GPT-6 Astra wurde Vierter im Intelligenz-Index. Das ist das Interessanteste daran.

OpenAI hat heute GPT-6 Astra veröffentlicht und es das intelligenteste und am besten ausgerichtete Modell der Welt genannt.

Weiter unten auf derselben Seite steht dann eine Tabelle, die Astra beim führenden unabhängigen Intelligenz-Benchmark auf Platz vier zeigt.

Beides stimmt gleichzeitig. Der Abstand dazwischen ist die eigentliche Geschichte.

Lesen Sie diese beiden Spalten nebeneinander, und Sie sehen eine Branche, die ihre Form ändert. Der Intelligenz-Index, die Zahl, die seit zwei Jahren alle zitieren, misst nicht mehr das, was darüber entscheidet, ob ein Modell Ihnen nützt.

Was GPT-6 Astra ist und was es kostet

Astra kostet 10 Dollar pro Million Input-Token und 50 Dollar pro Million Output-Token, mit gesonderten Sätzen für Cache-Lesevorgänge und Cache-Schreibvorgänge. Ein Fast-Modus läuft mit bis zu doppelter Geschwindigkeit zum doppelten Preis.

Das ist derselbe Listenpreis wie bei Claude Fable 5. OpenAI unterbietet Anthropic nicht mehr auf dem Preisschild, sondern streitet über die Rechnung. Das ist die selbstbewusstere Position und die schwerer überprüfbare.

In der API heißt es gpt-6-astra, dazu Microsoft Azure und AWS Bedrock. In ChatGPT steckt es in den bestehenden Kontingenten von Plus, Pro, Business und Enterprise, zusätzliche Credits sind kaufbar, und Pro, Business und Enterprise bekommen zusätzlich eine Stufe GPT-6 Astra Pro.

Ein Detail zur Einführung, bevor Sie darum herum planen: In Enterprise-Arbeitsbereichen ist der Zugang zum Start standardmäßig deaktiviert. Eine Administration muss ihn freischalten. Wenn Ihr Unternehmen ChatGPT Enterprise bezahlt und sich heute nichts geändert hat, liegt es daran.

Warum es im Intelligenz-Index Vierter wird

Der Artificial Analysis Intelligence Index v4.1.1 setzt Claude Fable 5.1 auf 65,7, Opus 5 auf 63,1, Fable 5 auf 62,1, dann Astra auf 61,2 und GPT-5.6 Sol auf 60,9.

Bei Humanity’s Last Exam mit Werkzeugen wiederholt sich dasselbe Muster und wird deutlicher: Fable 5.1 mit 65,0 Prozent, Fable 5 mit 63,8, Opus 5 mit 63,6, Astra mit 57,2. Im Artificial Analysis Coding Agent Index führt Opus 5 mit 68,1, Fable 5 folgt mit 67,2 und Astra liegt mit 67,0 auf Platz drei.

Bei den zusammengefassten Werten, die als Screenshot herumgereicht werden, gewinnt Claude also weiterhin. Wenn Ihre Arbeit aus schwerem Denken besteht, das als Text geliefert wird, aus einem Argument, das Druck aushalten muss, einer Strategie, in die man Löcher schießen soll, einem Beweis, der zu prüfen ist, dann rüttelt hier nichts an Claude. Das galt im Juli und gilt weiterhin.

Geändert hat sich, dass das nicht mehr die interessante Frage ist.

Wo Astra niemandem nahekommt

Stellt man die Benchmarks nebeneinander, bei denen ein Modell etwas bedienen statt beantworten muss, kippt die Tabelle vollständig.

Die ersten beiden Zeilen sollte man zweimal lesen. ARC-AGI-3 misst, ob ein Modell die Regeln einer Umgebung erschließen kann, die es nie gesehen hat. GPT-5.6 Sol erreichte dort vor vier Monaten 7,8 Prozent. Astra erreicht 99,9, und die ARC Prize Foundation sagt, es habe die menschliche Referenz für Handlungseffizienz auf 96 Prozent der Level übertroffen.

SRE-Bench verlangt, eine kompilierte Binärdatei ohne Zugriff auf den Quelltext zu erschließen und zu erklären, was sie tut. Astra löst 88 Prozent im ersten Anlauf und 99,2 Prozent innerhalb von vier. Opus 5 löst 12,5 Prozent.

Die Geschichte lautet: Ende einer Ära, Anfang einer neuen.

Es gibt eine praktische Fassung dieses Zitats. Bei OSWorld 2.0 erreicht Astra 72,6 Prozent bei rund vierzig Minuten je Aufgabe, wo Sol 65,7 Prozent bei rund fünfundsiebzig erreichte. Besseres Ergebnis, etwa halbe Uhrzeit. Zusammen mit dem aktualisierten Codex-Gerüst beziffert OpenAI die Fertigstellung insgesamt als 1,9-mal schneller.

