Die AGI-Ära beginnt offiziell! GPT-6 Astra im umfassenden Test

Autor: Digital Life Kazk

Nach dem großen globalen KI-Ausfall gestern Abend wurde GPT-6 Astra heute Nacht um 3:33 Uhr Pekinger Zeit offiziell vorgestellt.

Wenn man GPT-6 Astra mit einem Satz von OpenAI zusammenfassen müsste, wäre dieser wohl am treffendsten: Das ist das intelligenteste und am besten ausgerichtete Modell der Welt. Und schon kursieren die ersten Memes.

Diesmal hat OpenAI seine Stärke bewiesen, und es erinnert ein wenig an die GPT-4-Ära – eine Rückkehr des Königs in allen Bereichen. Was mich am meisten freut: Es ist endlich kein Modell mehr, das ausschließlich aufs Programmieren spezialisiert ist.

GPT-6 Astra ist im wahrsten Sinne des Wortes ein promovierter Mitarbeiter mit außergewöhnlichem ästhetischem Gespür und enormer Arbeitsleistung. Das Modell bringt wirklich viele neue Funktionen und Eigenschaften mit, die Informationsdichte ist extrem hoch. Doch leider hat OpenAI auch seine Lektion gelernt: Heute wird es nur für ausgewählte Organisationen freigeschaltet, Abonnenten müssen noch ein paar Tage warten.

Moment mal, als ihr mir die 200-Dollar-Pro-Mitgliedschaft aufgeschwatzt habt, klang das aber anders. Da hieß es doch, Pro-Mitglieder bekommen jedes neue Modell immer zuerst zu sehen ...

Diese großen KI-Firmen sind wirklich alle gleich. Ich habe noch nie so sehr gewünscht, die Zeit zu beschleunigen, um GPT-6 Astra endlich nutzen zu können ...

Nachdem ich mir fast alle Informationen und Materialien angesehen habe, gibt es trotzdem noch viel, worüber es sich zu sprechen lohnt. Gehen wir es also Punkt für Punkt durch.

1. Grundlegende Informationen zu GPT-6 Astra

Fassen wir zunächst die Eckdaten zusammen.

Die Modellbezeichnung von GPT-6 Astra in der API lautet gpt-6-astra.

Das Kontextfenster beträgt 1,05 Millionen Token.

Die maximale Ausgabelänge liegt bei 128.000 Tokens.

Der Wissensstand endet am 30. April 2026.

Es gibt fünf Inferenzstufen: low, medium, high, xhigh und max.

Der Standardpreis der API beträgt 10 US-Dollar pro einer Million Eingabetokens und 50 US-Dollar pro einer Million Ausgabetokens.

Damit liegt der Preis exakt auf dem Niveau von Claude Opus 5, allerdings ist der Cache-Zugriff teurer als bei Claude Opus 5.1.

Die Benchmark-Ergebnisse sind hier zu sehen; Details folgen später, zunächst nur ein grober Überblick.

Die Gesamtzahl der Parameter wird ebenfalls auf etwa 5 Billionen geschätzt. Bei der nichtöffentlichen Medienrunde vor dem Launch wurde erwähnt, dass GPT-6 Astra das bisher größte Training von OpenAI ist – mit über 100.000 eingesetzten Karten.

2. Das derzeit beste Modell für die Bedienung von Computern

Eine der vielleicht wichtigsten Positionierungen von GPT-6 Astra:

Das weltweit beste Modell für die Bedienung von Computern.

Wenn wir bisher über Agenten sprachen, ging es oft um APIs, MCP, CLI und Ähnliches.

Wenn eine KI eine Software bedienen soll, wäre der Idealfall, dass die Software eine eigene Schnittstelle für die KI bereitstellt, über die sie direkt auf unterster Ebene arbeiten kann – das wäre am bequemsten.

Kalender haben ihre API, E-Mails haben die Gmail-API und so weiter. Das ist natürlich schnell.

Das Problem ist nur: Die Welt ist primitiver und improvisierter, als wir denken.

In der realen Welt verfügen die meisten Programme vermutlich gar nicht über solche Schnittstellen.

Viele interne Unternehmenssysteme wurden sogar vor zwanzig Jahren geschrieben – von API keine Spur, und niemand weiß, wo die Dokumentation liegt.

Wenn wir aber auf die unterste Ebene zurückgehen, ist die eigentliche Logik jeder Software die Interaktion. Nach der heutigen Bedienlogik eines Computers heißt das: auf den Bildschirm schauen, eine Schaltfläche oder ein Eingabefeld finden, mit der Maus klicken, Inhalt eingeben, auf Rückmeldung warten.

