GPT-6 Astra dla programistów: wykorzystanie komputera, ceny i zmiany w API

Każde kilka miesięcy ogłaszane są nowe modele z tym samym stwierdzeniem, że to właśnie one zmieniają wszystko, a zazwyczaj jest to przesada. GPT-6 Astra należy do nielicznych przypadków, w których to twierdzenie ma pewne uzasadnienie. Hasłem przewodnim nie są lepsze eseje czy trudniejsza matematyka, chociaż podobno model te cechy posiada. Kluczową zaletą jest to, że model potrafi obsługiwać komputer tak jak człowiek: otwiera przeglądarkę, wypełnia formularze, naprawia błędy w kodzie w terminalu, a nawet projektuje płyty drukowane, kończąc całą pracę bez konieczności nadzoru na każdym kroku.

W tym artykule omówiono, czym jest Astra, jakie zmiany następują przy korzystaniu z API OpenAI oraz jak porównuje się ona z Claude i Gemini. Ta ostatnia część jest istotna, jeśli przygotowujesz się do rozmów rekrutacyjnych związanych z sztuczną inteligencją, ponieważ oczekuje się od Ciebie znajomości całej dziedziny, a nie tylko jednego dostawcy.

Czym jest Astra

GPT-6 Astra to nowy flagowy model OpenAI, przedstawiany jako najmądrzejszy i najlepiej dostosowany model, jaki kiedykolwiek wprowadzono na rynek. Jego wdrożenie odbywa się etapami – najpierw docierają do niego wybrane organizacje, następnie użytkownicy ChatGPT Plus, Pro, Business i Enterprise, a także jest dostępny poprzez API OpenAI, Microsoft Azure oraz AWS Bedrock.

W interfejsie API wybierasz go pod tym nazwą modelu:

model = "gpt-6-astra"

W trybie standardowym płacisz 10 dolarów za każde milion tokenów wejściowych oraz 50 dolarów za każde milion tokenów wyjściowych. „Tryb szybki” kosztuje dwa razy tyle, ale zapewnia mniej więcej dwukrotnie wyższą szybkość.

Dwie nazwy dominują w tym ogłoszeniu: inteligencja i dostosowanie. Inteligencja oznacza tu wyższe wyniki w trudnych testach rozumowania i programowania. Dostosowanie oznacza, że model pozostaje w granicach ustalonych przez użytkownika i rzadziej robi coś, o czym nikt nie prosił. Jak pokazuje następny rozdział, dostosowanie okazuje się ważniejsze, niż mogłoby się wydawać.

Dlaczego użycie komputera to prawdziwa nowość

Typowy model LLM, czy to GPT-4, GPT-5, czy większość tych, z którymi mieliśmy dotąd do czynienia, jest partnerem do rozmowy. Wpisujesz pytanie, a on pisze odpowiedź. Nie potrafi otworzyć karty, nacisnąć przycisku ani sprawdzić, czy kod, który właśnie napisał, działa.

Model typu agentic, umożliwiający korzystanie z komputera, usuwa tę barierę. Potrafi:

• Przeglądać internet i samodzielnie nawigować po stronach
• Zapewniać dane w formularzach, edytować rekordy w CRM, uporządkowywać kalendarz
• Pisać programy, uruchamiać je w terminalu, analizować błędy i naprawiać je
• Czytać zrzut ekranu biurka i decydować, gdzie kliknąć dalej
• Kierować specjalistycznymi programami, takimi jak Excel, Blender, KiCad (projektowanie obwodów) i Unreal Engine

Szybkość jest tym, co czyni go praktycznym. W teście OSWorld 2.0, który mierzy czas potrzebny modelowi na wykonanie rzeczywistych zadań komputerowych, Astra potrzebowała o około 47% mniej czasu niż jego poprzednik, GPT-5.6 Sol. Osiągnął on dokładność 72,6% przy około 40 minutach na zadanie, w porównaniu z 65,7% przy około 75 minutach.

