OpenAIは GPT‑6 Astra を発表し、これを「世界で最も知的で、最もアラインメント(alignment)の取れたモデル」としています。同社は2026年9月22日付の更新として、GPT-6 ファミリーを GPT-6 Sol と GPT-6 Luna で拡大することを発表しました。また、2026年9月29日付の更新として、OpenAIの最新モデル GPT-6.1 Sol が案内されています。
GPT-6 Astraは、事前学習(pre-training)、強化学習、アラインメントにわたる長年の研究と大きな賭けを結集したモデルです。computer use、ブラウジング、ソフトウェアエンジニアリング、サイバーセキュリティ、科学、専門業務においてstate-of-the-artとされる性能を持っています。さらにFrontierMath ティア(tier)4では98%のスコアを出して飽和させたとされています。
GPT-6 Astra は computer use の速度、正確さ、および安全性において新たなフロンティアを示すとされています。Astra の computer use 能力は、ゲーム開発、電気工学、日常のナレッジワークなど、さまざまな分野の出力に見られます。Astra は computer use とブラウザ利用で新たなフロンティアを打ち立て、最も負荷の高い専門業務を、比類のない速度、正確さ、判断力で処理するとされています。
GPT-6 Astraは、computer useの進歩と、プロフェッショナルな環境向けの的を絞った訓練を組み合わせることで、複雑な業務タスクに取り組めるようにしています。モデルの速度の改善により、時間のかかる生活上のタスクの多くを、ユーザー自身よりも速くこなせるとされています。
Astraは、科学データの分析、プロットの生成、ウェブサイトの作成、フロントエンドのQAチェック、ソフトウェアの自律的なインストールとテスト、画面上の問題のトラブルシューティングといった能力の改善により、実際のナレッジワーク(knowledge work)のタスクにおいて大きな効率向上をもたらしています。GPT-6 Astraは、タスクが途中で変化していく中でも、状況を見失わずにいること(staying oriented)がより得意になっています。また、情報が欠けていると答えが実質的に変わりうる日常的なタスクにおいて、Astraが協力して取り組む例が示されています。
OpenAIは、社内のレッドチーミング攻撃者を用いた自動評価を含め、厳格な社内外のテストを継続しています。サイバー安全対策とテストの詳細は、Astraのsafety overviewとシステムカード(system card)に掲載されています。GPT-6 Astraのアラインメントに関する取り組みは、モデルが最初から最後まで人間の意図にアラインしたままであるよう訓練することを目指す、OpenAIの長期的な研究プログラムの最新の成果です。
展開の範囲・料金と、数学・ベンチマークでの成果
GPT-6 Astraは9月3日、限られた組織向けに展開が始まりました。今後数日のうちに、ChatGPT Plus、Pro、Business、Enterpriseのすべてのユーザー、およびOpenAI API、Microsoft Azure、AWS Bedrock経由で利用可能になります。
9月3日公開のバージョンのAstraは、脆弱性のproof-of-conceptエクスプロイト作成など、より高度なサイバーセキュリティタスクには応じません。OpenAIはOpenAI Daybreakを通じて、今後数週間のうちにAstraへのアクセスを拡大し、こうしたサイバーセキュリティタスクについて制限の緩い安全対策を展開する予定です。これにより、脆弱性およびproof-of-conceptの検証、マルウェア分析、検知エンジニアリング(detection engineering)など、より多くの防御的ワークフローが可能になります。
GPT-6 Astraの利用は既存のサブスクリプションの利用枠に含まれます。ユーザーや企業は、追加利用のためにクレジットを購入することもできます。Proプラン、Businessプラン、Enterpriseプランのユーザーは、GPT-6 Astra Proも利用できます。Enterpriseの管理者は、自分のワークスペースでAstraを有効にできますが、ローンチ時点ではアクセスはデフォルトでオフになっています。
