„Willkommen im AGI-Zeitalter“: OpenAI stellt GPT-6 Astra vor

Von Tencent Tech, Xiaojing

„Willkommen im AGI-Zeitalter.“

Mit diesen Worten fasste Greg Brockman, Mitbegründer und Präsident von OpenAI, die Vorstellung von GPT-6 Astra zusammen.

Am 3. September (US-Ortszeit) hat OpenAI offiziell GPT-6 Astra veröffentlicht. Im Vergleich zu früheren Modellen, die hauptsächlich antworten, generieren und Tools aufrufen, geht Astra einen Schritt weiter: Es kann komplette Aufgaben kontinuierlich ausführen – von der Befehlsannahme über die Bedienung von Software bis hin zur Anpassung der nächsten Schritte auf Basis der Ergebnisse. Dies ist einer der Gründe, warum OpenAI erneut vom „AGI-Zeitalter“ spricht.

OpenAI positioniert Astra als „das leistungsfähigste Computer-Use-Modell der Welt“. Diese Fähigkeit reicht inzwischen von einfachen Aufgaben wie Surfen, E-Mail und Tabellenkalkulation bis hin zu professioneller Software wie Power BI, KiCad und FreeCAD und dringt damit in komplexere Arbeitsabläufe wie Datenanalyse, Konstruktion, Softwaretests und Fehlerbehebung vor.

In einem von OpenAI gezeigten Video kann Astra ausgehend von einer einfachen Grafik kontinuierlich Aufgaben wie 3D-Spiele und Produktseiten erledigen. OpenAI lieferte außerdem Beispiele für Leiterplattendesign, Blender-Modellierung, juristische Dokumente, Excel und wissenschaftliche Analysen.

Die von OpenAI veröffentlichten Ergebnisse mehrerer Benchmarks zeigen, dass sich die Leistungssteigerung auf Aufgaben konzentriert, die kontinuierliches Handeln erfordern, etwa Computerbedienung, Langzeit-Coding, Konstruktion und wissenschaftliche Forschung. Astra erreicht im ExploitBench 100 % und übertrifft das Vorgängermodell bei Computerbedienung und CAD-bezogenen Tests deutlich.

Astra ist bereits für einige Institutionen verfügbar und wird in den kommenden Tagen schrittweise für Nutzer von ChatGPT Plus, Pro, Business und Enterprise bereitgestellt. Der Zugriff ist auch über die OpenAI API und Amazon Bedrock möglich. Die Standard-API-Preise betragen 10 US-Dollar pro Million Eingabe-Token und 50 US-Dollar pro Million Ausgabe-Token – das 2,5-Fache von GPT-5.6 Sol.

01 Zuerst der KI beibringen, den Computer zu benutzen

Die größte von Astra betonte Veränderung ist die „Computernutzung“. Früher mussten Nutzer die KI mit bestimmter Software verbinden, um Aufgaben zu erledigen. Unternehmen mussten APIs, Plug-ins, Abrufsysteme und diverse Konnektoren entwickeln, damit das Modell interne Tools aufrufen konnte.

Astra versucht, einen Teil dieser Arbeit zu umgehen. Es kann die Computeroberfläche direkt sehen und Maus, Tastatur und Browser zur Bedienung nutzen. Zu den von OpenAI bereitgestellten Beispielen gehören das Ausfüllen von Online-Formularen, das Aktualisieren von CRM-Kundendatensätzen, das Planen von Kalenderterminen, das Durchsuchen von Webseiten sowie das Zusammenfassen von Suchergebnissen in E-Mails oder Dokumenten.

Es kann außerdem Python-Notebooks öffnen, um wissenschaftliche Daten zu analysieren, Daten in Power BI verarbeiten, Konstruktionen mit KiCad und FreeCAD durchführen, Websites erstellen und Frontend-Tests ausführen sowie Software installieren, Fehler prüfen und auf dem Bildschirm auftretende Probleme beheben.

