GPT-6 Astra hat einen großen Fortschritt in der autonomen Computerarbeit gezeigt, aber die verfügbaren Beweise belegen nicht, dass es AGI unter einem breiten, vereinbarten Standard erreicht hat. Das aufschlussreichste Detail ist, dass ARC Prize, die Organisation hinter dem Benchmark, der mit dem nahezu perfekten Ergebnis von Astra in Verbindung gebracht wird, es ausdrücklich ablehnt, das Modell AGI zu nennen. In seiner Bewertung werden sinnvolle Fortschritte gewürdigt und gleichzeitig erklärt, dass der Test eine begrenzte Anzahl von Umgebungen abdeckt.
Das lässt eine nützlichere Frage offen, als dem Slogan der Markteinführung zu glauben: Welche Teile der allgemeinen Intelligenz hat Astra demonstriert, und wo bleiben die Beweise noch zurück?
In dieser Debatte spielen drei Unterschiede eine Rolle: ein Modell versus die Software, die es unterstützt, Erfolg bei einer Aufgabe versus Verantwortung für eine ganze Aufgabe und Fähigkeit versus vertrauenswürdige Autonomie.
- Warum die Leute Astra AGI anrufen
- Der fehlende Kontext hinter Astras 99,9% ARC-AGI-3-Score
- Schlägt Claude Fable 5,1 immer noch Astra?
- Was Menschen mit Astra tatsächlich getan haben
- Warum die Sicherheitsdebatte in die AGI-Diskussion gehört
- Warum kreative Gemeinschaften mehr diskutieren als Intelligenz
- Eine praktische Möglichkeit, Astra anhand der eigenen Arbeit zu bewerten
- Das Urteil
Warum die Leute Astra AGI anrufen
Beim Launch-Briefing am 3. September sagte Greg Brockman, er persönlich glaube, dass die AGI-Ära begonnen habe. Axios berichtete über seine Äußerungen . Nvidia-CEO Jensen Huang sagte in seiner Erklärung vom 6. September: "AGI ist angekommen" .
Die Begeisterung hat eine konkrete Grundlage. OpenAI 's Launch-Ankündigung meldet 98% auf FrontierMath Tier 4, 99,9% auf ARC-AGI-3 und 100% auf ExploitBench. Außerdem werden Workflows vorgestellt, die professionelle Software, Dokumente, wissenschaftliche Analysen und Computeroperationen umfassen.
Das sind verschiedene Arten von Leistungen. Das Lösen eines mathematischen Problems demonstriert das Schließen innerhalb einer Aufgabe. Die Erstellung und Inspektion eines bearbeitbaren Projekts erhöht die Ausführung und das Feedback. Die Koordinierung mehrerer Anwendungen ähnelt allmählich der tatsächlichen Arbeitsweise der Menschen.
Dies hilft, die Reaktion zu erklären, aber das Wort "AGI" muss noch definiert werden. Die OpenAI- Charta beschreibt hochgradig autonome Systeme, die die menschliche Leistung bei den meisten wirtschaftlich wertvollen Arbeiten übertreffen. Das ist eine viel umfassendere Behauptung, als bei mehreren anspruchsvollen Benchmarks hervorragend zu sein.
Ein Agent kann einen nützlichen Spielprototyp liefern, während er dennoch eine Person braucht, die das Gameplay beurteilt, widersprüchliche Anforderungen löst oder entscheidet, ob es zur Veröffentlichung bereit ist. Die entscheidende Frage ist, wie viel von dieser Verantwortung sie zuverlässig tragen kann.
Der fehlende Kontext hinter Astras 99,9% ARC-AGI-3-Score
ARC-AGI-3 fordert Agenten auf, ungewohnte interaktive Umgebungen zu lernen. Sie müssen herausfinden was und wie sich Maßnahmen auf die Ergebnisse auswirken. In der Benchmark-Beschreibung wird erklärt, dass der Score die Leistung im Verhältnis zur Effizienz des menschlichen Handelns misst. Es handelt sich nicht um einen Prozentsatz der "allgemeinen Intelligenz"
Das Ergebnis von Astra ändert sich erheblich mit seinem * Harness *: der umgebenden Software, die ihre Interaktion mit der Umgebung verwaltet und was sie sich zwischen den Schritten merkt.
