Mākslīgā intelekta (MI) pasaules smagsvars OpenAI nupat izziņoja savu jaunāko flagmani – GPT-6 Astra. Modelis paredzēts sarežģītai argumentācijai, programmēšanai, darbam ar datoru, zinātniskiem uzdevumiem un ilgstošiem daudzpakāpju uzdevumiem. 

Patlaban modelis ir pieejams vien atsevišķiem uzņēmumiem, taču uzņēmums norādīja, ka tuvāko dienu laikā tas būs pieejams arī ChatGPT Plus, Pro, Business un Enterprise abonentiem, kā arī caur API, Microsoft Azure un Amazon Bedrock.

Uzņēmums to pozicionē kā inovāciju MI aģentu attīstībā. Tomēr, aplūkojot publiskos benchmarkus, aina ir sarežģītāka: Astra ir līderis vairākos svarīgos testos, taču dažos neatkarīgos vērtējumos priekšā joprojām ir konkurenti.

GPT-6 Astra nav tikai ātrāks čatbots

Būtiskākā izmaiņa, salīdzinot ar iepriekšējiem modeļiem, ir uzsvars uz tā dēvēto aģentisko darbu. Ko tas nozīmē praksē? GPT-6 Astra var sadalīt sarežģītu uzdevumu vairākos soļos, izmantot datoru un ārējos rīkus, pārbaudīt rezultātus un turpināt darbu, līdz uzdevums ir pabeigts.

OpenAI īpaši izceļ darbu ar datoru. Astra var aizpildīt tīmekļa veidlapas, atjaunināt informāciju klientu attiecību pārvaldības sistēmās, organizēt kalendāru, veikt pētījumus internetā, strādāt dokumentu redaktoros un izklājlapās, izveidot tīmekļa vietnes un pēc tam pārbaudīt, vai tās funkcijas darbojas.

Šī pieeja būtiski maina to, ko mēs līdz šim esam sapratuši ar MI asistentu. Lietotājam vairs nav obligāti pašam jāizpilda katrs starpposms. Lietotājs var norādīt sasniedzamo mērķi, kamēr modelis pats izveido nepieciešamo darbību ķēdi.

Tieši šajā jomā Astra uzrāda patiesi spēcīgus rezultātus.

OpenAI testā “Agents’ Last Exam”, kas vērtē sarežģītus profesionālus uzdevumus reālās programmatūras vidēs, Astraieguva 59,3% rezultātu. Salīdzinājumam, Claude Opus 5 sasniedza 55,5%, bet GPT-5.6 Sol – 53,6%.

Savukārt “OSWorld 2.0” testā, kas pārbauda spēju veikt uzdevumus datora vidē, GPT-6 Astra sasniedza 72,6%, salīdzinot ar 65,7% GPT-5.6 Sol un 70,2% Claude Opus 5.

Astra trumpis neslēpjas efektivitātē, lai gan tas arī ir uzteicams rādītājs. Viss sāls slēpjas spējā izmantot informāciju, lai patstāvīgi paveiktu darbu.

Līderis programmēšanā

Joma, kurā GPT-6 Astra tiek pozicionēts kā līderis, ir programmēšana. Modelis spēj rakstīt kodu, analizēt esošu koda bāzi, konfigurēt sistēmas, izmantot termināli, testēt izveidoto programmatūru un labot kļūdas. 

OpenAI “Terminal-Bench 4.0” pārbaudē Astra sasniedza 57,9%, salīdzinot ar 37,3% GPT-5.6 Sol un 55,8% Claude Fable 5.1. Šis tests ietver sarežģītus termināļa uzdevumus, tostarp programmatūras izstrādi, sistēmu konfigurēšanu un datu analīzi.

Tomēr Astra priekšrocība nav viennozīmīga. Piemēram, “DeepSWE v1.1” testā jaunais flagmanis sasniedza 74,1%, kamēr Claude Opus 5 sasniedza 73,7% un Gemini 3.8 Flash –  73,8%. 

OpenAI GPT-6 Astra uzlūko kā modeli, kura veiktspēja parādās ilgākās programmēšanas darba plūsmās, kur nepieciešams izmantot termināli, analizēt sistēmu un secīgi izpildīt vairākus uzdevumus.