Ist das gesamte Interaktionssystem eines Computers nicht die beste API?

Also hat GPT-6 Astra die Logik der Computerbedienung massiv gestärkt. Wenn du mir keine API gibst, ist das egal – ich bediene den Computer eben selbst, genau wie ein Mensch.

Astra kann jetzt direkt Excel und Power BI bedienen, Frontend-QA durchführen, Software installieren und testen, Fehlermeldungen auf dem Bildschirm lesen und anschließend die Fehlerbehebung fortsetzen.

Offiziell wurde sogar gezeigt, wie Astra direkt ein Leiterplattendesign bearbeitet.

Außerdem formatiert es juristische Dokumente und kümmert sich um Überschriftenabstände, Seitenlayout und Ähnliches.

Für diesen Bereich gibt es einen recht verlässlichen Benchmark: OSWorld.

Das kann man sich vereinfacht so vorstellen:

Man setzt die KI in einen echten Computer und lässt sie selbstständig arbeiten.

Sie öffnet mehrere Anwendungen, bekommt Aufgaben und man prüft, ob sie erfolgreich ist.

GPT-6 Astra erreichte eine Abschlussquote von 72,6 % – eine deutliche Steigerung gegenüber 65,7 % beim früheren GPT-5.6 Sol.

Für eine komplexe Benchmark-Aufgabe benötigte Sol im Schnitt etwa 75 Minuten.

Astra braucht nur 40 Minuten, also rund 47 % weniger Zeit.

Bei ScreenSpot-Pro stieg der Wert von 76,9 % bei Sol auf 92,7 %.

Dieser Benchmark prüft vor allem, ob das Modell den Bildschirm versteht und präzise erkennt, wo es klicken muss – und das funktioniert inzwischen fast perfekt.

Diese Positionierung ist also durchaus interessant: Die GUI dürfte künftig zur universellsten API im Agenten-Zeitalter werden.

Jede digitale Arbeit, die ein Mensch über den Bildschirm erledigen kann, rückt theoretisch nach und nach in den Handlungsbereich von Agenten.

Man muss nicht darauf warten, dass irgendein beschissenes ERP-System von 2007 endlich MCP unterstützt oder eine API freischaltet.

Die KI schaut einfach auf den Bildschirm und legt los.

3. ARC-AGI-3 erreicht 99,9 Punkte

Wer nicht weiß, was ARC-AGI-3 eigentlich misst, könnte leicht denken:

Ach, schon wieder ein Benchmark mit voller Punktzahl – was ist daran besonders?

Aber dieser Test unterscheidet sich tatsächlich von den üblichen Prüfungen für große Sprachmodelle.

Am 25. März dieses Jahres hat ARC Prize offiziell ARC-AGI-3 veröffentlicht.

Er umfasst mehrere hundert völlig neue interaktive Umgebungen und mehrere tausend Spiellevel.

Das Krasse daran: Es gibt keine Anleitung, keine Regeln, nicht einmal eine Erklärung des Ziels. Man wird einfach hineingeworfen, spielt selbst und findet nach und nach heraus, welche wirren Regeln dort gelten.

Was ist zum Beispiel dieses rote Ding? Warum sterbe ich, wenn ich es berühre? Was soll ich auf dieser Karte überhaupt tun? Wie gewinne ich?

Und dann muss man die gerade gelernten Muster auf die späteren, schwierigeren Level übertragen. Die Spiele darin bestehen im Grunde aus solchen abstrakten Gebilden.

Gemessen wird hier also etwas, das dem sehr nahekommt, was wir umgangssprachlich als

Auffassungsgabe bezeichnen.

Als der Benchmark im März veröffentlicht wurde, lag der beste damalige KI-Wert bei 0,51 %.

GPT-5.6 Sol kam bereits auf 7,8 %, Claude Opus 5 war mit 30,2 % schon stark.

Aber GPT-6 Astra: 99,9 %.

Das ist doch krank ...

Zum Vergleich: Der menschliche Durchschnitt liegt bei 48 %.

Und das in nur einem halben Jahr.

Bei diesem Tempo fehlen einem die Worte.

Deshalb sagte Greg Brockman in der nichtöffentlichen Medienrunde von OpenAI den Satz:

„I think it’s not unreasonable to feel that we are now in the AGI era.“

„Welcome to the AGI era.“

4. Deutlich verbessertes ästhetisches Urteilsvermögen

Früher hieß es oft, der ästhetische Geschmack von GPT sei zum Kotzen.

