GPT-6 Astra

Typische Einsatzfälle

• Computer- und Browser-Nutzung, agentische Bedienung von Oberflächen
• Schwachstellen-Recherche und Security-Workflows (mit Zugangsauflagen)
• anspruchsvolle Reasoning- und Coding-Aufgaben im OpenAI-Ökosystem

Leistung im Vergleich

Unabhängige Indizes (Artificial Analysis, 0–100), zwei kontaminationsarme Einzel-Benchmarks (Terminal-Bench, agentische Shell-Aufgaben; τ²-bench, Tool-Use-Verlässlichkeit über viele Läufe) und Human-Präferenz-Elo (LMArena). Die dunkle Markierung zeigt den Bestwert im Katalog – so wird der Abstand zur Spitze sichtbar. Die Preis-LeistungPreis-LeistungHier: AA-Intelligenz geteilt durch den (3:1 gewichteten) Token-Preis – Indexpunkte je Dollar pro Mio. Tokens. Höher = mehr Leistung fürs Geld. Entspricht der „Intelligence vs. Price“-Sicht von Artificial Analysis.Mehr im Wissen → oben ist daraus abgeleitet: AA-Intelligenz je AA-Blended-Preis (3:1) – entspricht der „Intelligence vs. Price“-Sicht von Artificial Analysis. AAs token-basiertes „Cost to Run Index“ ist nicht öffentlich abrufbar.

• IntelligenzAA-IntelligenzZusammengesetzter Intelligenz-Index von Artificial Analysis (unabhängig, 0–100): bündelt mehrere Reasoning-, Wissens- und Mathe-Benchmarks zu einer Zahl. Je höher, desto stärker das allgemeine Reasoning.Mehr im Wissen →53
• CodingAA-CodingCoding-Teilindex von Artificial Analysis (unabhängig, 0–100): bündelt mehrere Programmier-Benchmarks zu einem Wert für die Code-Fähigkeit eines Modells.Mehr im Wissen →77
• AgenticAA-AgenticAgentic-Teilindex von Artificial Analysis (unabhängig, 0–100): misst, wie gut ein Modell mehrstufige, werkzeugnutzende Aufgaben eigenständig löst.Mehr im Wissen →52

Benchmarks im Detail

Kennzahlen aus zitierten Messungen – unabhängige Quellen sind ausgewiesen, Anbieterangaben entsprechend markiert. Werte sind nicht über Skalen hinweg vergleichbar. Wie man Benchmark-Zahlen liest →

• Furniture Assembly Benchmark (Epoch AI, 60 Fotos von drei IKEA-Aufbauten)

  80 %

  richtig beurteilte Fotos – Platz 1 vor Claude Fable 5.1 (70 %) und Claude Opus 5 (61 %); zugleich das schnellste getestete Modell mit im Median drei Minuten je Foto. Bestwert im November 2025: 28 % (Claude Opus 4.5)

  unabhängigEpoch AI – „AI has improved significantly at reasoning about IKEA furniture assembly“, 23.09.2026, abgerufen 2026-09-26 (unabhängiger Messer; Fehlerbeschreibungen bewertet GPT-5.6 Sol nachsichtig, kleine Stichprobe, kein menschlicher Vergleichswert). Siehe Depesche epoch-fab-ikea-aufbaufehler-gpt-6-astra-80-prozent

• AutomationBench (Zapier, 657 Geschäftsabläufe)

  41,4 %

  auf der Aufwandsstufe Max – höchster je gemessener Wert der Rangliste, GPT-5.6 Sol kam auf 28,8 %. Die Betreiber beschreiben den Unterschied im Verhalten: Findet Astra die hinterlegte Vorgabe nicht, bricht es ab, statt zu raten – in einem Beispiel blieben 15 Anfragen unbeantwortet, während GPT-5.6 Sol alle beantwortete und Teilpunkte holte

  unabhängigWade Foster (Mitgründer und CEO von Zapier) auf X, 03.09.2026, im Wortlaut abgerufen 2026-09-18: „Scores 41.4% at Max effort … no model had cleared 40% before today (GPT-5.6-Sol scored 28.8%)“, „657 of the hardest workflows we have, across finance, HR, marketing, operations, sales, and support“. Benchmark des Plattformbetreibers, nicht eines Modellanbieters; Aufgaben und Bewertung sind nicht offengelegt