OpenAI demonstrierte, wie Astra in KiCad ein PCB-Layout erstellt. Das Modell beginnt mit einem elektronischen Schaltplan, platziert Bauteile auf der Leiterplatte und führt anschließend die Kupferverdrahtung durch. Der gesamte Prozess wurde auf 15 Sekunden verkürzt. Für Ingenieure bedeutet das: Arbeiten, die früher manuell erledigt werden mussten, können nun vom Modell ausgeführt werden.

Eine weitere Demonstration betraf die 3D-Modellierung in Blender und Unreal Engine 5. Astra erstellte zunächst in Blender ein Haus und konvertierte das Modell anschließend in eine begehbare Szene in Unreal Engine 5, sodass Designer und Kunden den Raum vorab begehen und betrachten können.

OpenAI zeigte außerdem Szenarien aus Spieleentwicklung, Excel, Power BI, Autogetriebe, juristischen Dokumenten und dem Formular 1040.

Im Offline-Teilsatz von OSWorld 2.0 erreichte Astra 72,6 %, GPT-5.6 Sol 65,7 %. Nach der Simulation realer Latenzzeiten stellte OpenAI fest, dass Astra im Durchschnitt etwa 40 Minuten pro Aufgabe benötigt, während GPT-5.6 Sol etwa 75 Minuten braucht – eine Zeitersparnis von rund 47 %.

Bei Agents' Last Exam erreichte Astra 59,3 %, GPT-5.6 Sol 53,6 % und Claude Opus 5 55,5 %. Darüber hinaus verbrauchte Astra bei der höchsten Punktzahl-Einstellung etwa 65 % weniger Ausgabe-Token als Claude Opus 5.

Beim ScreenSpot-Pro erreichte Astra 92,7 %, GPT-5.6 Sol 76,9 %.

Auch die Geschwindigkeit wurde verbessert. OpenAI hat parallel das Codex-Framework aktualisiert; in Kombination mit Astra ist die Aufgabenerledigungsgeschwindigkeit im Mind2Web-Test nun das 1,9-Fache der aktuellen GPT-5.6-Sol-Leistung.

Zu den offiziellen Demonstrationen gehörten auch mehrere Alltagsszenarien: Suche nach einem Kinderarzt, Wohnungssuche, DMV-Terminvereinbarung, Suche nach kohlenhydratarmen Snacks und Analyse von Kindergarten-Daten. In der Demo erledigte Astra eine Aufgabe in 2 Minuten und 54 Sekunden.
 

Der Investor und KI-Experte Matt Shumer teilte auf X ein Erlebnis. Er ließ Astra in der Unreal Engine eine Welt erschaffen und fügte anschließend von Astra gesteuerte menschenähnliche Agenten hinzu, damit diese koexistieren. 

Einen Tag später hörte er Geräusche aus dem Wohnzimmer und dachte zunächst, jemand sei in die Wohnung eingedrungen. Später stellte sich heraus, dass die Geräusche von diesen Astra-Agenten stammten, die begonnen hatten, miteinander zu kommunizieren.

Diese Erfahrung ist noch nicht vollständig stabil, aber Shumer ist der Ansicht, dass der Effekt mehrerer KI-Agenten, die dieselbe virtuelle Welt betreten und autonom interagieren, bereits erstaunlich genug ist.

Silas Alberti, Senior Vice President of Research bei Cognition, erklärte, das Unternehmen plane, Astra noch am Veröffentlichungstag in das Devin-Framework zu integrieren. In internen Tests habe Astra deutliche Verbesserungen bei Computernutzung, Schreiben und Verständnis von Codebasen gezeigt; die Videoanalyse sei klarer und Berichte seien prägnanter.

02 Vom Schreiben von Code bis zur Erledigung kompletter Aufgaben

Mit der verbesserten Fähigkeit zur Computernutzung hat sich der Arbeitsbereich von Astra weiter ausgedehnt. OpenAI positioniert es als Modell für Softwareentwicklung, professionelle Arbeit und wissenschaftliche Forschung. Es kann längere Aufgaben bewältigen und die Arbeitsrichtung an veränderte Aufgaben anpassen.

Diese Fähigkeit zeigt sich besonders deutlich in Coding-Tests.

Im Terminal-Bench 4.0 erreichte Astra 57,9 %, GPT-5.6 Sol 37,3 % und Claude Fable 5.1 55,8 %.