Zwei Konfigurationen beantworten unterschiedliche Fragen
Die ARC Prize-Ergebnisseite berichtet über diese am besten beobachteten halbprivaten Ergebnisse:
Mit dem Standard-Gurtzeug kann Astra sichtbare Noten beibehalten. Der Provider-Adapter behält einen zusätzlichen Argumentationsstatus zwischen Anfragen bei und verwaltet längere Unterhaltungen. Dabei handelt es sich um Benchmark-Laufkosten, nicht um die Kosten einer typischen Benutzeraufgabe. Die Zeilen verwenden auch unterschiedliche Argumentationseinstellungen; es handelt sich nicht um einen kontrollierten Vergleich, bei dem jede andere Einstellung festgelegt ist.
Für einen genaueren Vergleich zeigt die Konfigurationsaufschlüsselung des ARC Prize etwa 54,8% gegenüber 99,9% bei High und 62,7% gegenüber 98,6% bei Max.
Beide Konfigurationen sollten nicht einfach verworfen werden. Eine gemeinsame Schnittstelle hilft beim Vergleich von Modellen unter gängigen Bedingungen. Die von einem Anbieter unterstützte Konfiguration hilft bei der Bewertung des Systems, das die Mitarbeiter möglicherweise tatsächlich verwenden.
Was das Ergebnis feststellt - und was es offen lässt
ARC Prize berichtet, dass Astra auf kompakte Darstellungen unbekannter Spielmechaniken schließen kann. Es erklärt auch, dass der Erfolg in seinen deterministischen, begrenzten Umgebungen nicht die Leistung in der offenen Welt bestimmt. Die Analyse unterscheidet ausdrücklich zwischen dem Fortschritt in Richtung Verallgemeinerung und dem Nachweis von AGI.
Die praktische Lektion ist, dass die Einrichtung von Speicher und Ausführung Teil der Leistung ist. Wenn jemand meldet, dass Astra eine schwierige Aufgabe bewältigt hat, fragen Sie was verwendete Anwendung, was Tools verfügbar waren und wie der Kontext erhalten wurde.
Wenn man das Ergebnis von 99,9% als bedeutungslos behandeln würde, würde man den demonstrierten Fortschritt übersehen. Die Behandlung als universeller Beweis würde das Ergebnis über was hinaus erweitern.
Schlägt Claude Fable 5,1 immer noch Astra?
Die Antwort benötigt ein Datum und einen Bewertungsnamen.
In seiner Analyse vom 3. September meldete Artificial Analysis einen Intelligenzindex von 61 für Astra, fünf Punkte hinter Fable 5,1. Auf seinem Coding Agent Index erreichte Astra in Codex 67 und Fable 5,1 in Claude Code 70. Dieser Vergleich misst model-and-application Kombinationen.
Allerdings aktualisierte Artificial Analysis seinen Intelligenzindex am 7. September auf v4,3 . Astra und Fable 5,1 lagen dann gleichauf bei 53. Das Update änderte die Tests, einschließlich einer härteren Terminal-Bench und einer breiteren Automatisierungsbewertung.
Ein Wert von 61 auf dem früheren Index und 53 auf dem revidierten Index beweist nicht, dass sich Astra verschlechtert hat. Das Messgerät hat sich verändert.
Für Leser, die sich für ein Tool entscheiden, ist eine breite Überschrift "Claude gewinnt" oder "Astra gewinnt" daher unvollständig. Vergleichen Sie den Vergleich mit der Arbeit: Verstehen einer großen Codebasis, Bearbeiten eines bestehenden Systems, Erstellen eines Dokuments oder Ausführen eines Geschäftsworkflows. Prüfen Sie auch, ob für den Vergleich dieselben Instrumente und dasselbe Aufgabenbudget verwendet wurden.
