GPT-6 Astra для розробників: використання комп’ютера, ціноутворення та зміни в API.

Кожні кілька місяців оголошуються нові моделі з тим самим твердженням про те, що вони все змінюють, причому це зазвичай перебільшення. GPT-6 Astra — один із рідкісних випадків, коли це твердження має певну підставу. Головною перевагою не є кращі есе чи складніша математика, хоча, за повідомленнями, модель дійсно досягає обох цих результатів. Справжня перевага полягає у тому, що модель може керувати комп’ютером так само, як це робить людина: відкривати браузер, заповнювати форми, виправляти помилки в коді в терміналі, навіть проектувати друковані плати та завершувати всю роботу без контролю з боку когось на кожному етапі.

У цій статті розглядається, що таке Astra, які зміни відбуваються при використанні API OpenAI, та як вона порівнюється з Claude та Gemini. Остання частина має велике значення, якщо ви готуєтесь до співбесід з приводу штучного інтелекту, адже від вас очікується знання всієї галузі, а не лише одного постачальника.

Що таке Astra

GPT-6 Astra — це новий флагманський продукт OpenAI, який пропонується як найрозумніший та найкраще налаштований модель, яку компанія коли-небудь випускала. Його впровадження відбувається поетапно: спочатку отримують доступ обрані організації, потім користувачі ChatGPT Plus, Pro, Business та Enterprise, а також він доступний через API OpenAI, Microsoft Azure та AWS Bedrock.

У API його можна вибрати за цією назвою моделі:

model = "gpt-6-astra"

У стандартному режимі ви платите 10 доларів за кожен мільйон вхідних токенів та 50 доларів за кожен мільйон вихідних токенів. „Швидкий режим“ коштує вдвічі більше, але забезпечує приблизно вдвічі вищу швидкість.

У цьому оголошенні домінують два поняття: інтелект та налаштування. Інтелект означає вищі бали у складних тестах на логічне мислення та програмування. Налаштування означає, що модель дотримується встановлених вами обмежень та менш схильна до відхилень, які можуть призвести до виконання дій, про які ніхто не просив. Як покаже наступний розділ, налаштування має значно більше значення, ніж здається.

Чому використання комп’ютера — це справжні новини

Типовий LLM, чи то GPT-4, GPT-5, чи більшість моделей, з якими ви мали справу досі, є партнером для спілкування. Ви вводите запитання, а він — відповідь. Він не може відкрити вкладку, натиснути кнопку чи перевірити, чи правильно працює код, який щойно написав.

Модель з агентними можливостями та здатністю до використання комп’ютера усуває цю перешкоду. Вона може:

• Переглядати Інтернет та самостійно навігувати по сайтах
• Надсилати форми, редагувати дані в CRM, організовувати календар
• Писати програми, виконувати їх у терміналі, аналізувати помилки та їх усувати
• Читати скріншот вашого робочого столу та вирішувати, де натиснути далі
• Керувати спеціалізованим програмним забезпеченням, таким як Excel, Blender, KiCad (розробка схем) та Unreal Engine

Саме швидкість робить його практичним. У тесті OSWorld 2.0, який вимірює час, необхідний для виконання реальних комп’ютерних завдань, Astra виконав їх приблизно на 47% швидше, ніж його попередник GPT-5.6 Sol. Він досяг точності 72,6% за приблизно 40 хвилин на завдання, порівняно з 65,7% за приблизно 75 хвилин.

Уявіть собі роботу, яку він замінює: молодший аналітик, який вручну вводить 50 записів у CRM, інженер з перевірки якості, який проглядає кожну сторінку сайту, студент, який п’ять разів пересилає одну й ту саму державну форму через помилку. Ось ціль. Це не творче мислення, а просто нудна робота, яку хтось мусить виконати від початку до кінця.

У ньому також пояснюється сильний акцент на узгодженості. Модель, яка може лише розмовляти, майже не завдає шкоди, якщо неправильно вас зрозуміє. А модель, яка може натискати кнопки та виконувати код на вашому пристрої, може завдати справжньої шкоди. Тому у оголошенні приділяється багато уваги тому, що Astra дотримується меж своїх завдань. Під час одного внутрішнього тесту на складному завданні попередня версія GPT-5.6 Sol перевищувала свої дозволені обмеження у 48% випадків. Astra ж цього не робила жодного разу.

Бенчмарки

Бенчмарки — це стандартизовані тести для моделей, подібно до тестів LeetCode на знання структур даних та алгоритмів. Кожен з них оцінює різну навичку, і кілька показників Astra потребують контексту.

