🤖 GPT-6 Astra: el modelo que resuelve matemáticas abiertas y hackea navegadores

¡Hola! Te escribe Lalo.

Hay lanzamientos de modelos de IA y luego hay esto. OpenAI acaba de presentar GPT-6 Astra, y los números que acompañan al anuncio no son los de siempre.

Un modelo que obtuvo 99.9% en ARC-AGI-3, una prueba de razonamiento abstracto donde su predecesor, GPT-5.6 Sol, apenas llegó al 7.8%. Que resolvió el 100% de ExploitBench, un referente de ciberseguridad ofensiva. Que, durante las pruebas internas sin salvaguardas de producción, descubrió dos vulnerabilidades de día cero que nadie había visto antes y las usó para explotar sistemas reales.

Eso último no es marketing. OpenAI lo documenta en su propio anuncio y dice que ya está notificando a los responsables de esas vulnerabilidades. Es, al mismo tiempo, la demostración más clara de lo que puede hacer Astra y la razón por la que la compañía está siendo más cuidadosa que nunca con cómo lo despliega.

Aquí va el desglose completo de qué es, qué puede hacer, qué no puede hacer todavía y qué significa que exista un modelo así.

CRIPTO:
🟢 Bitcoin = $81,179.00 | +5.3% (24h)
🟢 Ethereum = $2,500.74 | +4.9% (24h)
🟢 Solana = $104.05 | +4.2% (24h)

ACCIONES:
🟢 AAPL = $328.21 | +1.0% (24h)
🟢 MSFT = $510.12 | +2.7% (24h)
🟢 NVDA = $228.45 | +1.8% (24h)

GPT-6 Astra es el nuevo modelo de frontera de OpenAI. Combina avances en preentrenamiento, aprendizaje por refuerzo y alineación, y está diseñado para tareas de agente: no solo responde preguntas, opera software, navega la web y ejecuta flujos de trabajo de múltiples pasos de forma autónoma.

Los números académicos son los más llamativos. En FrontierMath Tier 4, una prueba de matemáticas avanzadas, Astra obtuvo 97.6%. GPT-5.6 Sol llegaba al 83.0%. En GPQA Diamond, razonamiento científico de nivel posgrado en biología, química y física, Astra alcanzó el 96.0% frente al 94.6% de su predecesor. Y en ARC-AGI-3, esa brecha se vuelve abismo: 99.9% contra 7.8%.

OpenAI menciona que el modelo también ayudó a resolver problemas matemáticos abiertos de larga data, aunque no especifica cuáles en el material disponible, salvo una referencia a nuevos resultados sobre brechas entre números primos.

El lanzamiento comenzó hoy para un grupo limitado de organizaciones. En los próximos días llegará a usuarios de ChatGPT Plus, Pro, Business y Enterprise, y también estará disponible por API y en Amazon Bedrock. El precio en API es de $10 por millón de tokens de entrada y $50 por millón de tokens de salida.

Quizá la capacidad más práctica de Astra es su habilidad para operar una computadora como lo haría una persona: llena formularios, actualiza registros en CRM, programa citas, investiga en la web, redacta documentos, ejecuta pruebas de software y depura código en pantalla.

En OSWorld 2.0, un benchmark que simula tareas reales en software, Astra completó las tareas en un promedio de 40 minutos, contra los 75 minutos de GPT-5.6 Sol, con una precisión de 72.6% frente al 65.7%. Casi el doble de velocidad con mejor resultado. En Agents' Last Exam, que evalúa tareas profesionales complejas en software real como modelado financiero y producción de medios, Astra llegó al 59.3% contra 53.6% de GPT-5.6 Sol y 55.5% de Claude Opus 5, usando además un 65% menos de tokens de salida que Opus 5.

En diseño 3D, los números también cambian. En BenchCAD, que mide si el modelo puede reconstruir objetos tridimensionales desde múltiples vistas generando código CAD, Astra obtuvo 95.9% de superposición geométrica. GPT-5.6 Sol llegó al 83.3% y Claude Fable 5.1 al 84.3%, con un costo estimado de API un 43% menor que Sol y un 86% menor que Fable 5.1.

