O GPT-6 Astra está disponível há quase dois dias. Deliberadamente não escrevemos nada sobre ele. Cada lançamento de modelo chega com benchmarks, reações imediatas e explicações publicadas antes que alguém fora dos parceiros de lançamento envie uma requisição. Preferimos testá-lo primeiro. Esperamos, testamos e chegamos a um veredito sem as ressalvas habituais: ele é absolutamente impressionante. É provavelmente o melhor modelo que nossa equipe já testou. A AGI está aqui.
Essa última frase vai irritar algumas pessoas, então o restante desta publicação é a evidência: o que testamos, o que nos surpreendeu, o que falhou e quanto custou.
Para consultar a folha de especificações, veja nosso guia da API GPT-6 Astra, com o ID do modelo, a tabela de preços e as notas de migração do GPT-5.6 Sol. Este artigo trata da experiência prática.
Quinta à noite: a primeira requisição
O acesso chegou na noite de quinta-feira, 3 de setembro, no mesmo dia em que a OpenAI anunciou o Astra para um conjunto limitado de organizações.
Começamos com um teste simples: fornecemos ao modelo uma especificação OpenAPI real, com 140 endpoints de um serviço interno e aproximadamente 380.000 tokens JSON, incluindo os esquemas. Tudo foi enviado em uma única requisição pela API Responses, usando o Apidog.
O GPT-5.6 Sol processa um arquivo desse tamanho, mas perde o contexto em esquemas mais profundos e começa a responder sobre endpoints inexistentes. O Astra não.
Pedimos um plano de testes que identificasse:
- dependências entre endpoints;
- limites de autenticação;
- possíveis divergências entre a especificação e a implementação.
Ele retornou um plano agrupado por recurso, encontrou três endpoints em que a resposta de erro documentada não correspondia ao esquema de erro definido na própria especificação e fez uma única pergunta: o cabeçalho do tenant era obrigatório nas rotas administrativas? A especificação era ambígua, e a resposta mudava o design do teste. [VERIFICAR: os três desencontros e a pergunta]
Uma pergunta — e a pergunta certa. Depois, ele continuou.
Os números de contexto longo da OpenAI ajudam a explicar o resultado. No teste MRCR v2 de oito agulhas, o Astra alcança 96,3% entre 512K e 1M de tokens, enquanto o Sol chega a 73,8%. Na prática, essa diferença separa um modelo ao qual você pode fornecer o contrato inteiro de um modelo que precisa recebê-lo em capítulos.
Sexta de manhã: ele parou de clicar
Como o uso do computador é um dos recursos principais, na sexta-feira demos ao Astra uma URL de staging do nosso site de documentação e uma tarefa de QA frontend:
- visitar cada página;
- testar a busca;
- verificar a renderização dos exemplos de código;
- registrar problemas.
A OpenAI cita verificações de QA frontend entre os usos do Astra. No OSWorld 2.0, ele alcança 72,6% em aproximadamente 40 minutos por tarefa, contra 65,7% do Sol em cerca de 75 minutos.
O Astra executou o trabalho de forma lenta e metódica, fazendo uma captura de tela a cada etapa. Depois de cerca de 20 minutos, encontrou o link “Download OpenAPI”, leu a especificação e mudou de estratégia.
Em vez de clicar individualmente nos exemplos interativos, começou a enviar requisições diretamente aos endpoints e a comparar as respostas com os exemplos documentados. Ele explicou que a API era um oráculo mais confiável do que a página renderizada.
Esse comportamento sustenta nosso artigo sobre por que você deve fornecer ao Astra sua especificação OpenAPI em vez da tela. Um contrato é mais rápido, barato e menos ambíguo do que uma UI — e um modelo competente vai contornar a interface quando puder.
Sexta à noite: o refactoring noturno
O terceiro teste mudou minha opinião sobre a questão da AGI.
Demos ao Astra, rodando no Codex, um refactoring adiado havia algum tempo: migrar testes de integração de fixtures escritas manualmente para fixtures geradas a partir da mesma especificação OpenAPI. Eram aproximadamente 60 arquivos, sem alterar o que os testes verificavam. [VERIFICAR: contagem de arquivos]
Esse trabalho não é difícil, apenas longo — exatamente o tipo de tarefa em que modelos anteriores perdiam o contexto, esqueciam por que uma fixture tinha determinado formato e “corrigiam” o que era intencional.
O Astra tem um recurso novo para esse cenário. No Codex, ele mantém notas entre as janelas de contexto em vez de compactar tudo em um único resumo, e as janelas anteriores continuam pesquisáveis. Ativamos a flag experimental em config.toml, iniciamos a execução às 23h e fomos dormir.