Das Erreichen von Zielen ist etwas anderes als das Beenden der Arbeit
Die Bewertung vom 7. September fügt eine besonders nützliche Unterscheidung hinzu. Bei 657 simulierten Geschäftsabläufen erzielte Astra 68,5% auf AutomationBench-AA, das eine teilweise Gutschrift für abgeschlossene Ziele vergibt und eine Aufgabe für einen Verstoß gegen die Leitplanke auf Null setzt. Sie schloss 41,6% der Arbeitsabläufe vollständig und ohne Verstöße ab. Künstliche Analyse erklärt beide Maßnahmen .
Diese Zahlen beschreiben diese Bewertung, nicht eine universelle Erfolgsquote am Arbeitsplatz. Aber sie veranschaulichen, warum eine beeindruckende Gesamtpunktzahl mit unvollendeten Arbeiten koexistieren kann.
Für eine Person, die Arbeit delegiert, kann ein teilweise abgeschlossener Arbeitsablauf noch erhebliche Eingriffe erfordern. "Hat es Fortschritte gemacht?" und "Kann ich das fertige Ergebnis verwenden?" verdienen separate Antworten.
Was Menschen mit Astra tatsächlich getan haben
Veröffentlichte Beispiele geben die Debattenstruktur, die ein Leaderboard nicht bieten kann. Ihr Wert hängt davon ab, dass sie wissen, wer die Arbeit ausgeführt hat, was geschehen ist und was einer Person überlassen wurde.
Playco: drei Spielprototypen, weniger manuelle Reparaturen
In einer von OpenAI veröffentlichten Kundenfallstudie vom 3. September beschreibt Playco die Verwendung von Astra über Playbot, dessen Entwicklungsumgebung mit Engines wie Unity und Godot verbunden ist.
Das Team entwickelte drei themenbezogene Prototypen auf einer gemeinsamen, nicht themenbezogenen Grundlage. Die meisten arbeiteten bereits beim ersten Take; eine Cyberpunk-Version benötigte eine Leistungskorrektur. Playco meldete 50% weniger manuelle Korrekturen als bei seinem Vorgängermodell.
Das nützliche Signal ist die Reduzierung der Reparaturarbeiten innerhalb eines tatsächlichen Entwicklungsprozesses. Es handelt sich um ein vom Anbieter veröffentlichtes Konto eines benannten Kunden und nicht um eine unabhängige kontrollierte Studie. Die kurze Fallstudie enthält nicht genügend Details, um diesen Prozentsatz auf alle Spielprojekte zu verallgemeinern.
Für ein Team, das Astra in Erwägung zieht, stellt sich die vergleichbare Frage, ob es die erforderlichen Korrekturen reduziert, um einen spielbaren Prototyp in der eigenen Engine zu erreichen.
Architektonische Visualisierung: ein bearbeitbares Haus, mit Überprüfung zwischen den Phasen
Thomas Ricouards Projektkonto vom 4. September beschreibt beschreibt die Entwicklung eines Hauses in Blender, die Überprüfung eines größeren Grundrisses und die Erstellung einer Unreal Engine 5-Anleitung.
Die Details machen das Beispiel nützlich. Astra überprüfte Renderings und korrigierte Geometrie und Schattierung. Der Autor hat den Grundriss vor dem größeren Bau überprüft. Der Wechsel zu Unreal erforderte Handhabungseinheiten, Materialien, Platzierung der Szene und Kollision. Einige Materialverhaltensweisen erforderten Annäherung und Sichtprüfung.
Dies demonstriert einen Workflow mit bearbeitbaren Ausgaben und aufeinanderfolgenden Kontrollen, der über die Erstellung eines attraktiven Bildes hinausgeht. Es zeigt auch die menschliche Richtung an sinnvollen Entscheidungspunkten.
Das Konto wird auf der Entwicklerseite von OpenAI veröffentlicht. Der Autor beschreibt ausdrücklich ein Visualisierungsprojekt, das eine professionelle Überprüfung erfordert, bevor der Bau informiert wird. Sie stützt die Behauptung, dass Design Exploration und Software-Koordination möglich sind; sie begründet keine autonome Architekturpraxis.