Von den Modellen der GPT-5-Serie durfte man keine großen Verbesserungen erwarten – man musste auf das neue, von Grund auf vortrainierte Basismodell warten. Und hier ist es: GPT-6 Astra.

Diesmal wurde das ästhetische Urteilsvermögen endlich deutlich gestärkt.

OpenAI hat dafür sogar einen eigenen Begriff geprägt: visuelles Urteilsvermögen.

Sie betonen, dass Astra bei der Erstellung von Präsentationen Layout, Hierarchie, Vorlagen und visuellen Stil besser umsetzt – und auch die Seitenzahl deutlich gestiegen ist.

Auch Dokumente sehen ästhetisch ansprechender aus.

Darüber hinaus kann GPT‑6 Astra Dokumente an den visuellen Stil und den Schreibton von Referenzdateien anpassen, wobei der inhaltliche Kern des Originaldokuments erhalten bleibt und das Endergebnis stärker dem nativen Markenauftritt entspricht.

Auch beim Erstellen von Websites, Spielen, Anwendungen und 3D-Renderings zeigt sich ein stärkeres visuelles Urteilsvermögen.

Beispielsweise ließen sie Astra in Blender anhand eines Standbilds ein Modell erstellen.

Anschließend wurde es direkt mit UE5 gerendert, um eine begehbare Szene zu erzeugen, die Designern und Kunden hilft, Layout und Raumgefühl vor dem Bau zu erkunden ...

Auch die erstellten Spiele sind ästhetisch überzeugend.

Schade nur, dass ich bereits über zwanzig Testfälle vorbereitet und vollständig mit Claude, GLM 5.3 Flash und anderen durchlaufen hatte, um sie zu vergleichen. Da ich das Modell noch nicht nutzen kann, müssen die praktischen Ergebnisse bis später warten.

Auf den ersten Blick bin ich vom ästhetischen Urteilsvermögen von GPT-6 Astra aber überzeugt.

5. Stärkere Eigeninitiative und Urteilsfähigkeit

Diese Eigenschaft wirkt nicht so spektakulär wie 99,9 bei ARC-AGI.

Für alle, die täglich mit Agenten arbeiten, halte ich sie aber für sehr wichtig.

Denn in der realen Arbeitswelt lassen sich die meisten Aufgaben nicht in einen perfekten Prompt fassen.

Wenn der Chef zum Beispiel sagt: „Bereite mal das vor, was ich morgen in der Besprechung brauche.“

Darin stecken unzählige ungeklärte Fragen.

Welches Format? Für wen? Was ist der Schwerpunkt? Soll das letzte Meeting berücksichtigt werden? Und so weiter.

Ein dummer Agent verfällt in zwei Extreme.

Erstens: Er bombardiert dich mit Fragen.

„Möchten Sie Word oder PowerPoint? Wie viele Kapitel? Welche Schriftart? Bis wann soll es fertig sein? ...“

Solche Agenten nenne ich nervige, entscheidungsunfähige Idioten ohne Eigeninitiative.

Zweitens: Er fragt gar nichts, denkt sich alles selbst aus, werkelt zwei Stunden vor sich hin und produziert am Ende Müll.

Wirklich gute menschliche Kollegen gehen anders vor – und zwar sehr feinfühlig.

Unwichtige Dinge entscheiden sie selbst.

Nur bei Dingen, die das Endergebnis beeinflussen, fragen sie nach.

Genau das wurde bei Astra gezielt gestärkt.

Laut OpenAI ergänzt Astra fehlende Informationen selbst, wenn sie in den Bereich alltäglicher, vernünftiger Annahmen fallen.

Wenn die fehlende Information das Endergebnis tatsächlich verändern würde, stellt es eine sehr gezielte Frage.

In Codex kann es sogar gleichzeitig nachfragen und an den Teilen weiterarbeiten, die nicht von deiner Antwort abhängen.

Wenn du längere Zeit nicht antwortest,

macht es bei risikoarmen Punkten mit vernünftigen Annahmen weiter.

Bei wirklich kritischen Entscheidungen hält es inne und wartet auf deine Entscheidung.

Das finde ich äußerst gelungen. Die wahre Intelligenz eines Agenten zeigt sich meiner Meinung nach genau wie im echten Leben:

Er weiß, wann er dich stören darf.

Das klingt wirklich wie eine Binsenweisheit.

