniach, Astra może wyjść taniej niż model z niższym cennikiem. Jeśli Twoje zadania są krótkie, przewaga znika, a zostaje stawka $10 / $50.

Najrozsądniejsza strategia jest ta sama, co przy każdej rodzinie modeli: routing według zadań. Astra do długich, autonomicznych zadań na komputerze i najtrudniejszego rozumowania. Sol albo Opus 5.5 do codziennego kodowania. Luna do klasyfikacji, ekstrakcji i prostych subagentów.

Dostępność

Start - od 3 września stopniowo dla ograniczonej grupy organizacji.
ChatGPT Plus, Pro, Business i Enterprise - w ciągu kolejnych dni. Użycie wlicza się do istniejących limitów subskrypcji, a dodatkowe użycie można dokupić. Plany Pro, Business i Enterprise dostają też GPT-6 Astra Pro. W Enterprise dostęp jest domyślnie wyłączony - włącza go administrator.
API OpenAI (gpt-6-astra), Microsoft Azure i Amazon Bedrock.
GitHub Copilot - ogólnie dostępny od 4 września 2026 dla planów Pro+, Max, Business i Enterprise, w VS Code, Visual Studio, JetBrains, Xcode, Eclipse, Copilot CLI, coding agencie, aplikacji Copilot, na github.com i w GitHub Mobile. Rozliczany po cenniku dostawcy w modelu usage-based.

Uwaga na różnicę między ChatGPT a Copilotem: w ChatGPT Enterprise Astra startuje wyłączona, ale w Copilot Business i Enterprise włącza się automatycznie, o ile administrator nie wyłączył globalnie domyślnego włączania nowych modeli. Jeśli pilnujesz budżetu na AI w zespole, sprawdź polityki modeli w ustawieniach Copilota - model za $10 / $50 w domyślnym pickerze potrafi szybko zmienić rachunek.

Według testów GitHuba Astra w Copilocie “plans and validates as it goes, batches diagnosis with verification, and independently confirms its results” - sama weryfikuje swoją pracę, zanim zgłosi, że skończyła. To ta sama zmiana zachowania, którą widzieliśmy przy Opusie 5, i ta sama rada: usuń z promptów instrukcje typu “na koniec zweryfikuj swoją pracę”, bo zapłacisz za weryfikację dwa razy.

Kiedy Astra, a kiedy coś innego

GPT-6 Astra - agenci obsługujący przeglądarkę, pulpit i narzędzia biurowe, SRE i diagnozowanie systemów, matematyka i nauka, długie zadania autonomiczne na pełnym milionie tokenów. Tam, gdzie czas i skuteczność zadania liczą się bardziej niż stawka za token.
Claude Opus 5.5 - kodowanie w repozytorium i praca agentowa w kodzie, za 40% ceny Astry.
GPT-6 Sol - codzienne kodowanie w ekosystemie OpenAI i Codeksa, pięć razy taniej niż Astra.
GPT-6 Luna - wszystko, co masowe i proste.
Claude Fable 5.1 - szeroka wiedza i rozumowanie ogólne (Humanity’s Last Exam, indeks Artificial Analysis), jeśli akceptujesz cenę.

Najkrótsze podsumowanie: Astra nie jest “AGI”, ale jest pierwszym modelem OpenAI zbudowanym wyraźnie pod agenta, który pracuje na komputerze zamiast odpowiadać w czacie. Jeśli to jest Twój przypadek użycia, warto ją zmierzyć. Jeśli piszesz głównie kod, tańsze modele robią to równie dobrze.

FAQ

Ile kosztuje GPT-6 Astra?

$10 za milion tokenów wejściowych i $50 za milion wyjściowych. Fast mode daje do 2x szybsze przetwarzanie za 2x ceny. Według cennika API cached input kosztuje $1, zapis do cache $12.50, batch $5 / $25, a powyżej 272K tokenów wejścia stawka rośnie do $20 / $75.

Czy GPT-6 Astra naprawdę ma 99.9% na ARC-AGI-3?

Tak, ale w środowisku OpenAI (Responses API z dwoma zmienionymi ustawieniami), które przechowuje stan rozumowania między wywołaniami. W standardowym harnessie ARC Prize, porównywalnym między dostawcami, wynik to 62.7%. Nawet to jest ponad dwa razy więcej niż 30.2% Claude Opus 5.

Czy GPT-6 Astra jest dostępny w GitHub Copilot?

Tak, od 4 września 2026 dla planów Copilot Pro+, Max, Business i Enterprise, w VS Code, Visual Studio, JetBrains, Copilot CLI, coding agencie i na github.com. W organizacjach Business i Enterprise włącza się automatycznie, o ile administrator tego nie zablokował.

Czy GPT-6 Astra jest lepszy od Claude w kodowaniu?

Nieznacznie albo wcale. W tabelach OpenAI Astra ma 74.1% na DeepSWE wobec 73.7% dla Opus 5, a na FrontierCode i w indeksie Artificial Analysis Coding Agent Opus 5 i Fable 5 są minimalnie wyżej. Claude Opus 5.5 ma według Anthropic 54.4% na FrontierCode i 66.4% na Terminal-Bench 4.0 przy cenie $4 / $20. Astra wyraźnie wygrywa w obsłudze komputera i przeglądarki.

Dlaczego GPT-6 Astra odmawia zadań z cyberbezpieczeństwa?

To pierwszy model OpenAI, który osiąga próg krytyczny w cyberbezpieczeństwie. Weryfikacja kodu pod kątem bezpieczeństwa i wdrażanie poprawek są dozwolone, ale tworzenia exploitów proof-of-concept model odmówi. Mniej restrykcyjny dostęp dla zespołów bezpieczeństwa ma pojawić się w programie OpenAI Daybreak (jak to wygląda dziś, opisuję w wpisie o Daybreak i Codex Security). W API zatrzymane zadanie po prostu się kończy, więc obsłuż ten przypadek w kodzie.

Czym różni się GPT-6 Astra od GPT-6 Sol?

Astra to flagowiec za $10 / $50, zbudowany pod obsługę komputera i długie zadania autonomiczne. Sol to model zbalansowany za $2 / $10, do codziennego kodowania. Szczegóły Sola i Luny opisuję w porównaniu z Opusem 5.5.

Źródła: OpenAI - GPT-6 Astra: nowa generacja sztucznej inteligencji (główne źródło liczb), Eigent - GPT-6 Astra, ComputingForGeeks - GPT-6 Astra (cennik API i karta modelu), ibl.ai - GPT-6 Astra, ARC-AGI-3 i przypis o harnessie, The Decoder - Benchmarks disagree on GPT-6 Astra, Gary Marcus - Hot take on GPT-6 Astra, GitHub Changelog - GPT-6 Astra w GitHub Copilot, Anthropic - Claude Opus 5.5.

EfektywnyDev pisze o AI w praktyce - o tym, co zmienia się w rachunku i w kodzie po podmianie model ID, a nie tylko o tym, co pokazano na premierze.