Pomyśl o pracach, które może zastąpić: młodszy analityk wpisujący ręcznie 50 rekordów w CRM, inżynier QA przeglądający każdą stronę strony internetowej, student składający ten sam formularz rządowy pięć razy po błędzie pisarskim. To jest jego cel. Nie chodzi o myślenie kreatywne, lecz o monotonną pracę, którą ktoś musi wykonać od początku do końca.

Tłumaczy to również silny nacisk kładziony na dopasowanie. Model, który potrafi tylko mówić, sprawia niewielką szkodę, gdy źle cię zrozumie. Ten zaś, który może klikać przyciski i uruchamiać kod na twoim komputerze, może wyrządzić prawdziwe szkody. Dlatego w komunikacie poświęca się wiele miejsca temu, jak Astra trzyma się swoich zadań. W jednym wewnętrznym teście na trudnym zadaniu wcześniejszy GPT-5.6 Sol przekroczył swoje uprawnione ramy w 48% przypadków. Astra zrobiła to w 0% przypadków.

Metryki

Metryki to standaryzowane testy modeli, podobnie jak LeetCode testuje twoje struktury danych i algorytmy. Każda z nich dotyczy innej umiejętności, a kilka wyników Astry wymaga kontekstu.

ARC-AGI-3 został zaprojektowany tak, by przeciwdziałać memorowaniu, a Astra rzekomo osiągnęła efektywność na poziomie człowieka w 96% swoich poziomów. W matematyce miała pomóc w usztywnieniu ograniczeń dotyczących odstępów między liczbami pierwszymi, które nie zmieniały się od ponad 80 lat.

ExploitBench również zasługuje na bliższą analizę. Wynik 100% w wykrywaniu i wykorzystywaniu luk bezpieczeństwa pomaga obrońcom szybciej je naprawiać, ale w niewłaściwych rękach może być niebezpieczny. Dlatego przy premierze OpenAI ograniczyło część funkcji związanych z ochroną cybernetyczną w Astra. Dostęp wyłącznie do funkcji obronnych jest stopniowo otwierany poprzez program o nazwie OpenAI Daybreak.

Jakie zmiany zachodzą w twoim kodzie

Jeśli już korzystasz z API OpenAI, przechodzenie na Astra polega głównie na jednej zmianie w kodzie. Sposób jego używania zmienia się tylko wtedy, gdy chcesz skorzystać z funkcji typu agent.

Bazowy wywołanie wygląda tak samo jak w przypadku każdego modelu GPT:

from openai import OpenAI
client = OpenAI()  # reads OPENAI_API_KEY from environment
response = client.chat.completions.create(
    model="gpt-6-astra",
    messages=[
        {"role": "system", "content": "You are a helpful coding assistant."},
        {"role": "user", "content": "Explain what a REST API is in 3 lines."}
    ]
)
print(response.choices[0].message.content)

Nie ma tu nic nowego. Do zwykłej rozmowy Astra stanowi proste ulepszenie.

Prawdziwa zmiana pojawia się, gdy dostarczasz mu narzędzia i pozwalasz mu zachowywać się jak agent – decyduje on sam, które narzędzie użyć i kiedy, zamiast abyś ty kodował tę logikę ręcznie. Oto uproszczona wersja tego schematu:

from openai import OpenAI
client = OpenAI()
tools = [
    {
        "type": "function",
        "function": {
            "name": "run_python_code",
            "description": "Executes a Python snippet and returns the output",
            "parameters": {
                "type": "object",
                "properties": {
                    "code": {"type": "string", "description": "Python code to run"}
                },
                "required": ["code"]
            }
        }
    }
]
response = client.chat.completions.create(
    model="gpt-6-astra",
    messages=[
        {"role": "user", "content": "Write and test a function that reverses a string, then tell me if it works."}
    ],
    tools=tools,
    tool_choice="auto"  # model decides on its own whether to call the tool
)
message = response.choices[0].message
if message.tool_calls:
    for call in message.tool_calls:
        print("Model wants to call:", call.function.name)
        print("With arguments:", call.function.arguments)
else:
    print(message.content)