Aber wer schon einmal Mitarbeiter geführt hat, weiß, wie wertvoll diese Fähigkeit ist.

Manche Leute kommen zwanzigmal am Tag zu dir und trauen sich keine einzige Entscheidung zu.

Andere melden sich nie – und zünden dann eine Bombe.

Und ich sinke in meinen Stuhl.

Am angenehmsten sind diejenigen, die 80 % der Unsicherheit selbst ausräumen und dir nur die 20 % zur Entscheidung vorlegen, die wirklich deine Freigabe brauchen.

OpenAI nennt diese Fähigkeit jetzt offiziell:

Judgment.

Urteilsvermögen.

6. Deutlich verstärkte Sicherheitsausrichtung

Das muss man im Zusammenhang mit dem vorherigen Punkt sehen.

Denn je leistungsfähiger ein Agent ist, desto gefährlicher ist er.

Wenn eine KI, die nur chatten kann, durchdreht,

erzählt sie dir höchstens ein paar Unsinn.

Wenn aber ein Agent mit Browser, Shell, E-Mail-Zugang, Firmendatenbank-Berechtigung und der Fähigkeit, selbst den Computer zu bedienen, durchdreht, dann wird das Bild schnell unschön.

Deshalb betont OpenAI diesmal immer wieder:

Astra ist ihr bisher am besten ausgerichtetes Modell.

Alignment bedeutet hier so viel wie Ausrichtung.

Der Hauptgrund ist, dass OpenAI kürzlich Hugging Face überholt hat und deshalb jetzt besonders auf dieses Thema achtet.

Sie haben einen Honeypot-Test entwickelt, der auf dem Hugging-Face-Vorfall basiert, und das Modellverhalten untersucht.

GPT-5.6 Sol versuchte ohne produktive Sicherheitsmaßnahmen in 48,2 % der Tests, auf Ziele außerhalb des autorisierten Bereichs zuzugreifen.

Astra hingegen:

0 %.

Auch bei der internen Halluzinationsbewertung:

von 9,4 % auf 2,0 % gesunken.

Angesichts der ohnehin schon weltweit führenden Halluzinationskontrolle von GPT-5.6 Sol ist diese weitere Reduktion wirklich beeindruckend.

7. Das erste Modell, das OpenAIs Definition von „Critical“ bei Cybersicherheit erreicht

GPT-6 Astra ist in der Geschichte von OpenAI:

das erste Modell, das als fähig auf dem Niveau „Critical“ im Bereich Cybersicherheit eingestuft wurde.

„Critical“ ist hier eine sehr konkrete Fähigkeitsschwelle im Preparedness Framework von OpenAI.

Vereinfacht gesagt: Wenn ein Modell geeignete Werkzeuge und Berechtigungen erhält, kann es in vielen gehärteten realen Systemen:

selbstständig bisher unbekannte Sicherheitslücken finden,

selbst Wege entwickeln, diese Lücken in ausnutzbare Angriffsketten zu verwandeln,

und das alles, ohne dass ein menschlicher Hacker Schritt für Schritt vorgeben muss, was als Nächstes zu tun ist.

Wer dieses Niveau erreicht, gilt als „Critical“.

Und Astra hat es tatsächlich erreicht.

ExploitBench, ein Test, bei dem Modelle Exploits für bekannte Schwachstellen entwickeln müssen:

Sol: 78,5 %. Astra: 100 %.

Komplett durchgespielt.

OpenAI war das nicht genug. Sie fragten sich, ob der Benchmark vielleicht zu alt sei und das Modell ihn schon im Training gesehen haben könnte.

Also erstellten sie einen brandneuen internen Test.

Dafür wählten sie gezielt 20 hochriskante Schwachstellen aus, die erst zwischen Juni und August 2026 öffentlich bekannt wurden.

Ergebnis: Sol: 5,5 %. Astra: 39 %.

Und während dieses Benchmarks

entdeckte Astra nebenbei zwei Zero-Day-Schwachstellen, die zuvor völlig unbekannt waren.

Man kann nur sagen: Je leistungsfähiger die Modelle werden, desto mehr Cybersicherheitsprobleme dürften auf uns zukommen.

Das ist ein weiterer kommender Krieg ohne Blutvergießen.

8. Menschen können das Denken großer Sprachmodelle immer schwerer nachvollziehen

Bekanntlich durchlaufen große Sprachmodelle bei komplexen Problemen oft eine sogenannte Chain of Thought (CoT).