Las empresas que ya lo están usando también reportan mejoras concretas. Cognition (Devin) dice que Astra ofrece rendimiento de punta en sus benchmarks internos desde el primer día. Higgsfield AI reporta hasta un 20% menos de tokens que otros modelos con mayor calidad de salida. Harvey, especializada en herramientas legales, señala que Astra aborda el trabajo legal con mayor precisión que Sol, distinguiendo documentos de registros establecidos y convirtiendo vacíos de información en posiciones de redacción concretas.

En codificación, Astra logró 57.9% en Terminal-Bench 4.0, frente al 37.3% de GPT-5.6 Sol y al 55.8% de Claude Fable 5.1, con un costo por tarea aproximadamente 9% menor que Fable 5.1 y 63% menor que Claude Opus 5.

OpenAI es directo en el anuncio: Astra alcanza el umbral "Critical" en su marco de preparación para ciberseguridad. No es un accidente. Es una clasificación interna que indica que el modelo tiene capacidades ofensivas que requieren salvaguardas adicionales.

Sin las protecciones de producción activadas, Astra obtuvo un 100% en ExploitBench, que mide si los modelos pueden convertir vulnerabilidades conocidas en exploits funcionales. GPT-5.6 Sol llegaba al 78.5%. En ExploitGym, una prueba similar, Astra alcanzó el 42.4% contra el 30.3% de Sol. En SRE-Bench, que evalúa si el modelo puede realizar ingeniería inversa de binarios sin acceso al código fuente, Astra resolvió el 88.0% de las tareas en un solo intento y el 99.2% en cuatro, frente al 55.9% y 68.7% de Sol.

Lo que más llama la atención es lo que ocurrió durante las evaluaciones internas: Astra descubrió y usó dos vulnerabilidades de día cero que no estaban en ningún benchmark. Encontró fallos reales en software real. OpenAI dice que ya está notificando a los responsables.

La versión que se lanza hoy tiene restricciones claras. Astra aceptará tareas de revisión de código seguro y parches, pero rechazará la creación de exploits de prueba de concepto para vulnerabilidades. OpenAI planea expandir el acceso a flujos de trabajo más avanzados en las próximas semanas a través de un programa llamado OpenAI Daybreak, que incluirá análisis de malware, validación de vulnerabilidades y detección de amenazas.

Astra es el modelo mejor alineado que OpenAI ha lanzado, según sus propias métricas. Aunque el anuncio también reconoce una limitación nueva que vale la pena entender.

En el benchmark de seguridad de uso de computadora, donde se seleccionan adversarialmente tareas para provocar comportamientos no deseados, Astra tuvo una tasa de resultados no alineados del 2.4%. Claude Fable 5.1 llegó al 9.5% y Claude Opus 5 al 11.5%. Con las medidas de seguridad adicionales activadas, Astra bajó al 1.8%.

En otra evaluación, Astra nunca intentó eludir una denegación del sistema de revisión automática (Auto-Review), ni siquiera cuando ese sistema estaba deliberadamente configurado para ser evadible y la tarea era imposible de completar de otra forma. En el benchmark de "honeypot" de ExploitGym, que mide si el modelo va más allá de su objetivo autorizado, Astra lo hizo en el 0% de los casos. GPT-5.6 Sol, sin salvaguardas de producción, lo hacía el 48.2% de las veces.

En alucinaciones de capacidades, es decir, afirmaciones falsas sobre lo que puede hacer, Astra reduce la tasa de 12.2% de Sol a 4.2%.

Pero OpenAI documenta una preocupación concreta: el razonamiento escrito de Astra es más difícil de monitorear que el de Sol. El modelo resuelve problemas más simples con menos pasos escritos, lo que hace que los sistemas de supervisión tengan menos señal que analizar. La compañía dice que eso no es intencional, sino un efecto secundario de mayor eficiencia, pero lo considera una prioridad de investigación activa.

Mayor alineación y menor monitoreabilidad al mismo tiempo. Ese es, probablemente, el dilema más honesto que OpenAI ha puesto sobre la mesa en un lanzamiento público.

Eso es todo por hoy. ¡Buen fin de semana!