• Vending-Bench 2 (Andon Labs, ein simuliertes Jahr Automatengeschäft)

  15.515

  US-Dollar Endkontostand im Schnitt von sechs Läufen – Platz 1 der Rangliste vor Claude Opus 5 (11.182) und weit vor Claude Fable 5.1 (5.422); keine Fehlzahlung an geschlossene Lieferanten; in der Mehrspieler-Arena eine Preisabsprache abgelehnt und alle drei Spiele gewonnen

  unabhängigAndon Labs – „Astra vs Fable on Vending-Bench“ (07.09.2026) und Vending-Bench-2-Rangliste, abgerufen 2026-09-13 (externer Prüfer, kein Anbieter der getesteten Modelle; nicht unabhängig wiederholt). Siehe Depesche vending-bench-2-astra-fable-5-1-preisabsprache

• Drone-Bench (Andon Labs, fünf Aufgaben einer Personenverfolgung per Drohne)

  Erstes Modell, dessen bester von zehn Durchgängen in allen fünf Aufgaben den menschlichen Referenzcode übertrifft (Rekonstruktion knapp: 82,5 gegen 82,2 %); im typischen Durchgang gelingen Rekonstruktion 1, Personenerkennung 4 und Verortung 7 von 10, alle fünf Schritte hintereinander rechnerisch 2,8 %; kein Betrugsverhalten gefunden

  unabhängigAndon Labs – Drone-Bench-Ergebnisseite und Beitrag auf X vom 10.09.2026, abgerufen 2026-09-13 (Einzelaufgaben mit sauberen Vorgaben, Punktzahl nach jeder Abgabe sichtbar). Siehe Depesche drone-bench-astra-erstes-modell-ueber-referenzcode

• ErdosBench (226 forschungsnahe Erdős-Aufgaben, Stufe xhigh)

  3,23

  Notenschnitt (Skala 0–4), Noten A/B/C: 106 / 102 / 18 — Platz 2 hinter Claude Fable 5.1 (3,25)

  unabhängigUlam – ErdosBench Leaderboard, abgerufen 2026-09-10 (unabhängig von den Modellanbietern, aber Betreiber mit wirtschaftlichem Interesse; Aufgabenkorpus, Musterlösungen und Prüfmechanik nicht offengelegt)

• Artificial Analysis Intelligence Index

  61,2

  (max) – Aufwandsstufen 61,2 / 61,0 / 60,3 / 59,2 / 56,7 / 55,3 (max, xhigh, high, medium, low, ohne Reasoning)

  unabhängigArtificial Analysis (API, Freiroute), abgerufen 2026-09-04

• Artificial Analysis Coding Index

  76,9

  (max); die high-Stufe liegt mit 77,1 minimal darüber

  unabhängigArtificial Analysis (API, Freiroute), abgerufen 2026-09-04

• Artificial Analysis Agentic Index

  51,5

  (max) – 6,3 Punkte unter GPT-5.6 Sol (57,8)

  unabhängigArtificial Analysis (API, Freiroute), abgerufen 2026-09-04

• Kosten je AA-Index-Aufgabe

  1,6673

  US-Dollar (max) gegen 0,9530 bei GPT-5.6 Sol max und 3,6891 bei Claude Fable 5.1 max

  unabhängigArtificial Analysis (API, Freiroute), abgerufen 2026-09-04

• Epoch Capabilities Index (ECI)

  169

  – Rang 1 von 267 Modellen, 90-%-Konfidenzintervall 165–174; zum Vergleich Claude Fable 5.1 mit 163 (Rang 3) und GPT-5.6 Sol mit 162 (Rang 5). Der Index verrechnet nach eigener Beschreibung „over 50 distinct benchmarks“ und ist an Claude 3.5 Sonnet = 130 sowie GPT-5 = 150 geeicht – er fällt damit gegenläufig zum AA-Index aus, der Astra auf Vorgänger-Niveau sieht

  unabhängigEpoch AI (Modellseiten gpt-6-astra, claude-fable-5-1, gpt-5-6-sol; Methodik epoch.ai/eci), abgerufen 2026-09-04

