Na papíře je GPT-6 Astra další nový model. V praxi je zajímavější něco jiného: lidé ho zkoušejí jako kolegu, kterému zadáte práci, a ne jen jako chatovací okénko na rychlé odpovědi. První dojmy jsou dost nadšené, ale ne nekritické. Astra se méně ztrácí v zadání, lépe drží směr a u složitějších úkolů častěji dojde k výsledku bez několika zbytečných odboček.
Nečekejte ale, že Astra vyřeší všechno jedním zadáním. Občas se zastaví, občas zvolí zbytečně dlouhou cestu a občas působí, jako by si chtěla pojistit každou větu. Přesto je to podle prvních zkušeností jeden z modelů, u kterých je rozdíl nejvíc vidět ve chvíli, kdy mu svěříte web, kód, rešerši nebo práci s počítačem.
Nejvíc je poznat, že se méně ztrácí v zadání
Nejčastější pozitivní reakce se netočí kolem jedné efektní ukázky, ale kolem práce s kontextem. Uživatelé popisují, že Astra lépe rozumí rozsahu změny a méně často uteče k úkolu, který si sama vymyslela. Když někdo chce postupovat po menších krocích, model se podle těchto reakcí dokáže přizpůsobit místo toho, aby okamžitě vyrobil obří plán a začal provádět několik dalších věcí najednou.
Tady se láme chleba. Agent může mít technicky správnou odpověď a přesto být k ničemu, když nepochopí, co je teď důležité a co může počkat. U Astry lidé popisují, že častěji pozná rozdíl mezi úkolem, doplňující otázkou a rozhodnutím, které má zůstat na člověku.
U rešerší se chvála netočí kolem toho, že Astra vyplivne dlouhý seznam odkazů. Lidé si všímají spíš toho, že lépe pozná, co je pro otázku podstatné, a dokáže z více materiálů poskládat odpověď, která drží pohromadě.
U kódu nehraje na efekt, spíš hledá, kde se to celé rozbíjí
U programování se lidé nevracejí jen k tomu, kolik kódu model napsal. Zajímavější je, že se snaží pochopit, jak spolu části systému souvisejí. Chvála míří na hledání chyb v životním cyklu zdrojů, práci s větším repozitářem a na to, že Astra častěji upraví právě tu část, která problém způsobuje, místo aby přepsala půl projektu.
Zajímavé je, že se lidé neshodnou na rychlosti. Někomu Astra připadá pomalejší, protože víc přemýšlí. Jiný ji má za rychlejší, protože se méně často vrací k už hotovým krokům. U agentů je zkrátka důležitější čas do hotového výsledku než počet tokenů, které vidíte na obrazovce.
A právě tady začíná spor o cenu. Oficiální API sazba činí 10 dolarů za milion vstupních tokenů a 50 dolarů za milion výstupních tokenů. To není model na bezmyšlenkovité klikání. Když ale Astra zvládne složitý úkol s menším počtem slepých pokusů, může se vyšší cena vrátit v ušetřeném čase. Podobnou otázku tokenové efektivity v delší práci řeší i rozbor úspor tokenů v Claude Code.
Samozřejmě to neplatí pokaždé. Na jednoduchou otázku je Astra zbytečně drahá. U refaktoringu, hledání chyby v neznámém systému nebo kontroly citlivé změny může být naopak levnější zaplatit za lepší první pokus než několik hodin opravovat práci levnějšího modelu.
Astra se neztratí ani mimo text
Nečekaně často se mluví o vizuálních a 3D úlohách. Astra si podle prvních reakcí poradí s předlohou, neobvyklými tvary, prostorovými vztahy i SVG. U webů lidé oceňují, že se nesnaží jen trefit podobnou barevnou náladu, ale dokáže zachytit i konkrétní křivky, rozložení a drobnosti, které jiné modely zjednoduší.
Pořád ale platí, že z Astry není přes noc bezchybný grafik ani 3D specialista. Lidé upozorňují na špatnou perspektivu, drobné geometrické chyby a objekty, které vypadají dobře jen do chvíle, než je začnete kontrolovat zblízka. Tady se vyplatí stejná disciplína jako u kódu: výsledek projít, ne mu jen věřit.