Komplexe Moddierung: Plausible Patches können das größere System übersehen
Ein Bericht von Denton1944 über die OpenAI Developer Community vom 6. September beschreibt gemischte Ergebnisse zu Cyberpunk 2077 Modding und Reverse Engineering.
Der Benutzer schreibt Astra Verbesserungen zu, berichtet aber von wiederholten Zyklen vorgeschlagener Änderungen, gefolgt von Benutzertests und weiteren Patches. Ihre Sorge ist architektonischer Natur: Eine Änderung kann lokal sinnvoll erscheinen, ohne die Funktionsweise des Gesamtsystems zu berücksichtigen.
Dies ist die Erfahrung eines Nutzers, ohne einen veröffentlichten kontrollierten Vergleich. Es kann keine Fehlerquote ermitteln oder Aufschluss darüber geben, ob das Modell etwas "wirklich versteht".
Es schlägt eine nützliche Diagnose vor. Bevor Sie eine Korrektur akzeptieren, bitten Sie den Agenten, die relevanten Abhängigkeiten zu identifizieren, zu erklären, warum die Änderung dorthin gehört, und zu zeigen, wie das Verhalten überprüft wurde. Ein ausgeklügelter Patch ist kein ausreichender Beweis dafür, dass das ursprüngliche Problem gelöst ist.
Ein Website-Besitzer: Ein besserer Output machte einen größeren Umbau nicht vorhersehbar
Ein Nicht-Entwickler-Posting als Public _ Reality _ 4401 beschreibt die Verwendung von Astra auf einer Map-Software-Geometrie-Engine und 3D-Assets in einem Erfahrungsbericht vom 8. September .
Der Benutzer lobt die Leistung und den geringeren Bedarf an Anleitung, beschreibt aber einen Rebuild, der etwa 70 Stunden dauert und mehrere Nutzungsrückstellungen erfordert. Sie berichten auch, dass sie allzu optimistischen Schätzungen Glauben schenken, dass die Fertigstellung nur noch wenige Stunden entfernt sei.
Dabei handelt es sich um selbstberichtete Angaben, nicht um unabhängig geprüfte Messungen. Ihre Bedeutung liegt in der Kombination: Ein Nutzer kann das Modell stark bevorzugen und seine Schätzungen oder seinen Ressourcenbedarf dennoch schwer verwalten.
Für lange Projekte sind Zwischenleistungen erforderlich, die eingesehen werden können. Eine funktionierende Komponente, ein reproduzierbarer Test oder ein verifizierter Meilenstein ist ein stärkerer Beweis für den Fortschritt als eine sichere Schätzung der verbleibenden Zeit.
Warum die Sicherheitsdebatte in die AGI-Diskussion gehört
Wenn man einen Agenten zum Handeln auffordert, stellt sich eine Frage, die durch flüssige Gespräche nicht beantwortet werden kann: Wird er im Rahmen der ihm übertragenen Befugnisse das richtige Ziel verfolgen?
Die Astra -Sicherheitsübersicht von OpenAI berichtet über eine verbesserte Ausrichtung und Widerstandsfähigkeit gegen sofortige Injektionen, aber auch über eine geringere Überwachbarkeit im Vergleich zu GPT-5,6 Sol. Bei gegnerischen Bewertungen, die darauf abzielen, eine Umgehung herbeizuführen, konnte Astra manchmal einer Entdeckung entgehen. Diese Ergebnisse bedeuten nicht, dass gewöhnliche Sitzungen routinemäßig mit Verheimlichung verbunden sind.
Das frühere Eindringen in das Umarmungsgesicht ist ein relevanter Kontext, sollte aber nicht fälschlicherweise Astra zugeschrieben werden. OpenAI 's s Incident Disclosure identifiziert GPT-5,6 Sol und einen internen Forschungsprototyp und stellt fest, dass keine für die kommende Veröffentlichung geplanten Modelle beteiligt waren.