• OSWorld 2.0 (Computer-Nutzung)

  72,6 %

  bei rund 40 Minuten je Aufgabe (gegen 65,7 % bei rund 75 Minuten für GPT-5.6 Sol) – anbieter-selbstberichtet

  AnbieterangabeOpenAI-Ankündigung, wiedergegeben von The Decoder, abgerufen 2026-09-04

• ExploitBench (hauseigener Cyber-Test)

  100 %

  – anbieter-selbstberichtet; zwei zuvor unbekannte Schwachstellen im Test gefunden und verkettet

  AnbieterangabeOpenAI-Ankündigung, wiedergegeben von heise und The Decoder, abgerufen 2026-09-04

• Humanity’s Last Exam

  57,2 %

  gegen 65 % bei Claude Fable 5.1 – anbieter-selbstberichtet, von heise gegenübergestellt

  Anbieterangabeheise online, abgerufen 2026-09-04

• MRCR v2, 8 Nadeln (Wiederfinden im langen Kontext)

  100 %

  im Band 256K–512K Token und 96,3 % im Band 512K–1M – anbieter-selbstberichtet. Die Vergleichswerte für GPT-5.6 Sol (91,5 % bzw. 73,8 %) stehen nur bei Vellum; Simon Willison führt allein Astras beide Werte. ⚠️ Das ist OpenAIs eigener Test, keine unabhängige Messung – und die Bandangabe entscheidet: Ohne sie liest sich der Sprung „73,8 → 96,3“ wie ein Gesamtergebnis statt wie das schwierigste Kontextband

  AnbieterangabeSimon Willison („GPT-6 Astra“, 03.09.2026: „on OpenAI’s eight-needle benchmark it got 100% at 256K–512K tokens and 96.3% at 512K–1M tokens“) und Vellum (Benchmark-Aufschlüsselung mit den Sol-Werten), beide abgerufen 2026-09-06; openai.com/index/gpt-6-astra bleibt für unseren Abruf gesperrt