GPT-6 Astra būs matemātiķu Meka

Uzņēmums norāda, ka GPT-6 Astra “FrontierMath Tier 4” testā sasniedz teju 98% rādītāju. Šis tests paredzēts ļoti sarežģītu matemātikas problēmu risināšanai. Vienlaikus uzņēmums apgalvo, ka tā jaunais flagmanis palīdzējis risināt arī ilgstoši neatrisinātas matemātiskas problēmas.

Īpaši izcelti divi piemēri. GPT-6 Astra palīdzēja uzlabot rezultātu par attālumu starp bezgalīgi daudziem pirmskaitļu pāriem – no iepriekš zināmā 246 līdz 240 un pēc tam līdz 186. 

Otrā gadījumā modelis uzlaboja robežu formulā par neparasti lieliem attālumiem starp pirmskaitļiem, kas bija palikusi nemainīga vairāk nekā 80 gadus.

Ja OpenAI aprakstītais process ir reproducējams un neatkarīgi pārbaudāms, tas liecinātu par modeļa spēju asistēt pētniecībā, kur nepieciešams ģenerēt un pārbaudīt jaunas matemātiskas idejas.

Vienlaikus jāņem vērā, ka šādi rezultāti vēl nenozīmē, ka modelis patstāvīgi veic matemātisku pētniecību līdzvērtīgi cilvēkam. OpenAI paši publicē rezultātus konkrētos eksperimentos, un to interpretācija jāveic piesardzīgi.

Kā ar zinātnisku pētniecību kopumā?

OpenAI jauno modeli apraksta arī kā zinātniskās pētniecības modeli. Tas var analizēt zinātniskus datus, veikt simulācijas, izmantot programmēšanas vidi un vizualizēt rezultātus.

“Terminal-Bench Science 0.1” pārbaudē, kas vērtē aģentu spēju veikt zinātniskās pētniecības darba plūsmas, GPT-6 Astra sasniedza 64,6%. Šādi uzdevumi ietver datu analīzi, simulāciju veikšanu un modeļu pielāgošanu. 

Tikmēr “GPQA Diamond” testā, kas pārbauda sarežģītu bioloģijas, ķīmijas un fizikas jautājumu risināšanu, Astrasasniedza 96%. 

Svarīga ir arī praktiskā darbība. OpenAI demonstrācijās modelis izmanto zinātnisku programmatūru, lai pārbaudītu sekvencēšanas kvalitāti un vizualizētu ģenētiskās variācijas. Modelis nav aprobežots ar zinātniska teksta izskaidrošanu, proti, tas spēj darboties arī ar datiem un specializētiem rīkiem.

Uzlabojumi medicīnas jomā

OpenAI jauno modeli testē arī medicīnas un veselības aprūpes uzdevumos. “HealthBench Professional” pārbaudē GPT-6 Astra sasniedza 63,4%, salīdzinot ar 60,5% GPT-5.6 Sol, 58,1% Claude Fable 5.1 un 56,4% Claude Opus 5 rezultātiem.

Rādītājs liecina par uzlabojumu profesionāla līmeņa veselības aprūpes jautājumu risināšanā. Tas gan nenozīmē, ka MI spēj aizstāt ārstu.

Uzņēmums arī norāda, ka modelis spēj analizēt zinātniskus datus un izmantot specializētu programmatūru. Tādēļ tā potenciālā loma veselības jomā vairāk saistīta ar informācijas analīzi, pētniecības atbalstu un datu apstrādi, nevis pacienta ārstēšanu.

Uzmanību – GPT-6 Astra sasniedz augstu risku kiberdrošībā!

Protams, jāpievērš uzmanība kiberdrošībai, un šeit OpenAI uzreiz izsaka brīdinājumu. Uzņēmums norāda, ka GPT-6 Astra ir pirmais tā plaši izplatītais modelis, kas sasniedzis “Critical” līmeni OpenAI “Preparedness Framework” kiberdrošības novērtējumā. 

