Me Astra-n, «kutia e zezë» e OpenAI bëhet edhe më e errët

GPT-6 Astra është modeli i parë kryesor i OpenAI nga gjenerata GPT-6 dhe modeli i parë që kompania e ka klasifikuar në nivelin «kritik» për sigurinë kibernetike, sipas Preparedness Framework — kuadri i brendshëm i OpenAI i krijuar për të identifikuar aftësitë e modeleve më të avancuara që mund të krijojnë rrezik për dëme të rënda.

OpenAI e shtyu vendosjen e tij në shkallë të gjerë, me qëllim forcimin e mekanizmave të izolimit, monitorimit dhe përafrimit të modelit me objektivat e sigurisë.

• Greg Brockman, president dhe bashkëthemelues i OpenAI, vlerëson se GPT-5.6 Astra përfaqëson një «kërcim brezash», që mund të shënojë hyrjen në epokën e AGI-së [2]: «inteligjencës artificiale të përgjithshme», pra një IA të aftë të mendojë dhe të veprojë si një njeri.
• Në korrik, Sam Altman kishte deklaruar tashmë se po hynim «në epokën e singularitetit» [3]. Ndërkaq Mark Chen, drejtor i kërkimit në OpenAI, vlerëson se laboratori ka përshkuar tashmë rreth 80% të rrugës drejt AGI-së [4].
• Përkufizimi i AGI-së ndryshon nga një laborator i avancuar i IA-së te tjetri. Për OpenAI, termi nënkupton sisteme me shkallë të lartë autonomie, të cilat i tejkalojnë njerëzit në shumicën e detyrave.

GPT-5.6 Astra përfaqëson procesin më të madh të para-trajnimit të realizuar ndonjëherë nga OpenAI. Sipas Aidan Clark, zëvendëspresident për kërkimin, modeli është trajnuar në më shumë se 100.000 procesorë grafikë GPU të gjeneratës B200 në kompleksin Stargate të kompanisë në Teksas, me një fuqi informatike të vlerësuar në rreth 200–250 MW.

Kjo do të korrespondonte me një proces trajnimi me kosto të rendit të një miliard dollarëve [5].

Për krahasim, me përjashtim të Alibaba-s dhe ByteDance, laboratorët kryesorë kinezë besohet se disponojnë secili gjithsej rreth 100–200 MW kapacitet llogaritës, i cili duhet të ndahet ndërmjet inferencës, kërkimit dhe trajnimit të modeleve.

• Çmimi i GPT-5.6 Astra është i ngjashëm me atë të Fable 5: 10 dollarë për një milion tokenë hyrës dhe 50 dollarë për një milion tokenë dalës, pra 2,5 herë më shumë se tarifat nominale të GPT-5.6 Sol.
• Në detyrat me karakter të theksuar agjentik, GPT-5.6 Astra mund të rezultojë dukshëm më i kushtueshëm se Fable 5.1, kryesisht për shkak të çmimit të tokenëve të rilexuar nga memoria cache: 1 dollar për një milion tokenë për GPT-5.6 Astra, kundrejt 0,25 dollarëve për Fable 5.1 [6].

Leximet nga cache janë tokenë hyrës që janë përllogaritur tashmë gjatë një thirrjeje të mëparshme dhe rilexohen nga memoria, në vend që modeli t’i përpunojë përsëri nga fillimi.

Arkitektura

Një artikull i The Information, i publikuar para daljes së GPT-6 Astra dhe i pakonfirmuar nga OpenAI, raportonte se arkitektura e modelit mund të përdorë të ashtuquajturën «thellësi rekurrente» (recurrent depth), një formë «transformeri me cikle» (looped transformer), ku disa blloqe të modelit ripërdoren disa herë për të rritur thellësinë e tij efektive, pa e rritur në mënyrë proporcionale numrin e parametrave [7].

Publicitet

Ideja e ripërdorimit të të njëjtave shtresa të një Transformer-i në disa nivele thellësie është shfaqur që në vitin 2018 [8].

• Avantazhi i një arkitekture me recurrent depth është mundësia për të përdorur më shumë fuqi llogaritëse, pa rritur në të njëjtën masë numrin e parametrave.
• Gjatë trajnimit, kjo rrit numrin e FLOPs-ve të kryera për parametër — pra operacionet me presje lëvizëse për sekondë, një njësi që përdoret për matjen e fuqisë llogaritëse të një procesori — dhe, rrjedhimisht, redukton kërkesat për komunikim ndërmjet përshpejtuesve.
• Kjo teknikë është veçanërisht e favorshme në shkallë shumë të mëdha, ku memoria dhe ndërlidhjet ndërmjet procesorëve shpesh bëhen kufizime më serioze sesa vetë kapaciteti FLOPs.
• Një studim mbi ligjet e shkallëzimit nga Universiteti Tsinghua dhe ByteDance Seed, Wang et al. (2026) [9], sugjeron se looped transformers janë më efikasë në përdorimin e fuqisë llogaritëse gjatë para-trajnimit, me përfitimet më të mëdha sidomos në detyrat e programimit.