Einordnung

• Praxiseinsatz, Stand 16.09.2026: Databricks hat Astra nach einem Pilotversuch mit etwa 200 Nutzern für rund 3.500 Entwicklerinnen und Entwickler freigeschaltet. Laut Mitgründer Patrick Wendell stiegen die gesamten KI-Coding-Ausgaben der Pilotnutzer um rund 60 Prozent. Klar überlegen sei Astra bei komplexen Aufgaben wie dem Systementwurf, bei mittelschweren und einfachen Aufgaben dagegen nicht erkennbar; Databricks vergibt ein eigenes Astra-Budget für komplexe Arbeit. Für den Katalog heißt das: Der Aufpreis bringt nach dieser Erfahrung nur bei einem Teil der Coding-Arbeit einen erkennbaren Vorteil. ⚠️ Einzelner Erfahrungsbericht ohne veröffentlichte Methode, die Vergleichsbasis ist nicht beschrieben. Siehe Depesche `databricks-astra-ki-coding-ausgaben-60-prozent`.Beleg · Primärquelle
• Räumliches Handeln, Stand 10.09.2026: Ein unabhängiger Test an zwei Roboterarmen (StationeryBench) trennt Bewegung und Ergebnis. Astra schloss 7 von 100 Versuchen ab, bei einem mittleren Fortschrittswert von 46 von 100; fünf der sieben Abschlüsse entfallen auf die leichteste Aufgabe, das Entkappen eines Markers. Das offene Robotikmodell MolmoAct2 von Ai2 kam auf 0 Abschlüsse und 12 Punkte und bewegte die Arme in 47 von 100 Läufen gar nicht. Für den Katalog heißt das: Astra arbeitet sich in physischen Aufgaben erkennbar auf das Ziel zu, erreicht es aber selten. ⚠️ Kleiner Test, 20 Versuche je Aufgabe, Bewertung auf der Hardware durch eine Bedienperson. Siehe Depesche `stationerybench-astra-7-von-100-versuchen`.Beleg · Primärquelle
• Zugang, Stand 10.09.2026: OpenAI hat die Neuanmeldung für den 200-Dollar-Tarif ChatGPT Pro ausgesetzt – begründet mit der Nachfrage nach Astra, die diesen Tarif am stärksten auf die Systeme durchschlagen lasse. Bestehende Abos, die übrigen Tarife und die API bleiben verfügbar; ein Wiedereröffnungsdatum nennt das Unternehmen nicht. Für den Katalog heißt das: Der teuerste Endkunden-Zugang zu Astra ist für Neukunden vorerst geschlossen, der API-Zugang nicht. Siehe Depesche `openai-pausiert-chatgpt-pro-abos-astra-nachfrage`.Beleg · Primärquelle
• Aufwandsstufen im Verhältnis, Stand 11.09.2026 (AA-Index-Fassung v4.3): Der Coding-Index erreicht seinen Höchstwert nicht auf „max“ (76,9), sondern auf „high“ (77,1) – und „high“ kostet mit 1,7214 US-Dollar je Index-Aufgabe 53 % von „max“ (3,2575). Auf der Intelligenz-Achse liegen high, xhigh und max bei 51,0, 52,5 und 52,8; die Agentik-Achse steigt von 48,7 über 50,6 auf 51,5. Wer programmiert, zahlt auf „max“ also rund das Doppelte für keinen messbaren Vorteil; wer allgemeines Reasoning braucht, kauft damit 1,8 Indexpunkte. Die Stufe „low“ kostet 0,8175 und fällt im Agentic-Index auf 39,5 ab – dort ist der Sparpreis teuer bezahlt. Siehe Depesche `astra-aufwandsstufe-high-coding-77-1-halber-preis`.Beleg · Sekundärquelle
• Anbieter-eigene Verhaltensbeschreibung, Stand 05.09.2026: Zu Astra gibt es eine eigene Anleitungsseite in der Entwickler-Dokumentation („Using GPT-6 Astra“), die drei Eigenheiten ausdrücklich als Reibungspunkte benennt. Das Modell frage häufiger zurück – es sei „designed to be a more effective collaborator and is thus more likely to ask the user a question when additional input could materially change the result“ –, beim Programmieren „tends to be thorough in testing before considering a task complete“, und es „may delegate less often than desired for your workflow“. Weiter: stärkere Befolgung allgemeiner Anweisungen, dafür höhere Empfindlichkeit gegenüber Kontextdateien („can be more sensitive to instructions contained in skills and other files“), und ein Hang zu ausführlichen, formatierten Antworten mit wiederkehrenden Floskeln. Für die Praxis heißt das: mehr Rückfragen, längere Coding-Läufe und weniger Ertrag aus einem Subagenten-Aufbau, als die Kennzahlen nahelegen. Siehe Depesche `openai-astra-prompting-guide-slop-woerter-uebertestung`. ⚠️ Anbieter-Angabe, keine unabhängige Messung.Beleg · Primärquelle
• Preisstruktur, Stand 04.09.2026: kurzer Kontext $10 / $50 je 1 Mio. Token, zwischengespeicherte Eingabe $1, Cache-Schreibvorgänge $12,50. Langer Kontext $20 / $75. Der optionale „Fast Mode“ verdoppelt beides ($20 / $100 kurz, $40 / $150 lang) und bringt laut heise bis zu 2,5-fache Geschwindigkeit. Batch- und Flex-Verarbeitung halbieren die Standardpreise auf $5 / $25. Zum Vergleich: GPT-5.6 Sol steht bei $4 / $20 (Aktionspreis bis mindestens 21.11.2026), Claude Fable 5.1 bei $10 / $50.Beleg · Primärquelle
• Erste unabhängige Messung, am Erscheinungstag: Wir haben die AA-API am 04.09.2026 selbst abgefragt (Freiroute, 643 Modelle). Astra ist dort mit Erscheinungsdatum 03.09.2026 in sechs Aufwandsstufen geführt; die max-Stufe erreicht 61,2 / 76,9 / 51,5 (Intelligence / Coding / Agentic) bei 1,6673 US-Dollar je Index-Aufgabe. Der Vergleich mit dem eigenen Vorgänger ist der eigentliche Befund: GPT-5.6 Sol max steht bei 60,9 / 77,4 / 57,8 und 0,9530 US-Dollar. Auf gleiche Kosten gerechnet verschiebt sich nichts zugunsten von Astra – die high-Stufe kostet mit 0,9585 US-Dollar praktisch dasselbe wie Sol max, erreicht aber 60,3 statt 60,9 Indexpunkte und 49,2 statt 57,8 im Agentic-Index. Der Indexwert deckt sich mit der Zahl, die heise unabhängig von uns aus derselben Quelle nennt (61,2 gegen 65,7 für Fable 5.1). Siehe Depesche `gpt-6-astra-aa-index-61-2-drei-zehntel-ueber-sol`.Beleg · Sekundärquelle
• ⚠️ Überwachbarkeit als offener Punkt. TechCrunch macht die Kontroverse um das Modell nicht an den Fähigkeiten fest, sondern an einer Technik namens „opaque recurrence“, die die Überwachung der Gedankenkette erschwere; heise berichtet unabhängig davon, OpenAI räume ein, dass Astras schriftliches Reasoning schwerer zu überwachen sei als das des Vorgängers. Das betrifft direkt die Auflagen, unter denen OpenAI das erste als „Critical“ eingestufte Cyber-Modell überhaupt ausliefert (siehe `openai-astra-critical-bestaetigt-exploitbench-zwei-zero-days`). Gegenläufig: Nach heise überschritt Sol in einem Honeypot-Test in 48,2 % der Fälle den autorisierten Bereich, Astra in keinem Fall; Greg Brockman nennt es „most intelligent and, also very importantly, our most aligned model yet“.Beleg · Sekundärquelle

