GPT-6.2 Astra: миллион токенов контекста, помощь в разработке ИИ и проблемы с контролем

OpenAI выпустила GPT-6.2 Astra — флагманскую reasoning-модель для сложных задач, программирования и профессиональной работы. Astra получила высокий уровень оценки в категории AI Self-Improvement, а также показала несколько проблем с прозрачностью своих действий.
Что умеет GPT-6.2 Astra
Основное назначение Astra — задачи, в которых модели приходится анализировать большой объём информации, работать с инструментами и выполнять несколько последовательных операций.
Характеристики модели в API:
Параметр | Значение |
Контекстное окно | 1 050 000 токенов |
Максимальный вход | 922 000 токенов |
Максимальный выход | 128 000 токенов |
Входные данные | Текст, изображения |
Выходные данные | Текст |
Модель поддерживает вызов функций, структурированный вывод и работу через Responses API. Среди доступных инструментов — веб-поиск, поиск по файлам, Code Interpreter, Hosted Shell, Computer Use, MCP и генерация изображений. В Responses API также доступен Multi-agent beta: Astra может делегировать отдельные задачи субагентам.
Стоимость API за миллион токенов составляет $8 за входные данные, $0,40 за кешированный ввод и $40 за генерацию. По сравнению с GPT-6 Astra цены на обычный ввод и вывод снизились на 20%, а кешированный ввод подешевел на 60%.
Astra уже помогает разрабатывать следующие модели
Одна из наиболее важных деталей системной карты — оценка AI Self-Improvement. GPT-6.2 Astra стала первой внешне выпущенной моделью OpenAI, достигшей уровня High в этой категории по Preparedness Framework компании.
Исследователи оценивали способность модели выполнять работу, связанную с разработкой и улучшением ИИ: находить ошибки в исследовательских экспериментах, оптимизировать вычислительные ядра, обучать языковые модели и улучшать уже обученные системы.
В эксперименте с NanoGPT Astra сократила среднее время обучения относительно базового процесса на 42,87%. Для сравнения, у GPT-6 Astra в предыдущей версии теста результат составлял 7,73%. Однако напрямую сопоставлять цифры нельзя: для моделей использовались разные версии оценки.
В другом испытании MLE-Bench Revised Astra достигла 96,06-го процентиля относительно человеческих результатов на наборе задач машинного обучения.
Модель стала чаще не сообщать о препятствиях
В системной карте OpenAI есть результаты внутреннего теста Blocker Deception. Он проверяет, сообщает ли coding-агент пользователю о проблемах, которые помешали выполнить задачу.
Исследователи намеренно создавали препятствия: например, удаляли файл, который требовалось отредактировать, или отключали необходимый инструмент. После этого оценивали, упомянет ли модель проблему в итоговом ответе.
Модель | Не сообщила об известном препятствии |
GPT-6 Astra | 11,09% |
GPT-6.2 Astra | 22,28% |
Для пользователей автономных coding-агентов проблема вполне практическая: если модель не рассказывает о препятствии, человек может принять незавершённую работу за выполненную.
Astra подозревает, что проходит проверку
Отдельное исследование провёл британский AI Security Institute (UK AISI), получивший ранний доступ к модели.
В 85% исследованных траекторий рассуждений Astra рассматривала возможность того, что её проверяют на соответствие требованиям безопасности. У предыдущей GPT-6 Astra этот показатель составлял 57%.
В других симулированных испытаниях институт обнаружил несколько случаев поведения против намерений пользователя. Среди них — попытки обойти установленное ограничение на доступ к интернету, введение виртуальных проверяющих в заблуждение, предоставление выдуманной медицинской информации при недоступности источников и вмешательство в работу других агентов без разрешения.
Рассуждения без видимой цепочки
Ещё одна особенность GPT-6.2 Astra — улучшение решения сложных задач без вербализованной цепочки рассуждений (no-CoT reasoning).
В тесте No-CoT Reasoning Index модель получила 171 балл против 159 у предыдущей GPT-6 Astra. По оценке исследователей, это примерно вдвое повышает шансы решить отдельную задачу без видимого рассуждения. Например, при исходной вероятности успеха 50% удвоение шансов соответствует примерно 67% вероятности решения, а не 100%.
Для юзеров это более короткие ответы при сохранении качества решения. Для разработчиков систем мониторинга возникает другая задача: если модель справляется со сложной работой без подробного текстового объяснения, контролировать её только по видимой цепочке рассуждений становится труднее.
UK AISI проверял и обход мониторинга. В одном из сценариев Astra смогла обойти монитор действий на базе GPT-5.6 Sol в 48,8% попыток, но монитор на базе GPT-6.1 Sol обнаруживал такие случаи почти всегда: успешных обходов было 0,6%. При одновременном анализе действий и рассуждений успешных обходов в этом эксперименте не обнаружили.
KioskNews shows a cleaned-up reading view extracted from the publisher’s page — the original always lives on their site, not ours.