Astraは、対象となるAPI顧客に対してZero Data Retention(データを保持しない運用)をサポートしています。また、OpenAIは8月に伝えたとおり、顧客のプライバシーを保ちながら安全性の監視を強化するため、Private Safety Processingをテストしています。開発者向けには、GPT-6 AstraはOpenAI APIでは`gpt-6-astra`として、またMicrosoft AzureとAmazon Bedrock経由で利用できるようになります。OpenAI APIのStandard料金は、入力トークン100万あたり$10、出力トークン100万あたり$50です。キャッシュの読み取りと書き込みには別の料金が適用されます。
GPT-6 Astraは、数学における長年の未解決問題の解決にすでに貢献しており、FrontierMath Tier 4を98%のスコアで飽和させています。また、ARC-AGI-3を99.9%のスコアで、ExploitBenchを100%のスコアでそれぞれ飽和させています。
GPT-6 Astraは、computer useにおいてオンラインフォームの入力、CRMの顧客記録の更新、カレンダーの整理といった面倒なタスクをこなすことができます。さらに、オンラインリサーチを行い、メールやドキュメントエディタで要約を下書きすることも可能です。科学データの分析、プロットの生成、ウェブサイトの作成、そしてサイトの全機能が動くことを確かめるフロントエンドQAチェックの実行もできます。加えて、ソフトウェアの自律的なインストールとテスト、画面上で見える問題のトラブルシューティングの支援も可能です。
GPT-6 Astraは、複雑な問題に必要な知能と、複数ステップのワークフローを実行して、仕上がりの良い文書・スプレッドシート・プレゼンテーションを作成する能力を兼ね備えています。既存のテンプレートに従い、レイアウトが整っていて、構造化されたストーリーで要点を簡潔に伝えるスライドを作る点で、同社の最良のモデルです。また、ユーザーの文体や視覚的スタイルに合った、明確で構成の整った文書・プレゼンテーション・スプレッドシート・分析を作成することもできます。目の前の作業に不要な情報を繰り返さず、重要な文脈だけを出力に取り込むよう特に訓練されており、ビジネスの文脈や基準に合った、すぐに使える成果物を出力しやすくなっています。
GPT-6 Astraは、構築するウェブサイト・ゲーム・アプリケーション・レンダリングに対して、より強い視覚的判断力をもたらします。Sites in ChatGPTを使うと、プロンプトから直接、ウェブサイト・ウェブアプリ・ゲームを作成し、ホストし、共有できます。指示に解釈の余地がある場合、GPT-6 Astraは以前のモデルより適切な判断をすることが得意であり、文脈を使って日常的な空白を埋め、答えが結果を変えうるときには的を絞った質問をします。
Codexでは、GPT-6 Astraはユーザーの返信に依存しない作業を続けながら、非同期で質問できます。ユーザーが応答しない場合、Astraは適切なときには妥当な仮定を置いて進めますが、重大な判断についてはユーザーの入力を待ちます。また、コンテキストウィンドウをまたいでノートを保持でき、蓄積した詳細を1つの要約に繰り返し圧縮することなく保てます。以前のコンテキストウィンドウも検索可能なままなので、ノートに記録されていなくても、過去のメッセージやツール出力から要件やテスト結果を見つけられます。Astra向けのこの実験的機能はCodexのconfig.tomlで有効にでき、今後数週間のうちにAstraのデフォルトになります。
GPT-6 Astraは、タスクが進展する中でも状況を見失わずにいる点が向上しています。以前のモデルは、途中の指示(steering messages)を新しい目標として扱い、元の依頼や先の制約を見失うことがありました。Astraは新しい要件を取り込み、求められれば進路を変え、全体のタスクを落とさずに脇道の質問にも答えます。