In DeepSWE v1.1 erreichte Astra 74,1 %, GPT-5.6 Sol 72,7 %. Bei einer internen Datenbankmigrationsaufgabe erreichte Astra 63,9 %, GPT-5.6 Sol 42,7 %.

Astra bringt außerdem Verbesserungen für lange Codex-Aufgaben mit.

Wenn lange Aufgaben früher an die Grenzen des Kontextfensters stießen, musste das Modell die bisherige Arbeit in der Regel zu einer Zusammenfassung komprimieren. Das führte oft zu Detailverlusten – etwa warum eine bestimmte Korrektur fehlschlug oder welches Problem eine Komponente zuvor hatte.

Astra kann während des Codex-Prozesses wichtige Informationen bewahren und im späteren Kontext wieder abrufen. Frühere Nachrichten und Tool-Ausgaben bleiben durchsuchbar, sodass das Modell frühere Anforderungen, Testergebnisse und Tool-Operationsprotokolle erneut auffinden kann.

Ähnliche Veränderungen zeigen sich auch bei professionellen Aufgaben. Im BenchCAD-Test erreichte Astra bei der geometrischen Überlappung 95,9 %, GPT-5.6 Sol 83,3 % und Claude Fable 5.1 84,3 %. In BrowseComp erreichte Astra 91,5 %, GPT-5.6 Sol 90,4 %. Im OpenScore String Quartets-Test erreichte Astra 0,84, GPT-5.6 Sol 0,19.

OpenAI demonstrierte außerdem Astras Fähigkeit, Präsentationen, Tabellenkalkulationen und Dokumente zu erstellen.

Wenn man ihm einige Folien aus einer OpenAI-Präsentationsvorlage gibt, kann es eine neue Präsentation im ursprünglichen Ton, Layout und Aufbau erstellen. Es trifft dabei auch Informationsabwägungen innerhalb der Aufgabe. OpenAI zufolge wurde Astra speziell darauf trainiert, wichtige Kontextinformationen in das Endergebnis einfließen zu lassen und die Wiederholung bereits erledigter Arbeit zu reduzieren.

Wenn Aufgabenanweisungen unvollständig sind, entscheidet Astra auch, wann es den Nutzer fragen sollte. Wenn fehlende Informationen das Endergebnis beeinflussen, stellt es gezielte Fragen. Wenn fehlende Informationen die Hauptrichtung nicht beeinträchtigen, kann es weiterarbeiten und vernünftige Annahmen treffen. In Codex kann das Modell sogar dann andere Teile weiterbearbeiten, wenn der Nutzer vorübergehend nicht antwortet; bei wichtigen Entscheidungen wartet es auf die Bestätigung des Nutzers.

Niko Grupen, Director of Applied Research bei Harvey, erklärte, dass Astra in frühen Tests juristischer Aufgaben Dokumente und bestehende Aufzeichnungen klarer unterscheide, unbegründete Annahmen leichter erkenne und Informationslücken in konkrete Formulierungsvorschläge umwandle.

John Crepezzi vom KI-Assistenzteam von Jane Street wies darauf hin, dass Astra in internen Coding-Tests hervorragend abschneide. Beim agentenbasierten Coding sei sein Kommunikationsstil für Entwickler leichter verständlich, und der generierte Code benötige weniger Änderungen, um Produktionsqualität zu erreichen.

Der Wissenschaftsbereich ist ein weiterer Schwerpunkt. In FrontierMath Tier 4 v2 erreichte Astra 80,5 % bei einer Genauigkeit von 97,6 %, GPT-5.6 Sol 83,0 %; bei GPQA Diamond erreichte Astra 96,0 %, GPT-5.6 Sol 94,6 %.

Der Terminal-Bench Science 0.1-Test bewertet wissenschaftliche Forschungsabläufe einschließlich Datenanalyse, Simulation und Modellanpassung. Astra erreichte 64,6 %, Claude Fable 5.1 52,6 % und GPT-5.6 Sol 22,4 %.