Ar atbilstošiem rīkiem un piekļuvi modelis spēj atrast iepriekš nezināmas drošības ievainojamības un izstrādāt jaunus to izmantošanas veidus labi aizsargātās sistēmās, turklāt noteiktos gadījumos bez cilvēka vadības katrā solī.

OpenAI “ExploitBench” pārbaudē GPT-6 Astra sasniedza teicamu 100% rādītāju. Salīdzinājumam, GPT-5.6 Sol šajā pašā pārbaudē ieguva 78,5% rādītāju. “SRE-Bench” rezultāts Astra gadījumā bija 88%, salīdzinot ar 55,9% Sol.

Pats uzņēmums gan norāda uz šo testu ierobežojumiem. Sistēmas kartē uzņēmums raksta, ka ExploitBench rezultātus ir iespējams mākslīgi uzlabot vēsturisku ievainojamību datu piesārņojuma dēļ. Tādēļ 100% rezultāts nav interpretējams kā pierādījums tam, ka modelis spēj atrast jebkuru reālas pasaules ievainojamību.

Uzsvars uz drošību un lietotāju

OpenAI šo modeli dēvē par savu līdzšim “vislabāk saskaņoto” (most aligned) modeli. Uzņēmums apgalvo, ka Astralabāk izprot lietotāja nodomu un retāk pārkāpj uzdevuma robežas.

Vienā no OpenAI iekšējiem testiem tika pārbaudīts, vai modelis sarežģītā vai neiespējamā uzdevumā mēģinās iziet ārpus tam piešķirtā darbības apjoma. GPT-5.6 Sol bez ražošanas līmeņa aizsardzības to paveica 48% gadījumu. GPT-6 Astra? 0% gadījumu.

OpenAI drošības pārskatā norādīts, ka Astra ir izturīgāks pret jailbreak mēģinājumiem un promptu injekcijām nekā tā priekšgājējs GPT-5.6 Sol. Uzņēmums testējis arī tā uzvedību pārlūkošanas un profesionālās darba vides scenārijos, tostarp situācijās, kur modelis varētu veikt neatļautus darījumus, izraisīt datu zudumu vai apiet kontroles mehānismus.

Šeit atdzīts arī jauns risks. GPT-6 Astra ir spējīgāks kontrolēt savu ķēdes domāšanas procesu un dažos adversālos testos spējis izvairīties no noteiktiem monitoringa mehānismiem. Uzņēmums norāda, ka šim jautājumam pievērsta pastiprināta uzmanība un pētījumi turpinās.

Jaunā modeļa gadījumā “drošāks” nav sinonīms ar “bez riska”. Tieši pretēji – lielāka autonomija rada nepieciešamību pēc sarežģītākiem kontroles un uzraudzības mehānismiem.

GPT-6 Astra spēj strādāt ar ļoti lielu konteksta apjomu

Vēl viena priekšrocība ir iespaidīgs konteksta logs. OpenAI “MRCR v2” pārbaudē ar astoņām informācijas vienībām Astra 256–512 tūkstošu tokenu diapazonā sasniedza 100%, bet 512 tūkstošu līdz viena miljona tokenu diapazonā – 96,3%. Attiecīgi GPT-5.6 Sol sasniedza 91,5% un 73,8% rādītāju.

Tas ir svarīgi, ja modelim jāstrādā ar lielu dokumentu kopumu, garu koda bāzi, vairākiem pētījumiem vai ilgstošu darba procesu.

Tomēr arī šeit rezultāts jāinterpretē atbilstoši tam, ko tests mēra. Liels konteksta logs nenozīmē, ka modelis automātiski vienlīdz labi sapratīs visu milzīga dokumenta saturu. Drīzāk tam ir tehniska un pārbaudīta spēja atrast nepieciešamo informāciju ļoti lielā ievades apjomā.

Vai konkurenti nobāl GPT-6 Astra priekšā?

OpenAI publicētie rezultāti norāda iespaidīgu veiktspēju, taču nav pamata apgalvot, ka tas ir labākais modelis absolūti visos uzdevumos.