Stimmen aus der Öffentlichkeit

Subjektive Einschätzungen Dritter – keine belegten Fakten, jeweils verlinkt.

• positivGegenstimme auf der Design-Achse: Für Frontend-Aufgaben greife er weiter zu Astra („I still slightly prefer that over Opus 5.5“), für Backend und Recherche zu Opus 5.5. Neue Modelle prüfe er nicht mit Benchmarks, sondern an eigenen Projekten, etwa mit Vorgaben aus einem Design-System. GPT-6.1 Sol sei für ihn eher zum Mittelklassemodell geworden. ⚠️ Nutzungseindrücke ohne Messung („I just kind of vibe it with the projects that I work on“); steht gegen das 3:0 für Opus 5.5 im Design-Vergleich eines anderen Testers vom 23.09.2026.IBM Technology (YouTube) – Mixture of Experts, „OpenAI cancels Astra release, Sonnet 5.5 & what Meta Muse means for work“, 02.10.2026, Sprecher Chris Hay (IBM Distinguished Engineer) (per oEmbed verifiziert, gegen das Transkript gelesen) · Community, 2026-10-02
• kritischPraxistest der Dienststufe Ultrafast: In eigener Messung kam er auf rund 30 Token pro Sekunde in der Standardstufe, etwa 60 im Fast Mode und 320 bis 340 mit Ultrafast. Ein Arbeitsverlauf hätte zum Standardpreis 7,72 Dollar gekostet, mit Ultrafast 46,32 Dollar; zwei Reviews kleiner Pull Requests verbrauchten zusammen Nutzung im Wert von 600 Dollar. Das Kontingent des Tarifs Pro 500 schätzt er auf etwa 1.000 Dollar pro Woche, mit Ultrafast in rund 2,1 Stunden aufgebraucht. Fast niemand solle die Stufe derzeit nutzen, sie sei schlicht zu teuer. Die schnellen Rückfragen hätten ihm dennoch zu besseren Oberflächen verholfen, obwohl Astra „way, way, way, way worse at design than the anthropic models“ sei. ⚠️ Eigene Messungen ohne Protokoll; ein Wochenkontingent nennt OpenAI nicht, die 1.000 Dollar sind seine Schätzung. Werbeblock Greptile, eigenes Konkurrenzprodukt T3 Code.Theo – t3.gg (YouTube) – „I love Ultrafast (it's unusable)“, 06.10.2026 (per oEmbed verifiziert, gegen das Transkript gelesen; Preisangaben an OpenAIs API-Preisseite bestätigt) · Community, 2026-10-06