In den von OpenAI gezeigten wissenschaftlichen Anwendungen kann Astra professionelle wissenschaftliche Software öffnen, die Sequenzierqualität prüfen, genetische Variationen visualisieren und auf Basis der Daten über die nächste Analyserichtung entscheiden.

Durch die Kombination von wissenschaftlichem Denken und Computerbedienung kann das Modell direkt in der Softwareumgebung arbeiten, die Forscher ohnehin nutzen.

Greg Burnham von Epoch AI, das auf Fähigkeitsbewertung spezialisiert ist, fasste diese Veränderung bei der Vorstellung als das Ende einer Ära und den Beginn einer neuen zusammen. OpenAI betonte, dass sich der Wert von Astra von der Beantwortung wissenschaftlicher Fragen hin zur direkten Teilnahme an wissenschaftlichen Arbeitsabläufen erweitert habe.

03 Je stärker die Fähigkeiten, desto höher die Sicherheitsanforderungen

Astra hat diesmal noch einen ganz besonderen Aspekt: Cybersicherheit.

Im ExploitBench erreichte Astra 100 %, GPT-5.6 Sol 78,5 %; im ExploitGym erreichte Astra 42,4 %, GPT-5.6 Sol 30,3 %. 

OpenAI hat außerdem einen internen Test erstellt, der kürzlich bekannt gewordene Schwachstellen von Juni bis August 2026 abdeckt. In diesem Test war die Rate beliebiger Codeausführung bei Astra deutlich höher als bei GPT-5.6 Sol, und es wurden weniger Ausgabe-Token verbraucht. Während des Tests entdeckte Astra zudem zwei zuvor unbekannte Zero-Day-Schwachstellen, die OpenAI nach eigenen Angaben den zuständigen Maintainern gemeldet hat.

Der SRE-Bench-Test bewertet die Fähigkeit, Software-Binärdateien ohne Quellcode per Reverse Engineering zu analysieren und ihre Kernlogik zu verstehen. Astra löste 88,0 % der Aufgaben beim ersten Versuch und 99,2 % nach vier Versuchen, während GPT-5.6 Sol 55,9 % bzw. 68,7 % erreichte.

Die gesteigerten Fähigkeiten bringen auch neue Sicherheitsanforderungen mit sich. OpenAI zufolge hat Astra in seinem Cybersicherheits-Vorbereitungsrahmen eine kritische Schwelle erreicht. Das Modell kann zuvor unbekannte Softwareschwachstellen entdecken und möglicherweise weiter zu Exploit-Ketten verknüpfen.

Daher wird die aktuelle Version von Astra fortgeschrittenere Cybersicherheitsaufgaben wie die Erstellung von Proof-of-Concept-Exploits ablehnen. OpenAI plant, über Daybreak schrittweise vertrauenswürdigen Verteidigern Zugriff für Schwachstellenvalidierung, Malware-Analyse und Detection Engineering zu gewähren.

Beim Alignment lieferte OpenAI ebenfalls bemerkenswerte Daten. In einem internen Sicherheits-Benchmark für Computernutzung lag die Rate unangemessenen Verhaltens bei Astra bei 2,4 %, bei GPT-5.6 Sol bei 22,0 %; mit AutoReview sank sie bei Astra auf 1,8 % und bei GPT-5.6 Sol auf 4,5 %. In einem internen Umgehungs-Benchmark erreichte Astra 0,00 %, GPT-5.6 Sol 0,29 %.

Im ExploitGym-Honeypot-Test erreichte Astra 0 %, GPT-5.6 Sol 48,2 %. Dieser Test beobachtet vor allem, ob das Modell aufgrund von Aufgabenschwierigkeiten versucht, Einschränkungen zu umgehen. In einem internen Halluzinations-Benchmark erreichte Astra 4,2 %, GPT-5.6 Sol 12,2 %.

OpenAI zufolge hat sich Astra beim Verständnis von Aufgabengrenzen, beim Umgang mit mehrdeutigen Anweisungen und bei der Erklärung seiner Fähigkeiten gegenüber Nutzern verbessert. Die Wahrscheinlichkeit von Fähigkeits-Halluzinationen liegt bei etwa einem Drittel von GPT-5.6 Sol.
 