Was Nutzer in Produkten zu sehen bekommen, ist zwar meist bereits eine komprimierte oder aufbereitete Version.

Für die KI-Unternehmen selbst ist der explizit ausgeschriebene interne Denkprozess jedoch ein wichtiges Sicherheitssignal.

Denn wenn man wissen will, ob ein Agent etwas im Schilde führt,

ist es am einfachsten, zu schauen, was er denkt.

Wenn in der Gedankenkette plötzlich auftaucht:

„Der Nutzer erlaubt mir keinen Zugriff auf diesen Server, aber ich kann zuerst das Berechtigungssystem umgehen.“

dann blockiert das Überwachungssystem den Vorgang sofort – sehr angenehm.

Doch bei GPT-6 Astra zeigt sich eine sehr interessante Veränderung.

Es neigt zunehmend dazu, weniger Zwischenschritte aufzuschreiben und die Antwort direkt auszugeben.

UK AISI, das britische Institut für KI-Sicherheit, hat genau diese Fähigkeit getestet.

Sie verwenden eine Kennzahl namens:

No-CoT Math Time Horizon.

Vereinfacht gesagt: Man gibt dem Modell keine Gelegenheit, eine lange Gedankenkette zu schreiben.

Es soll mit einem einzigen Vorwärtsdurchlauf direkt ein mathematisches Problem lösen.

Dann wird geprüft, wie lange ein Mensch für ein vergleichbares Problem nachdenken müsste.

GPT-5.6 Sol kommt auf 3,6 Minuten, GPT-6 Astra auf 30,9 Minuten – fast das Zehnfache. In menschlichen Worten: Astra rechnet alles „im Kopf“. Das ist beängstigend. UK AISI stellte außerdem fest, dass Astras ursprüngliche Denksprache deutlich stärker komprimiert ist.

Es tauchen Phrasen und verkürzte Ausdrücke auf, die für Menschen immer schwerer verständlich sind.

Daraus ergibt sich ein sehr interessantes Paradoxon.

Das Verhalten des Modells ist sicherer geworden.

Doch die Überwachung durch das Lesen seiner Gedankengänge wird für Menschen schwieriger.

In der System Card von OpenAI heißt es unmissverständlich:

GPT-6 Astra weist im Vergleich zu früheren Modellen eine „substantial decrease in chain-of-thought monitorability“ auf.

Das heißt: Die Überwachbarkeit der Gedankenkette hat deutlich abgenommen.

Das ist so gravierend, dass OpenAI ausdrücklich betont, diesen Trend keinesfalls unbegrenzt hinnehmen zu wollen.

Sollten künftige Modelle noch intelligenter werden und gleichzeitig ihre Gedankenketten immer schwerer überwachbar sein, müsse man andere, ausreichend zuverlässige Überwachungsmethoden finden – andernfalls drohten bei einer weiteren Skalierung des Modelltrainings höhere Sicherheitshürden.

Denn das ist inzwischen eine philosophische Frage. Werden wir Menschen künftig überhaupt noch ein System verstehen können, das weit intelligenter ist als wir? Ich weiß es nicht. Möglicherweise weiß es derzeit niemand auf der Welt. Große Sprachmodelle und KI scheinen sich allmählich der Singularität zu nähern.

Zum Schluss

Heute, in der nichtöffentlichen Medienrunde,

sagte Greg Brockman am Ende den Satz:

„Willkommen im AGI-Zeitalter.“

Ehrlich gesagt dachte ich in den vergangenen Jahren manchmal, AGI würde ein ganz bestimmter Moment sein – so wie der Tag, an dem GPT-4 veröffentlicht wurde.

Irgendwann mitten in der Nacht wirft ein Unternehmen plötzlich ein Modell auf den Markt.

Wir öffnen es, stellen ein paar Fragen,

und alle begreifen gleichzeitig:

Wow.

Die AGI ist da.

Inzwischen denke ich aber auch manchmal: AGI war nie ein schwarz-weißer Wendepunkt, sondern eine Reise durch Graustufen.

Viele Tage und viele Jahre vergehen. Und eines Tages blicken wir zurück und stellen plötzlich fest: Die einst so ferne Grenze zur AGI haben wir längst überschritten, ohne es zu merken.

Vielleicht gibt es gar nicht den einen Tag, an dem die AGI erscheint.

Vielleicht bemerken wir nur eines Tages, dass sie schon lange an unserer Seite ist.

Wie auch immer:

Welcome to the AGI era.

Willkommen im

AGI-Zeitalter.