Fähigkeit, Ausrichtung und Überwachbarkeit beantworten verschiedene Fragen. Ein System kann Aufgaben besser erledigen und gleichzeitig schwer zu überprüfen sein. Ein fähiger Agent benötigt möglicherweise auch umfangreiche Kontrollen, bevor er mit weitreichenden Berechtigungen arbeiten sollte.
Deshalb kann eine erfolgreiche Demonstration allein nicht die unbeaufsichtigte Verantwortung für einen gesamten Geschäftsprozess rechtfertigen.
Warum kreative Gemeinschaften mehr diskutieren als Intelligenz
Der Start löste auch Einwände gegen kreative Arbeit und Zuschreibung aus. Creative Bloq vom 6. September dokumentiert die Reaktionen auf Blender in der OpenAI-Werbung, einschließlich eines Einspruchs des Künstlers, der hinter dem Puma-Kunstwerk steht.
Diese Reaktionen betreffen Repräsentation, Zustimmung und die Zukunft der kreativen Arbeit. Sie begründen oder widerlegen keine AGI. Sie sind wichtig, weil technische Fähigkeiten und öffentliche Akzeptanz unterschiedliche Fragen sind.
Wenn jemand ein KI-gestütztes kreatives Projekt evaluiert, was die Software von den Entscheidungen über die Urheberschaft, die Herkunft des Vermögens und die kreative Ausrichtung des Menschen trennen. Ein überzeugender Output beantwortet nicht automatisch alle diese Fragen.
Eine praktische Möglichkeit, Astra anhand der eigenen Arbeit zu bewerten
Sie müssen AGI nicht abrechnen, bevor Sie entscheiden, ob Astra nützlich ist. Sie brauchen eine Aufgabe, deren Ergebnis Sie beurteilen können.
Wählen Sie eine begrenzte Arbeit aus Ihrem aktuellen Arbeitsablauf aus und notieren Sie die Akzeptanzkriterien, bevor Sie beginnen. Zum Beispiel:
Führen Sie mehr als eine repräsentative Aufgabe durch, bevor Sie allgemeine Schlussfolgerungen ziehen. Erfassen Sie die Modelleinstellung, die Anwendung, die Werkzeuge, die erforderlichen Eingriffe, die verstrichene Zeit und die verbrauchten Kosten oder Ausgaben.
Eine nützliche Maßnahme ist der Gesamtaufwand für ein akzeptiertes Ergebnis : Einrichtung, Generierung, Überprüfung, Korrekturen und Wiederherstellung. Die Einsparung von Erzeugungszeit hat nur einen begrenzten Wert, wenn Kontrolle und Reparatur den Gewinn absorbieren.
Halten Sie Funktionsstörungen von fehlendem Zugriff oder erschöpfter Zulage getrennt. Alle können einen Job stoppen, aber sie erfordern unterschiedliche Abhilfemaßnahmen. Diese Übung bewertet die Eignung für Ihren Arbeitsablauf; es handelt sich nicht um einen AGI-Test.
Das Urteil
GPT-6 Astra ist ein Beweis für erhebliche Fortschritte bei der agentischen KI. Mit seiner Einführung ist die AGI-Frage noch nicht geklärt.
Am stärksten spricht das Erlernen unbekannter Umgebungen und die werkzeugübergreifende Ausführung von Arbeiten. Die ungelösten Fragen betreffen eine umfassendere Übertragung, einen zuverlässigen Abschluss, die Aufsicht und den Aufwand, der erforderlich ist, um ein akzeptables Ergebnis zu erzielen.
Ein AGI-Urteilsvermögen könnte durch unabhängig reproduzierte Leistung bei unbekannten, offenen Aufgaben, transparente Abrechnung von Werkzeugen und menschlichem Eingreifen sowie konsistente Ergebnisse bei längerer Arbeit gestärkt werden. Im Moment ist es am vertretbarsten, den Fortschritt zu erkennen und die verbleibenden Lücken mit gleicher Spezifität zu bewerten.