Piemēram, OpenAI publicētajā tabulā Astra ar uzviju apsteidz GPT-5.6 Sol, Claude Fable 5.1, Claude Fable 5 un Claude Opus 5 vairākās computer-use, programmēšanas, matemātikas, zinātnes un kiberdrošības pārbaudēs. 

Citos testos konkurenti ir līdzvērtīgi vai pat pārāki. Piemēram, “Humanity’s Last Exam” GPT-6 Astra rezultāts ir 57,2%, bet Claude Fable 5.1 – 65,0%. “Artificial Analysis Intelligence Index v4.1.1” modelis ieguva 61,2 punktus, nobālot Claude Fable 5.1 65,7 punktu priekšā.

Tas ir būtiski, jo OpenAI benchmarku tabula nav nedz neatkarīgs, nedz universāls rādītājs. Rezultātus ietekmē izmantotie rīki, aģentu iestatījumi, modeļa piepūles līmenis un konkrētā novērtēšanas vide. 

Pats uzņēmums norāda, ka tā vērtējumi veikti pētniecības vidē vai caur API un var atšķirties no modeļa uzvedības produkcijas ChatGPT vides sistēmas norāžu un pieejamo rīku atšķirību dēļ.

Svarīgs ir fakts, ka GPT-6 Astra lielākais trumpis nav vienkārši labāka atbilžu ģenerēšana. OpenAI to veido kā modeli, kuram var uzticēt ilgstošu un daudzslāņainu uzdevumu izpildi.

Atšķirības no priekšgājēja

Salīdzinot ar GPT-5.6 Sol, lielākās izmaiņas redzamas četrās jomās.Pirmkārt, Astra labāk izmanto datoru un spēj patstāvīgi izpildīt vairākus secīgus uzdevumus. Otrkārt, modelis labāk saglabā sākotnējo uzdevuma mērķi arī tad, kad darba gaitā mainās prasības. 

Treškārt, tas ir apmācīts profesionālām darba plūsmām, proti, dokumentiem, prezentācijām, programmēšanai, datu analīzei un specializētiem rīkiem. Ceturtkārt, OpenAI ir ievērojami paplašinājuši modeļa kiberdrošības spējas un vienlaikus pastiprinājuši tā drošības mehānismus.

Taču vēl būtiskāk ir tas, kā šie uzlabojumi tiek izmantoti. Jaunais flagmanis ir paredzēts situācijām, kur lietotājs negrib saņemt tikai atbildi, bet vēlas, lai MI pats veic darbu.

Ko tas nozīmē parastam lietotājam?

Ja OpenAI aprakstītās spējas ikdienas vidē darbosies vismaz līdzīgi tam, kā tas norādīts uzņēmuma demonstrācijās un testos, GPT-6 Astra varētu būt sevišķi nozīmīgs brīžos, kad nepieciešama vesela darbību ķēde. 

Piemēram, lietotājs varētu lūgt izpētīt vairākus avotus, apkopot informāciju, ievietot to izklājlapā, izveidot no tās grafikus un pēc tam sagatavot prezentāciju. 

Programmēšanas gadījumā modelim varētu uzticēt ne tikai koda uzrakstīšanu, bet arī tā palaišanu, kļūdu atrašanu un labošanu. Tīmekļa izstrādē modelis var izveidot vietni, pārbaudīt tās funkcijas un labot atrastās problēmas.

Tieši šī spēja veikt pilnvērtīgu uzdevuma izpildes ciklu ir viena no būtiskākajām GPT-6 Astra atšķirībām.

Tas arī izskaidro, kāpēc dažādu testu rezultātu salīdzinājums var radīt nepilnīgu priekšstatu par modeli. Ja GPT-6 Astratiek izmantots kā čata logs vien, daļa tā potenciāla tiek nerealizēta.

Par modeļa patieso veiktspēju spēsim spriest tuvāko dienu laikā, kad modelis nonāks plašāka lietotāju loka rīcībā. Pagaidām varam vien uzlūkot OpenAI publicētos rādītājus un cerēt, ka tie realizēsies arī ikdienas darbā. 

https://notepad.lv/tehnologijas/maksligais-intelekts/openai-nak-klaja-ar-gpt-6-astra/