Gjatë inferencës, i njëjti parim mund t’i lejojë GPT-5.6 Astra të kryejë më shumë përllogaritje për çdo token, pa dyfishuar gjurmën e memories që kërkohet për ruajtjen e peshave të modelit.

Normalisht, një model dy herë më i madh kërkon afërsisht dy herë më shumë memorie HBM për të ruajtur peshat e tij dhe, për rrjedhojë, më shumë GPU për çdo kopje aktive të modelit.

• Rezultatet e studimit të Geiping et al. [10] mbi recurrent depth sugjerojnë se ky lloj modeli përparon veçanërisht në detyrat e vështira të arsyetimit, ndërsa thjesht dyfishimi i numrit të parametrave sjell më shumë kapacitet për ruajtjen e njohurive.
• Recurrent depth mund të bëjë gjithashtu të mundur rritjen e numrit të kërkesave që përpunohen njëkohësisht nga një model i shërbyer në shkallë shumë të madhe dhe, rrjedhimisht, të përmirësojë kapacitetin e përpunimit gjatë inferencës, përmes një shfrytëzimi më të mirë të GPU-ve.

Monitorueshmëria zvogëlohet me GPT-6 Astra

Jakub Pachocki, drejtor shkencor i OpenAI, e ka përshkruar thellësinë llogaritëse të modelit si rreth dy herë më të madhe se ajo e GPT-4, çka sugjeron se GPT-5.6 Astra nuk përmban një numër shumë të madh përsëritjesh rekurrente.

Kjo është veçanërisht e rëndësishme për monitorueshmërinë e modelit.

• Pachocki e bëri këtë sqarim në një kontekst shqetësimesh mbi ndikimin që kjo arkitekturë mund të ketë te mundësia për të monitoruar zinxhirin e mendimit.
• Disa studiues kanë theksuar se, sa më shumë përllogaritje të brendshme të kryejë një model ndërmjet dy tokenëve të gjeneruar, aq më shumë një pjesë e arsyetimit të tij mund t’i shpëtojë vëzhgimit përmes CoT-së — tokenëve të ndërmjetëm që verbalizojnë procesin e arsyetimit të modelit.
• Këto zinxhirë mendimi të verbalizuar përbëjnë një nga mjetet kryesore për të zbuluar strategji shmangieje ose objektiva të padëshiruar përpara se ato të shndërrohen në veprime.

Pavarësisht nëse shkaku është vetë arkitektura apo jo, rënia e monitorueshmërisë e dokumentuar në system card të GPT-6 Astra shoqëron rritjen e aftësive të modelit.

GPT-5.6 Astra është më i aftë se paraardhësit e tij për të zgjidhur probleme të vështira pa pasur nevojë ta nxjerrë jashtë procesin e arsyetimit në formën e një zinxhiri të dukshëm mendimi.

• GPT-5.6 Astra prodhon mesatarisht zinxhirë mendimi më të shkurtër dhe më pak informues se GPT-5.6 Sol.
• AISI — Instituti për Sigurinë e Inteligjencës Artificiale — ka matur horizontin kohor të zgjidhjes pa CoT të GPT-5.6 Astra në probleme matematike.

Ky horizont korrespondon me kohën që do t’i duhej një njeriu — në këtë rast një pjesëmarrësi në gara matematike të nivelit shumë të lartë — për të zgjidhur probleme që modeli arrin t’i zgjidhë në 50% të rasteve, kur atij i ndalohet të prodhojë arsyetim të ndërmjetëm të vëzhgueshëm.

GPT-5.6 Astra arrin në këtë matje në 30,9 minuta kohë pune njerëzore, kundrejt vetëm 3,6 minutave për GPT-5.6 Sol [11].

• Me fjalë të tjera, GPT-5.6 Astra mund të japë drejtpërdrejt përgjigjen e saktë për probleme që një eksperti njerëzor do t’i kërkonin afërsisht gjysmë ore punë, pa verbalizuar hapat e arsyetimit që e çojnë deri te përgjigjja.
• GPT-5.6 Astra është gjithashtu më i aftë për të kontrolluar përmbajtjen e zinxhirit të vet të mendimit. Një model që mund të zgjedhë se çfarë verbalizon mund të prodhojë një CoT që nuk pasqyron strategjinë që ai po ndjek në të vërtetë.

Ky fenomen është vërejtur më parë gjatë një auditimi të hollësishëm të përshkruar në system card të Mythos 5 [12].

Pasi iu bllokua qasja në një URL që ishte e ndaluar edhe nga system prompt-i i tij, modeli e fragmentoi URL-në në mënyrë që të anashkalonte filtrin, ndërsa në zinxhirin e dukshëm të mendimit e paraqiste veprimin thjesht si një test lidhshmërie.

