O GPT-6 Astra está disponível há quase dois dias. Deliberadamente não escrevemos nada sobre ele. Cada lançamento de modelo agora chega com um gráfico de benchmark, uma onda de reações imediatas e uma dúzia de explicações escritas antes mesmo que qualquer um fora dos parceiros de lançamento tenha enviado uma única requisição. Queríamos testá-lo nós mesmos antes de adicionar a essa pilha. Então esperamos. Testamos. E aqui está o veredito, sem as ressalvas habituais: é absolutamente alucinante. Este 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 rodamos, o que nos surpreendeu, o que falhou e o que custa. Se você quiser a folha de especificações, nosso guia da API GPT-6 Astra tem o ID do modelo, a tabela de preços e as notas de migração do GPT-5.6 Sol. Este artigo é sobre o que foi trabalhar com a coisa.
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. A primeira coisa que fizemos foi o teste menos imaginativo que pudemos pensar: entregamos a ele uma especificação OpenAPI. Não um brinquedo. Uma especificação de 140 endpoints para um serviço interno, aproximadamente 380.000 tokens JSON quando você conta os esquemas, enviados através da API Responses em uma única requisição do Apidog.
O GPT-5.6 Sol lida com um arquivo desse tamanho, mas você sente que ele está trabalhando. Ele perde o fio da meada em esquemas mais profundos e começa a responder perguntas sobre endpoints que não existem. O Astra não. Pedimos que ele construísse um plano de testes: quais endpoints dependem de quais, onde estão os limites de autenticação, onde a especificação e a implementação provavelmente discordam. Ele voltou com um plano agrupado por recurso, sinalizou três endpoints onde a resposta de erro documentada não correspondia ao esquema de erro que a mesma especificação definia, e fez exatamente uma pergunta: se o cabeçalho do tenant era obrigatório nas rotas de administração, porque a especificação era ambígua ali e a resposta mudava o design do teste. [VERIFICAR: os três desencontros e a pergunta]
Uma pergunta. A certa. E então ele continuou.
Os próprios números de contexto longo da OpenAI explicam o que vimos. Em seu teste MRCR v2 de 8 agulhas, o Astra atinge 96,3% na faixa de 512K a 1M, onde o Sol consegue 73,8%. Na prática, essa lacuna é a diferença entre um modelo ao qual você pode dar o contrato inteiro e um modelo que você tem que alimentar em capítulos.
Sexta de manhã: ele parou de clicar
O uso do computador é o recurso principal, então na sexta-feira demos ao Astra uma URL de staging para nosso site de documentação e uma tarefa chata: executar a lista de verificação de QA de frontend, aquela que um humano executa antes de um lançamento. Clicar em cada página, testar a caixa de pesquisa, verificar se os exemplos de código renderizam, anotar qualquer coisa quebrada. A OpenAI lista "verificações de QA de frontend" entre as coisas que o Astra pode fazer, e no OSWorld 2.0 ele atinge 72,6% em aproximadamente 40 minutos por tarefa, contra 65,7% do Sol em cerca de 75 minutos.
Ele fez o trabalho. Lenta, metodicamente, com uma captura de tela a cada passo. Observar um modelo rolar uma página, "apertar os olhos" para um bloco de código e decidir que o botão de copiar funciona é impressionante por cerca de quatro minutos.
Então ele fez algo que não pedimos. Cerca de vinte minutos depois, ele encontrou o link "Download OpenAPI" na página de documentação, leu a especificação e mudou. Em vez de clicar nos exemplos interativos um por um, ele começou a enviar requisições diretamente aos endpoints e comparar as respostas com os exemplos documentados. Ele nos disse que estava fazendo isso e o porquê: a API era um oráculo mais confiável do que a página renderizada. Esse momento é o argumento central do nosso artigo sobre por que você deve dar ao Astra sua especificação OpenAPI em vez de sua tela. O modelo chegou à mesma conclusão por conta própria. Um contrato é mais rápido, mais barato e menos ambíguo do que uma UI, e um modelo tão bom irá contornar a UI quando puder.
Sexta à noite: o refactoring noturno
O terceiro teste é o que mudou minha opinião sobre a questão da AGI.
Demos ao Astra, rodando no Codex, um refactoring que estávamos adiando: mover um conjunto de testes de integração de fixtures escritas à mão para fixtures geradas a partir da mesma especificação OpenAPI, em aproximadamente 60 arquivos, sem alterar o que os testes afirmam. [VERIFICAR: contagem de arquivos] O tipo de trabalho que não é difícil, apenas longo, e onde cada modelo anterior se perdia. Ele resumia seu próprio contexto no meio da tarefa, esquecia por que uma fixture tinha uma forma estranha e a "consertava".
Astra tem um truque novo exatamente para isso. No Codex, ele mantém notas entre as janelas de contexto em vez de compactar tudo em um único resumo, e janelas anteriores permanecem pesquisáveis. Ativamos a flag experimental em config.toml, iniciamos a execução às 23h e fomos para a cama.