Allerdings räumt OpenAI auch ein Problem ein: Je leistungsfähiger das Modell, desto schwieriger kann die Überwachung des Denkprozesses werden. Chefwissenschaftler Jakub Pachocki ist der Ansicht, dass die Fähigkeit des Modells, komplexere Probleme mit weniger natürlichsprachlichen Denk-Token zu lösen, auch bedeutet, dass es für Menschen immer schwieriger wird, anhand des textuellen Denkprozesses zu beurteilen, was das Modell tatsächlich tut.

Daher integriert OpenAI eine Überwachung auf Fehlausrichtung in den Einsatz von Astra. Das System prüft die Denkprozesse und Aktionen des Modells und kann Aufgaben pausieren, wenn nicht autorisiertes Verhalten erkannt wird.

Dieser Mechanismus kann auch praktische Auswirkungen haben. Legitime Aufgaben können manchmal langsamer werden, pausieren oder sogar gestoppt werden. In ChatGPT oder Codex müssen Nutzer möglicherweise bestätigen, um fortzufahren; in API-Workflows können markierte Aufgaben direkt gestoppt werden.

Mit der Veröffentlichung von Astra zeichnet sich daher eine sehr reale Veränderung ab: Wenn KI mehr Computerberechtigungen erhält, erweitert sich die Sorge der Unternehmen von „Wird das Modell falsch antworten?“ zu „Was kann das Modell bedienen, worauf kann es zugreifen und wann muss es gestoppt werden?“

OpenAI erwähnte außerdem, dass Astra das erste Modell ist, das auf der Stargate-Infrastruktur mit mehr als 100.000 DBUs vortrainiert wurde. Aidan Clark, Vice President of Research bei OpenAI, erklärte, dass der Fähigkeitssprung von Astra laut den Bewertungen der Vortrainingsphase größer sei als der von GPT-5.6 Sol gegenüber seinem Vorgänger.

OpenAI führt diese Veränderung auf die Kombination aus groß angelegtem Vortraining und Reinforcement Learning zurück, wobei sich der Trainingsschwerpunkt weiter auf die Verknüpfung von Informationen, die Ausführung längerer Aufgaben und kontinuierliches Arbeiten in komplexen Umgebungen verlagert hat.

04 Teurer, aber „leistungsfähiger“

Auch die Preisgestaltung von Astra hat sich deutlich verändert.

Die Standardpreise der OpenAI API betragen 10 US-Dollar pro Million Eingabe-Token und 50 US-Dollar pro Million Ausgabe-Token. Zuvor kostete GPT-5.6 Sol 4 US-Dollar pro Million Eingabe-Token und 20 US-Dollar pro Million Ausgabe-Token. Sowohl Eingabe- als auch Ausgabepreise sind um das 2,5-Fache gestiegen.

Cache-Lesen und -Schreiben werden getrennt abgerechnet. OpenAI bietet außerdem einen Schnellmodus mit bis zu 2,5-facher Geschwindigkeit der Standardverarbeitung zum doppelten Preis des Standardmodus an.
 

Betrachtet man nur die Token-Preise, ist Astra deutlich teurer. OpenAI möchte jedoch, dass Unternehmen die Kosten anders kalkulieren. Brockman ist der Ansicht, dass die Kosten pro Token immer weniger die tatsächlichen Kosten widerspiegeln, je stärker Modelle zu Agenten werden. Ein Modell mag günstige Token haben, aber wenn es wiederholte Versuche und manuelle Korrekturen erfordert, können die Endkosten für die Aufgabenerledigung höher ausfallen.

Die Daten von OpenAI stützen diese Einschätzung. Im Terminal-Bench Science 0.1-Test erreichte Astra 64,6 %, Claude Fable 5.1 52,6 %, bei geschätzt 31 % niedrigeren API-Kosten. In einer kostengünstigen Einstellung erreichte Astra 61,1 %, während das beste Ergebnis von GPT-5.6 Sol bei 22,4 % lag, bei geschätzt 27 % niedrigeren API-Kosten.