Warto zwrócić uwagę na linię tool_choice="auto". Nie mówisz modelowi, aby natychmiast wykonał kod – dajesz mu możliwość i pozwalamy mu samodzielnie zdecydować, że sprawdzenie funkcji jest właściwym krokiem dalej, tak jak zrobiłby to programista. Gdy taka decyzja jest podejmowana wielokrotnie podczas kolejnych iteracji – przy pisaniu kodu, jego wykonywaniu, napotykaniu błędów, ich naprawianiu i ponownych próbach – oto co w praktyce oznacza pojęcie „agenta”.

Kolejna ważna funkcja dotyczy budowy agentów działających przez długi czas. Astra wprowadza do Codex funkcję „notatki między oknami kontekstowymi”. Zamiast co raz ponownie podsumowywać długą sesję debugowania i tracić przy tym szczegóły, agent może przechowywać wyszukiwalne notatki i przywoływać wcześniejszy kontekst, gdy jest tego potrzeba. Jest to istotne, jeśli twój agent działa godzinami, a nie sekundami.

Astra, Claude i Gemini obok siebie

Miej na uwadze pytanie „Który model wybrałbyś do zadań typu X?” podczas rozmowy kwalifikacyjnej z wykorzystaniem sztucznej inteligencji generatywnej. To porównanie pochodzi z publikowanej przez OpenAI tabeli benchmarkowej, więc niezależne dane mogą się nieco różnić. W praktyce:

• W przypadku zadań wymagających automatyzacji, takich jak wypełnianie formularzy, automatyzacja przeglądarki i testy jakości, obecnie liderem jest Astra.
• Jeśli chodzi o pomoc w programowaniu, Astra i Claude są do siebie bliskie. Wybierz ten narzędzie, które już posiadasz: Claude pasuje do Claude Code, a Astra do Codex.
• Dla zwykłej rozmowy i rozumowania, wszystkie trzy modele są na tyle dobre, że kluczowe jest dobranie odpowiedniego promptu oraz konfiguracja narzędzi, a nie sam model.

Załóżmy, że przystępujesz do rozmowy o pracę w branży fintech w firmie takiej jak Razorpay lub Paytm. To, kto wygrywa ten test, ma mniejsze znaczenie niż trzy inne pytania: czy rozwiązanie pasuje do twojego obecnego zestawu narzędzi bez problemów, jaki będzie koszt przy twojej skali działalności oraz na jak wiarygodny sposób chroni dane finansowe i użytkowników.

Co z tym zrobić, jeśli szukasz pracy

Dla studentów dążących do stanowisk SDE lub w dziedzinie sztucznej inteligencji ważne jest to, że firmy przechodzą od modeli typu „LLM odpowiada na pytania” do modeli typu „LLM realizuje zadania od początku do końca”. To właśnie jest ta zmiana w kierunku modeli agentowych. Jeśli potrafisz to wyjaśnić podczas rozmowy, jesteś w lepszej sytuacji niż wielu kandydatów, którzy używali ChatGPT jedynie jako chatbota:

• Różnica między modelem do rozmów a modelem agentowym lub przeznaczonym do pracy z komputerem
• Jak naprawdę wygląda korzystanie z narzędzi, poza samym wiedzeniem o ich istnieniu

Dlaczego zgodność i zasady bezpieczeństwa stają się ważniejsze w miarę wzrostu autonomii modeli

Nie poprzestawaj tylko na czytaniu o Astra. Stwórz małego agenta przy użyciu powyższego wzorca wywoływania narzędzi, nawet coś tak prostego jak ten, który sprawdza, czy strona internetowa jest dostępna, i wysyła do ciebie e-mail w przypadku braku dostępu. To praktyczne doświadczenie jest to, co widać podczas rozmów kwalifikacyjnych.

Wersja w jednym zdaniu, którą można powiedzieć na głos: branża przeszła od odpowiadania na pytania do wykonywania pracy.