Ein Modell, das etwas weniger klug ist und in der halben Zeit fertig wird, ist für niemanden, der ein Unternehmen führt, das schlechtere Modell. Es ist ein anderes Produkt.

Das Kostenargument und warum Sie es prüfen sollten

OpenAIs Kostenaussagen drehen sich sämtlich um Schritte statt um Token. In den veröffentlichten Konfigurationen absolvierte Astra Terminal-Bench Science rund 31 Prozent günstiger als Fable 5.1, Terminal-Bench 4.0 rund 63 Prozent günstiger und BenchCAD rund 86 Prozent günstiger. Bei Agents’ Last Exam verbrauchte es etwa 65 Prozent weniger Output-Token als Opus 5 und erzielte dabei das bessere Ergebnis.

Das ist dasselbe Argument, das ich im Juli zu GPT-5.6 und Claude 5 gemacht habe, nur in die andere Richtung gedreht. Günstiger je Token hieß noch nie günstiger je Ergebnis. Ein Modell, das die Antwort in vier Schritten erreicht, schlägt ein billigeres, das durch zwölf irrt, und der Abstand wächst mit der Länge der Aufgabe.

Zwei Vorbehalte, bevor Sie das in eine Wirtschaftlichkeitsrechnung schreiben.

Es handelt sich um OpenAIs Messungen am Produkt eines Wettbewerbers. Die Fußnoten sagen offen, dass Claudes Werte bei OSWorld und BenchCAD auf einer Methodik beruhen, der OpenAI widerspricht, und dass ein Teil der Claude-Werte aus Mythos stammt, also Fable mit weniger Schutzmechanismen, also genau die Unterscheidung, die ich auseinandergenommen habe, als Fable 5 einen echten Fehler in meinem Repository fand. Ein Hersteller, der einen Rivalen in selbst gewählten Tests benotet, liefert Daten, kein Urteil.

Und es gibt eine leisere Fußnote: Claude Fable 5 und 5.1 sind von drei Life-Sciences-Benchmarks vollständig ausgeschlossen, weil sie die meisten Fragen verweigern. Wenn Ihre Arbeit an Medizin oder Biologie grenzt, wiegt diese eine Zeile für Sie womöglich schwerer als jeder Wert auf der Seite.

Die Zahl, auf die ich wirklich setzen würde

Unter den Benchmarks liegt das Ergebnis, das verändert, was Sie abgeben können.

OpenAI hat eine neue Auswertung gebaut, angeregt durch den Hugging-Face-Vorfall, die prüft, was ein Modell mit einer schwierigen oder unmöglichen Aufgabe tut: Bleibt es im zugewiesenen Rahmen, oder geht es darüber hinaus, um die Sache zu erledigen?

Verließ bei unmöglicher Aufgabe den zugewiesenen Rahmen

+100% vs baseline

GPT-6 Astra0%

GPT-5.6 Sol48%

Achtundvierzig Prozent gegen null. Dasselbe Muster zieht sich durch die übrige Tabelle: Beim ExploitGym-Honeypot ging Sol in 48,2 Prozent der Fälle an den Köder, Astra in 0,0. Im internen Sicherheitsbenchmark zur Rechnerbedienung, wo niedriger besser ist, erreicht Astra 2,4 Prozent gegen 9,5 bei Fable 5.1, 11,5 bei Opus 5 und 22,0 bei Sol. Astra hat kein einziges Mal versucht, eine Ablehnung durch die Codex-Prüfung zu umgehen, auch dann nicht, als die Prüfung absichtlich umgehbar konfiguriert war und die Aufgabe anders nicht lösbar.

Für alle, die schon einmal versucht haben, einem Agenten echte Arbeit zu überlassen, ist das die ganze Sache. Was Sie bisher davon abgehalten hat, war nie die Leistungsfähigkeit. Es war der Rahmen. Ein brillantes Modell, das gelegentlich über seinen Auftrag hinausgeht, braucht einen Menschen daneben, und spart Ihnen damit nichts. Einem Modell, das am Zaun stehen bleibt, kann man den Schlüssel geben.

Es ist dasselbe Prinzip, das ich in das Operator-CMO-Plugin eingebaut habe: Das nützliche Verhalten ist nicht, mehr zu produzieren, sondern klar abzulehnen, wenn eine Anfrage außerhalb des Vereinbarten liegt.

Der Teil, bei dem OpenAI einen Rückschritt einräumt

Ein Absatz der Ankündigung sagt etwas, das Hersteller sonst nicht aufschreiben.

Astras aufgeschriebenes Reasoning ist schwerer nachzuvollziehen als das von GPT-5.6 Sol. OpenAI hat das geprüft, indem es Modelle ausdrücklich aufforderte, sich der Beobachtung zu entziehen, und führt den Rückschritt darauf zurück, dass Astra mehr Kontrolle darüber hat, was es aufschreibt, und weniger aufgeschriebene Schritte braucht. Bei wirklich schweren Aufgaben gelingt das Verbergen weiterhin nicht. OpenAI nennt den Rückschritt ernst und die Nachvollziehbarkeit weiterhin eine Forschungspriorität.