Im BenchCAD erreichte Astra 95,9 %, mit geschätzt etwa 43 % niedrigeren API-Kosten als GPT-5.6 Sol und etwa 86 % niedrigeren als Claude Fable 5.1. Im Terminal-Bench 4.0 erreichte Astra 57,9 %, GPT-5.6 Sol 37,3 % und Claude Fable 5.1 55,8 %. OpenAI schätzt die Kosten pro Aufgabe als etwa 9 % bzw. 63 % niedriger ein.

Die Daten des unabhängigen Bewertungsinstituts Artificial Analysis zeichnen ein anderes Bild. 

GPT-6 Astra erreicht im Artificial Analysis Intelligence Index 61,2 Punkte und liegt damit nahe an GPT-5.6 Sol mit 60,9, verbraucht aber etwa 10 % weniger Ausgabe-Token. Aufgrund des 2,5-fachen Preisanstiegs liegen die Kosten pro Aufgabe tatsächlich etwa 75 % höher als bei GPT-5.6 Sol.

Im Artificial Analysis Coding Agent Index erreicht Astra 67,0 und liegt damit nahe an Claude Fable 5 mit 67,2 und Claude Opus 5 mit 68,1. Artificial Analysis zufolge reduziert Astra in der Codex-Umgebung die zur Aufgabenerledigung benötigten Token erheblich; bei höchster Anstrengungsstufe liegen die Kosten pro Aufgabe nahe an GPT-5.6 Sol. Im Vergleich zu Claude Fable 5 betragen die Kosten für ähnliche Aufgaben weniger als die Hälfte.

Allerdings führt Astra nicht in allen Tests. Die Daten von Artificial Analysis zeigen einen Rückgang von etwa 80 Elo bei GDPval-AA v2 sowie einige Rückschritte in Tests wie τ³-Banking, SciCode und AA-LCR. Bei Humanity's Last Exam verbesserte sich das Ergebnis um etwa 6 Punkte.

Dies ist ebenfalls ein bemerkenswerter Punkt bei der Astra-Veröffentlichung. OpenAI hat diesmal Astras Punktzahl bei GDPval nicht offengelegt. GDPval ist ein von OpenAI selbst verwendeter Test zur Messung realer wirtschaftlicher Leistung und umfasst 44 Berufe und 1.320 Aufgaben, darunter juristische Zusammenfassungen, Konstruktion, Tabellenkalkulationen, Präsentationen, Kundensupport und Pflegepläne.

Angesichts der von Astra gezeigten Fähigkeiten weist GDPval eine starke Korrelation zu den von ihm betonten professionellen Arbeitsszenarien auf, doch OpenAI hat diese Punktzahl nicht in die wichtigsten Veröffentlichungsdaten aufgenommen.

Die realen Arbeitsfähigkeiten von Astra werden daher derzeit eher durch die Ergebnisse von Agents' Last Exam, BenchCAD, AutomationBench, internen Designaufgaben und Data-Science-Aufgaben belegt. 

Ob Astra letztlich zu einem KI-Mitarbeiter wird, den Unternehmen wirklich langfristig einsetzen wollen, hängt von Kosten, Geschwindigkeit, Genauigkeit und der Anzahl menschlicher Eingriffe bei der Erledigung realer Aufgaben ab.

Was die Frage betrifft, ob Astra eine AGI ist, weicht Brockman nicht aus. Er ist der Ansicht, dass es keinen allgemein akzeptierten Standard für AGI gibt und weiterhin diskutiert werden kann, ob Astra die Kriterien erfüllt. Wenn ein System jedoch bereits eine große Zahl von Aufgaben in den Bereichen Surfen, Computerbedienung, Programmierung, Mathematik, Wissenschaft, Recht und anderen professionellen Tätigkeiten übernehmen kann, sei es nicht unvernünftig zu sagen, dass das AGI-Zeitalter begonnen habe.

OpenAI-CEO Sam Altman beschrieb Astra ebenfalls als ein Modell, das eine neue Generation von Unternehmertum, wissenschaftlichen Entdeckungen und Kreativität einleite.
 

Der freie Autor Jin Lu hat ebenfalls zu diesem Artikel beigetragen.