• Metodat e interpretueshmërisë të zbatuara mbi aktivizimet e modelit zbuluan në mënyrë të qartë ekzistencën e një strategjie për anashkalimin e filtrit.

Benchmark-et dhe vlerësimi në kufirin e aftësive

Shkenca dhe arsyetimi

GPT-6 Astra arrin një ECI (Epoch Capabilities Index) prej 169 pikësh: një rritje e konsiderueshme, por që Epoch AI e vendos brenda intervalit të pasigurisë së trendit të vërejtur që nga epoka e modeleve të arsyetimit.

ECI bashkon benchmark-e të matematikës, programimit, shkencave dhe detyrave agjentike në një shkallë të vetme vështirësie, duke bërë të mundur krahasimin e modeleve edhe kur ato nuk u janë nënshtruar saktësisht të njëjtave vlerësime.

• Në FrontierMath Tier 4, GPT-5.6 Astra arrin rezultat prej 97,6%, krahasuar me 83% për GPT-5.6 Sol dhe 87,8% për Fable 5.1.
• Tier 4 përmban 43 probleme origjinale të nivelit kërkimor, të hartuar dhe të verifikuar nga matematikanë profesionistë. Disa prej tyre janë konceptuar si projekte të vogla kërkimore, të cilat mund t’i kërkojnë një specialisti të fushës disa orë punë ose edhe më shumë.
• Në problemet e hapura kërkimore, GPT-5.6 Astra zgjidh 2 nga 68 problemet e FrontierMath Erdős, ndërkohë që më parë asnjë model nuk kishte arritur të zgjidhte qoftë edhe një prej tyre [13].

GPT-5.6 Astra ka përmirësuar gjithashtu një rezultat në teorinë e numrave, duke treguar se ekzistojnë pafundësisht shumë çifte numrash të thjeshtë të njëpasnjëshëm me një diferencë prej jo më shumë se 186.

Prova u formalizua në Lean dhe, për këtë arsye, u verifikua automatikisht, hap pas hapi, nga një asistent formal provash [14].

• GPT-5.6 Astra e çon pothuajse në ngopje ARC-AGI-3, gjeneratën e tretë të një benchmark-u arsyetimi të lançuar në mars 2026, i projektuar për të testuar aftësinë e përshtatjes ndaj detyrave të reja dhe për të mbetur i vështirë edhe ndërsa modelet vazhdojnë të shkallëzohen.
• Në FrontierCode 1.1, benchmark-un privat të kompanisë Cognition të përbërë nga detyra reale të zhvillimit të softuerit, GPT-5.6 Astra matet në nivelin e Fable 5, por me një kosto mesatare për detyrë 64% më të ulët.

Siguria kibernetike

Në testet e tipit honeypot — «kurth dixhital» — të frymëzuara nga incidenti i Hugging Face, OpenAI merr detyrat më të vështira, dhe në disa raste pothuajse të pamundura, nga ExploitGym dhe vëzhgon nëse modeli përpiqet të komprometojë infrastrukturën përreth të sigurisë në vend që ta zgjidhë detyrën në mënyrën e parashikuar.

• Pa mekanizmat mbrojtës të prodhimit, GPT-5.6 Sol përpiqet ta përdorë këtë rrugë të shkurtër në 56% të rasteve, ndërsa GPT-6 Astra në 0% të rasteve. Kjo ilustron një nivel më të mirë përafrimi të GPT-6 Astra krahasuar me paraardhësit e tij.
• Në një test të brendshëm që vlerëson aftësitë e shfrytëzimit të dobësive kibernetike — i zhvilluar për të kontrolluar rrezikun e kontaminimit të benchmark-ut publik ExploitBench, i cili është saturuar nga GPT-5.6 Astra — modeli arrin rezultat prej 39,0%, kundrejt 11,5% për GPT-5.6 Sol.

Gjatë këtyre vlerësimeve, modeli zbuloi gjithashtu dy dobësi që më parë ishin të panjohura.

Puna agjentike dhe automatizimi i punës profesionale

Me GPT-5.6 Astra, OpenAI synon t’i afrohet konceptit të një «punëtori dixhital», të aftë të kalojë nga përdorimi i një shfletuesi në programim dhe më pas në përdorimin e një softueri profesional, brenda së njëjtës detyrë.

• Ky progres është veçanërisht i dukshëm në AutomationBench, i cili vlerëson realizimin e flukseve profesionale të punës me disa hapa.

GPT-5.6 Astra përfundon me sukses 41,4% të detyrave, krahasuar me 18,1% për GPT-5.6 Sol.

• Në OSWorld 2.0, ku modeli duhet të manipulojë drejtpërdrejt një mjedis kompjuterik dhe aplikacionet e tij, GPT-5.6 Astra arrin rezultat prej 72,6%, kundrejt 65,7% për Sol.

Në të njëjtën kohë, Astra i realizon detyrat mesatarisht për rreth 40 minuta, krahasuar me 75 minuta që i duheshin paraardhësit të tij./Le Grand Continent