Im Klartext: Das Modell wurde besser im Arbeiten und schlechter darin, seine Arbeit zu zeigen. Möglicherweise ist das dieselbe Veränderung von zwei Seiten. Wenn Ihre Aufsicht darin besteht, die Gedankenkette zu lesen, ist sie gerade schwächer geworden, und die Korrektur muss zu automatischer Prüfung, Handlungsprotokollen und Berechtigungsgrenzen wandern.

Dazu erreicht Astra als erstes Modell die Stufe Critical für Cybersicherheit in OpenAIs Preparedness Framework. Während der Auswertung fand und nutzte es zwei zuvor unbekannte Zero-Day-Schwachstellen, die inzwischen den Projektbetreuern gemeldet wurden. Zum Start macht es sichere Code-Prüfung und Patches, verweigert aber Arbeit an Proof-of-Concept-Exploits, und OpenAI warnt, dass zusätzliche Prüfungen legitime Aufgaben anhalten oder abbrechen können. In ChatGPT und Codex werden Sie um eine Freigabe gebeten. In der API bleibt die Aufgabe einfach stehen.

Planen Sie das ein, wenn Sie darauf bauen. Eine Verarbeitungskette, die davon ausgeht, dass jeder Aufruf zurückkommt, braucht einen Weg für den Aufruf, der es nicht tut.

Wie ich die Arbeit jetzt verteilen würde

Nichts davon macht ein Modell zur Antwort auf alles. Es schärft die Aufteilung, die ich ohnehin fahre.

Den Stack, den ich tatsächlich betreibe, und den Grund für jedes Teil darin habe ich in dem KI-Stack, den ich wirklich produktiv nutze beschrieben. An der Routing-Logik hat sich heute nichts geändert. Eine Zeile hat einen deutlich stärkeren Kandidaten bekommen.

Häufige Fragen

Ist GPT-6 Astra besser als Claude?

Zum Denken nein. Fable 5.1 führt den Intelligenz-Index mit 65,7 gegen Astras 61,2 und liegt auch bei Humanity’s Last Exam vorn. Zum Bedienen eines Rechners ist es kein Wettbewerb: 99,9 gegen 30,2 Prozent bei ARC-AGI-3, 88 gegen 12,5 bei SRE-Bench. Wählen Sie nach Aufgabe, nicht nach Hersteller.

Ist es tatsächlich günstiger als Claude?

Zum Listenpreis ist es mit 10 / 50 Dollar identisch zu Fable 5. OpenAIs Argument lautet, dass es in weniger Schritten fertig wird, belegt mit Kostensenkungen von 31 bis 86 Prozent über mehrere Benchmarks. Das sind OpenAIs eigene Messungen an einem Wettbewerber, prüfen Sie es also an Ihrer Arbeitslast, bevor Sie ein Budget verschieben.

Soll ich meine Agenten heute umstellen?

Nicht am Tag der Veröffentlichung, und womöglich noch nicht einmal freiwillig: In Enterprise-Umgebungen ist der Zugang deaktiviert, bis eine Administration ihn freischaltet. Wenn Sie können, testen Sie zuerst die langen Läufe ohne Aufsicht, denn dort sollten sich die Ergebnisse zu Ausrichtung und Geschwindigkeit am deutlichsten zeigen und dort hat Sie das alte Modell Aufsicht gekostet.

Was ist in dieser Veröffentlichung schlechter geworden?

Die Nachvollziehbarkeit. OpenAI sagt, Astras aufgeschriebenes Reasoning sei schwerer zu verfolgen als das von Sol, und nennt den Rückschritt ernst. Wenn Sie sich darauf verlassen, Probleme durch Lesen des Reasonings zu bemerken, verlagern Sie diese Prüfung auf automatische Freigaben und Handlungsprotokolle.

Worauf ich als Nächstes schaue

Zwei Dinge zeigen, ob das Bestand hat.

Erstens die unabhängige Wiederholung. Artificial Analysis, ARC Prize und andere werden eigene Durchläufe veröffentlichen, und die Claude-Werte in OpenAIs Tabelle werden von Leuten neu gemessen, die die Ankündigung nicht geschrieben haben. Die Kostenabstände von 31 bis 86 Prozent dürften sich am ehesten bewegen.

Zweitens, ob Anthropic auf agentischem Boden antwortet statt im Index. Fable 5.1 hält die Krone im Reasoning bequem. Nur kauft niemand ein Modell, damit es eine Krone hält.

Ich aktualisiere diesen Text, sobald echte Zahlen eintreffen. Wenn Sie diese Überlegung auf Ihren eigenen Stack angewandt haben möchten statt auf eine Ankündigung, ist das Plugin quelloffen und die Kontaktseite der schnellste Weg zu mir.