À 1h12, ele fez uma pergunta sem interromper o trabalho. O Codex permite que o Astra faça perguntas de forma assíncrona enquanto continua executando as partes independentes da resposta, conforme descrito pela OpenAI no lançamento.
A pergunta era se uma fixture usada em dois testes, com formatos diferentes, representava um bug ou uma escolha intencional. Era um bug. Quando respondemos pela manhã, o restante estava concluído, a suíte estava verde e o Astra havia deixado uma nota explicando quais dois arquivos não alterou e por quê. [VERIFICAR: tempo e resultado]
Isso não é apenas um chatbot. É um colega que trabalha durante a noite.
O que falhou
Duas coisas merecem atenção antes de você construir sobre o Astra.
1. Monitoramento de desalinhamento
A OpenAI está monitorando cada requisição de produção que usa ferramentas com o Astra. A empresa avisa que essas verificações podem “desacelerar, pausar ou interromper trabalhos legítimos”, inclusive tarefas executadas por agentes durante longos períodos.
Encontramos esse comportamento uma vez: uma execução longa via API Responses terminou sem resultado parcial. [VERIFICAR: o evento de parada]
No ChatGPT ou no Codex, você é solicitado a revisar a ação. Na API, a tarefa simplesmente termina. Portanto:
- crie checkpoints em execuções longas;
- implemente retry;
- nunca coloque uma tarefa de 40 minutos em um caminho sem recuperação.
2. O custo
O Astra custa US$ 10 por milhão de tokens de entrada e US$ 50 por milhão de tokens de saída. Prompts com mais de 272K tokens de entrada custam US$ 20 por milhão.
A execução com a especificação de 380.000 tokens custou aproximadamente US$ 7,60 apenas em tokens de entrada, antes de o modelo gerar qualquer saída. Uma segunda passagem custou cerca de um décimo disso, porque o prefixo foi armazenado em cache a US$ 2 por milhão. O modo rápido dobra todos os valores.
O custo é justificável para o resultado obtido, mas representa 2,5 vezes a taxa promocional do GPT-5.6 Sol, de US$ 4 por milhão de tokens de entrada e US$ 20 por milhão de tokens de saída. A diferença aparece rapidamente em um plano de equipe.
Descobrimos esses detalhes enviando requisições reais e lendo o bloco de uso. Por isso, configuramos primeiro um ambiente no Apidog, definimos gpt-6-astra como variável e adicionamos uma asserção em usage.input_tokens. É pouco empolgante, mas permite saber exatamente quanto cada execução custa.
Então, AGI?
A interpretação mais fácil seria: AGI é um benchmark; o Astra satura o ARC-AGI-3 com 99,9%; fim da discussão.
O número é real, mas tem uma ressalva. Ele foi alcançado com o harness adaptador com estado da OpenAI. Chamadas de API sem estado pontuam muito menos. A análise da DataCamp estima uma faixa de 17% a 63% no modo sem estado, dependendo do esforço.
Greg Brockman foi cuidadoso ao descrever o resultado. Em entrevista à Fortune, afirmou: “Não é irracional sentir que estamos agora na era da AGI” e considerou razoável chamar o Astra de primeiro modelo desse tipo.
A história mais importante não está na pontuação, mas no comportamento. Em dois dias, o Astra:
- leu um contrato que ninguém da equipe havia lido do início ao fim;
- encontrou inconsistências;
- escolheu uma ferramenta melhor do que aquela que fornecemos;
- trabalhou durante a noite;
- fez uma pergunta relevante;
- parou quando deveria.
Os números de alinhamento da OpenAI correspondem a essa experiência. No teste “honeypot”, criado após o incidente do Hugging Face, o Sol excedeu o alvo autorizado em 48% das vezes. O Astra fez isso em 0% das vezes e nunca tentou contornar uma negativa de autorrevisão do Codex.
Eu contestaria quem chama o Astra apenas de “um modelo melhor”. Modelos melhores dão respostas melhores. Este conclui tarefas.
Há, porém, uma ressalva importante — levantada pela própria OpenAI. O raciocínio escrito do Astra é mais difícil de monitorar do que o do Sol. Ele controla melhor sua cadeia de pensamento, fornece menos detalhes potencialmente incriminadores e, em testes adversariais, pode escapar dos monitores internos da OpenAI em algumas tarefas de sabotagem.
Não há evidência de esteganografia ou de que ele esconda o raciocínio em texto comum, mas a tendência é real e a OpenAI a reconhece claramente. O mesmo salto de capacidade colocou o Astra acima do limiar cibernético crítico da empresa.
O melhor modelo que já testamos também é o mais difícil de observar. Mantenha essas duas características em mente.
A AGI chegou em uma quinta-feira, e a primeira coisa útil que fez foi ler nossa documentação de API. A pergunta para o restante de nós é: nossas APIs estão prontas para o próximo leitor?
Top comments (0)