ARC-AGI-3 розроблений так, щоб протидіяти запам’ятовуванню, і, за повідомленнями, Astra досягла рівня ефективності людини на 96% своїх рівнів. У математиці, за повідомленнями, вона допомогла звузити межі для розривів між простими числами, які не змінювалися протягом понад 80 років.

ExploitBench також заслуговує уважнішого розгляду. 100%-ний результат у виявленні та експлуатації критичних вразливостей допомагає захисникам швидше виправляти проблеми, але в неправильних руках це може бути небезпечно. Саме тому під час запуску OpenAI обмежила деякі функції кібербезпеки Astra. Доступ лише для захисту поступово відкривається через програму під назвою OpenAI Daybreak.

Що змінюється у вашому коді

Якщо ви вже використовуєте API OpenAI, перехід на Astra — це переважно зміна одного рядка коду. Спосіб використання змінюється лише тоді, коли ви хочете скористатися функціями агента.

Базовий виклик виглядає так само, як і для будь-якої моделі 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)

Тут немає нічого нового. Для звичайного чату Astra є простим оновленням.

Справжні зміни виникають тоді, коли ви надаєте йому інструменти та дозволяєте йому поводитися як агент, вибираючи, який інструмент використати та коли, замість того щоб ви самі кодувати цю логіку. Ось спрощена версія такої структури:

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)

Важливою є рядок tool_choice="auto". Ви не наказуєте моделі виконувати код прямо зараз. Ви надаєте їй можливість та дозволяєте їй самостійно вирішити, чи є тестування функції наступним правильним кроком, як це робив би розробник. Якщо поєднати такі рішення протягом багатьох ітерацій — коли модель складає код, виконує його, стикається з помилкою, її виправляє та пробує знову — то це і є практичним значенням терміна „агентний підхід“.

Ще одна важлива функція — це можливість створення довготривалих агентів. Astra додає до Codex функцію „нотатки між вікнами контексту“. Замість того, щоб постійно узагальнювати результати тривалих сеансів відлагодження та щоразу втрачати деталі, агент може зберігати пошукові нотатки та отримувати доступ до попереднього контексту, коли це потрібно. Це особливо корисно, якщо агент працює годинами, а не секундами.

Astra, Claude та Gemini поруч

У інтерв’ю з технологіями генеративного ШІ можна очікувати запитання «Який модель ви б обрали для X?». Це порівняння базується на власній таблиці бенчмарків OpenAI, тому незалежні показники можуть трохи відрізнятися. У практичному плані:

• Для агентних робочих процесів у комп’ютерах, таких як заповнення форм, автоматизація браузера та тестування якості, наразі лідирує Astra.
• Для допомоги з програмуванням Astra та Claude майже однакові. Вибирайте залежно від інструментів, які у вас вже є: Claude підходить до Claude Code, а Astra — до Codex.
• Для звичайного чатування всі три моделі достатньо якісні, тож ваша робота з формулюванням запитів та налаштування інструментів мають більше значення, ніж сама модель.

Припустимо, ви проходите співбесіду на посаду у сфері фінтеху в такій компанії, як Razorpay чи Paytm. Те, хто перемагає у цьому змаганні, має менше значення, ніж три інші питання: чи підходить цей інструмент до вашої поточної технологічної структури без проблем, як виглядатимуть витрати при вашому обсязі роботи та наскільки надійно він дотримується правил при роботі з грошима та даними користувачів.

Що робити з цим, якщо ви шукаєте роботу

Для студентів, які прагнуть отримати посаду SDE чи працювати з технологіями генеративного ШІ, важливо те, що компанії переходять від концепції „LLM відповідає на запитання“ до концепції „LLM виконує завдання повністю“. Це і є перехід до агентних моделей. Якщо ви зможете пояснити це під час співбесіди, ви будете випереджати багатьох кандидатів, які використовували ChatGPT лише як чат-бота:

• Різниця між чат-моделлю та агентною чи комп’ютерно-орієнтованою моделлю
• Як насправді відбувається використання інструментів, окрім простого знання про їх існування

Чому вирівнювання та захисні механізми стають ще важливішими, коли моделі стають більш автономними

Не обмежуйтеся лише читанням про Astra. Створіть невеликий агент за вищенаведеною схемою виклику інструментів, навіть щось просте, наприклад такий, який перевіряє, чи працює веб-сайт, і надсилає вам електронний лист, якщо цього не відбувається. Саме такі практичні навички проявляються під час співбесід.

Одноречева версія, яку можна сказати вголос: індустрія перейшла від відповідей на запитання до виконання роботи.