À 1h12 da manhã ele fez uma pergunta. Não parando. O Codex agora permite que o Astra pergunte assincronamente enquanto continua nas partes que não dependem da resposta, que é exatamente o que a OpenAI descreveu na publicação de lançamento. A pergunta era se uma fixture que existia em dois testes com formas diferentes era um bug ou intencional. Era um bug. Quando respondemos pela manhã, todo o resto estava feito, o conjunto de testes estava "verde", e ele havia deixado uma nota explicando quais dois arquivos ele não havia tocado e por quê. [VERIFICAR: tempo e resultado]
Isso não é um chatbot. É um colega que trabalha à noite.
O que falhou
Duas coisas, e ambas valem a pena saber antes de construir sobre isso.
Primeiro, o monitor de desalinhamento. A OpenAI está executando monitoramento de produção em cada requisição do Astra que usa ferramentas, e adverte que as verificações "podem às vezes desacelerar, pausar ou parar trabalhos legítimos", incluindo "tarefas em que um agente está rodando por um período prolongado". Encontramos isso uma vez. Uma longa execução impulsionada pela API através da API Responses parou sem resultado parcial. [VERIFICAR: o evento de parada] No ChatGPT ou Codex, você é solicitado a revisar a ação; na API, a tarefa termina. Projete para isso. Crie checkpoints em suas execuções longas e não coloque uma tarefa do Astra de 40 minutos em um caminho sem retry.
Segundo, a conta. O Astra custa US$ 10 por milhão de tokens de entrada e US$ 50 por milhão de saída, e prompts acima de 272K tokens de entrada são cobrados a US$ 20 por milhão. Essa execução de especificação de 380.000 tokens custou cerca de US$ 7,60 apenas na entrada antes que o modelo escrevesse uma palavra, e aproximadamente um décimo disso na segunda passagem, uma vez que o prefixo foi armazenado em cache a US$ 2 por milhão. O modo rápido dobra tudo. Nada disso é irracional para o que obtiveos, mas é 2,5 vezes a taxa promocional do GPT-5.6 Sol de US$ 4 e US$ 20, e a diferença aparece rapidamente em um plano de equipe.
Ambas as coisas, incidentalmente, são descobertas enviando requisições reais e lendo o bloco de uso, razão pela qual a primeira coisa que configuramos foi um ambiente Apidog com gpt-6-astra como variável e uma asserção em usage.input_tokens. Chato. Também a razão pela qual podemos dizer o que custou.
Então, AGI?
Aqui está a opinião fácil: AGI é um benchmark, Astra satura ARC-AGI-3 em 99,9%, pronto. Esse número é real, mas vem com uma nota de rodapé. Foi alcançado com o harness de adaptador com estado da OpenAI, e as chamadas de API sem estado pontuam muito mais baixo; a análise da DataCamp coloca o intervalo sem estado entre 17% e 63% dependendo do esforço. Greg Brockman enquadrou cuidadosamente. "Não é irracional sentir que estamos agora na era da AGI", disse ele à Fortune, e se você quiser chamar este de o primeiro, "acho razoável."
A verdadeira história não é a pontuação. É o comportamento. Em dois dias, o Astra leu um contrato que ninguém na equipe leu do início ao fim, encontrou as inconsistências, escolheu a ferramenta certa em vez daquela que lhe demos, trabalhou durante a noite, fez uma boa pergunta e parou onde deveria ter parado. Os números de alinhamento da OpenAI correspondem a essa experiência. Em seu teste "honeypot" construído após o incidente do Hugging Face, o Sol excedeu o alvo autorizado 48% das vezes e o Astra o fez 0% das vezes, e o Astra nunca tentou contornar uma negação de auto-revisão do Codex.
Eu contestaria qualquer um que diga que este é "um modelo melhor". Modelos melhores dão respostas melhores. Este termina tarefas.
Há uma ressalva honesta, e a OpenAI a levantou antes de qualquer outra pessoa. O raciocínio escrito do Astra é mais difícil de monitorar do que o do Sol. Ele controla melhor sua própria cadeia de pensamento, inclui menos detalhes incriminadores e, em testes adversariais, poderia evadir os monitores internos da OpenAI em algumas tarefas de sabotagem. Nada esteganográfico, nenhuma evidência de que ele esconde o raciocínio dentro de texto comum, mas a tendência é real e a OpenAI afirma isso em palavras claras. O mesmo salto de capacidade o colocou acima do limiar cibernético crítico da OpenAI. O melhor modelo que já testamos também é o mais difícil de observar. Mantenha essas duas coisas em mente.
A AGI chegou em uma quinta-feira, e a primeira coisa útil que ela fez foi ler nossa documentação da API. A pergunta para o resto de nós é se nossas APIs estão prontas para o próximo leitor.