Čísla vypadají skvěle. Jen je potřeba vědět, co měřila
OpenAI v oficiálním představení uvádí velmi vysoká skóre napříč obory. Astra dosahuje 59,3 procenta v Agents‘ Last Exam, 72,6 procenta v OSWorld 2.0, 57,9 procenta v Terminal-Bench 4.0, 95,9 procenta v BenchCAD, 96 procent v GPQA Diamond a 97,6 procenta ve FrontierMath Tier 4. V tabulce OpenAI je také 99,9 procenta v ARC-AGI-3 a 100 procent v ExploitBench.
| Test | GPT-6 Astra | GPT-5.6 Sol | Co test přibližně měří |
|---|---|---|---|
| Agents‘ Last Exam | 59,3 % | 53,6 % | Komplexní práce v reálném softwaru |
| OSWorld 2.0 | 72,6 % | 65,7 % | Práce s počítačem |
| Terminal-Bench 4.0 | 57,9 % | 37,3 % | Terminál, konfigurace a programování |
| BenchCAD | 95,9 % | 83,3 % | Rekonstrukce 3D objektů |
| GPQA Diamond | 96,0 % | 94,6 % | Vědecké znalosti a uvažování |
| FrontierMath Tier 4 | 97,6 % | 83,0 % | Náročné matematické úlohy |
Tabulka vypadá dobře, ale sama o sobě neříká, jak se bude Astra chovat u běžné konverzace. OpenAI uvádí maxima při libovolné úrovni úsilí a testy probíhaly ve výzkumném prostředí nebo přes API. Pro srovnání s dalšími modely se hodí také naše srovnání GPT-6 Astry, Fable 5.1 a Gemini 3.8 Flash. To může znamenat jiné systémové instrukce, jiné nástroje a jiné podmínky než v běžném ChatGPT nebo Codexu.
Nejvíc otázek vyvolává ARC-AGI-3. Oficiálních 99,9 procenta vypadá skoro neuvěřitelně, jenže Astra zde běžela s upraveným harness podle OpenAI. V diskusi se proto řeší, jestli měříme hlavně model, nebo také způsob, jakým byl model napojený na test. Kritika sama o sobě neznamená, že výsledek nic neříká. Jen není rozumné z něj dělat definitivní důkaz obecné inteligence.
U ostatních testů platí totéž. Některá skóre používají nástroje, jiná ne. Některá vznikla při nejvyšší úrovni úsilí, jiná v levnějším nastavení. Čísla ukazují, že Astra je v řadě agentních, počítačových, vědeckých a programátorských úloh výrazně silnější. Neříkají, že vyhraje každou jednotlivou konverzaci.
Není rychlá vždycky a levná už vůbec ne
Na druhé straně se nejčastěji ozývá výhrada k opatrnosti. Astra někdy zastaví práci ve chvíli, kdy uživatel čeká další krok, nebo dlouze popisuje, co zjistila, místo aby pokračovala. Někteří lidé píšou, že model několikrát zopakoval plán a stav úkolu, ale skutečnou akci provedl až po dalším pobídnutí.
Dává to smysl z bezpečnostního hlediska. Lepší agent, který se zastaví před riskantním krokem, než agent, který bez ptaní smaže část projektu. V praxi ale příliš mnoho pauz zdržuje a lidé budou chtít lépe nastavit hranici mezi samostatnou prací a nutností všechno znovu potvrzovat.
Další spor se vede o rychlost. Někomu Astra připadá pomalejší, protože víc analyzuje. Jiný ji považuje za rychlejší, protože se méně často vrací k už hotovým krokům. Obojí může být pravda. U jednoduchého dotazu čekání obtěžuje, u složitého úkolu může stejná rozvaha ušetřit několik oprav.
Cena je kapitola sama pro sebe. Astra je prémiový nástroj, ne kladivo na každý dotaz. Při agentním používání se limity mohou vyčerpat rychle a API sazba není stavěná na bezhlavé generování. Na rutinu je drahá. Na úkol, u kterého levnější model několikrát selže, může naopak ušetřit čas i peníze.
Co z toho nakonec plyne
Když se ty reakce dají vedle sebe, vychází z toho jedna věc: Astra mění hlavně způsob práce. Nejde jen o lepší odpověď. Jde o to, že model zvládne samostatněji projít cestu od zadání k výsledku, pracovat s nástroji a méně často ztratit směr.
Proto ji lidé zkoušejí na programování, výzkum, webové aplikace, 3D scény a automatizaci, ne jen na psaní textu. Zadáte problém a pak spíš kontrolujete práci spolupracovníka, než abyste si nechali napsat jednu odpověď.
Tím se ale dohled neztrácí. První reakce mluví o chybách v geometrii, zbytečném zastavování, nečekaných interpretacích i o tom, že benchmark nemusí odpovídat běžné práci. Astra je dost dobrá na to, aby změnila očekávání od agentů. Pořád ale není tak spolehlivá, abyste ji nechali pracovat bez kontroly.
Za mě Astra dává smysl hlavně tam, kde se musí spojit uvažování, nástroje, dlouhý kontext a několik kroků práce. Na běžné otázky je zbytečně drahá a někdy i pomalá. Když jí ale svěříte hledání chyby, programování, rešerši nebo práci s počítačem, rozdíl proti slabším modelům už není jen hezké číslo v tabulce. Je vidět v tom, kolikrát musíte výsledek opravovat.
Oficiální podklady: představení GPT-6 Astra od OpenAI, dokumentace modelu v OpenAI API a systémová karta.