GPT-6 Astraは、これまでで最高のソフトウェアエンジニアリング向けモデルだとOpenAIは説明しています。ある企業のコメントによると、GPT-6 Astraは同社の社内コーディングベンチマークでstate-of-the-artの性能を示し、trading intuition評価ではGPT-5.6 Solと比べて明確な前進を示しています。エージェント的コーディングで使うと、GPT-6 Astraは開発者が追いやすい伝え方をし、本番品質に達するまでの反復が少なくて済むコードを生成します。また、別の企業は、同社の初期世代の評価の1つでAstraをlow・medium・highの各effortでテストしたところ、GPT 5.6 Solを大きく上回ったとコメントしています。このコメントによると、effortを高くすると、新規ビルドでの反復が増え、ブラウザテストによる検証が増え、apply-patchよりコード実行に傾きます。
Astraは、生のソースコードにアクセスせずにソフトウェアバイナリをリバースエンジニアリングして中核ロジックを理解できるかを測るベンチマークであるSRE-Benchでもテストされました。SRE-Benchのタスクで、Astraは1回の試行で88.0%、4回以内の試行で99.2%を解きました。これに対し、GPT-5.6 Solはそれぞれ55.9%と68.7%でした。
OSWorld 2.0のレイテンシシミュレーションにおいて、AstraはGPT-5.6 Solよりタスクあたり約47%短い時間で、より高いcomputer-use性能を達成しました。スコアはAstraが約40分/タスクで72.6%、GPT-5.6 Solが約75分/タスクで65.7%でした。また、Astraと併せてCodex harnessも更新しており、computer useの速度を大きく改善しようとしています。Astraの効率と組み合わせると、Mind2Webベンチマークにおいて現行のGPT-5.6 Solの体験より1.9倍速くタスクを完了します。
Astraは、科学的推論とcomputer useを組み合わせることで、専門的なソフトウェア上で直接作業してデータを調べ結果を探索でき、研究者が証拠を評価し次に何を調べるかを決めるのに役立ちます。ゼロデイ・エクスプロイトを特定・開発できる能力を持ち、internalおよびthird-partyの専門家による評価にかけられています。本番用のsafeguardsなしの状態で、既知のソフトウェア脆弱性を動作するexploitに変えられるかを評価するExploitBenchとExploitGymでもテストされました。
OpenAIはAstraを最もアラインされたモデルとし、ユーザーの意図の理解とモデルの挙動が大きく改善したため、Astraの判断をより信頼してタスクを任せられるとしています。同社はこの点を検証する方法の一つとして、Hugging Face のインシデントを踏まえた新しい評価を作りました。この評価は、困難または不可能なタスクに直面したモデルが、意図された範囲を超えるかどうかを調べます。本番用safeguardsなしの状態で、GPT-5.6 Sol は48%のケースで許可された対象を超えましたが、GPT-6 Astra は0%のケースでした。
CodexはAstraにより、コンテキストウィンドウが埋まったときに文脈を保存・取得する新しい方法を導入します。従来、モデルは複雑な問題のデバッグや大規模なリファクタリングのような長いセッション中の作業を要約するためにcompactionを使ってきました。compactionのたびに、修正が失敗した理由やコンポーネントの挙動についての詳細が抜け落ちることがあります。
サイバー能力と安全対策
Astraはサイバー能力が大きく飛躍しており、Preparedness FrameworkにおけるサイバーセキュリティのCritical しきい値(Critical threshold)に達しています。ゼロデイ・エクスプロイトを特定・開発できる能力は、防御側が弱点を見つけて修正するのに役立つ一方で、より強力な安全対策が必要になります。Astraのサイバー能力がどこまで及ぶかを把握するため、社内および第三者の専門家による評価でAstraを実行しました。
ベンチマークのExploitBenchにおいて、Astraは100%の満点を達成しました。従来のフロンティアなサイバー能力モデルであるGPT-5.6 Solは78.5%でした。ExploitGymでは、Astraの成功率は42.4%で、GPT-5.6 Solの30.3%を上回りました。その際、Astraの出力トークン数は大幅に少なくなりました。
過去のソフトウェア脆弱性への露出がベンチマーク結果に影響した可能性への懸念を踏まえ、Astraは2つの新規ベンチマークでも評価されました。その1つは、直近3か月の脆弱性を使ってエクスプロイト開発をテストする社内評価「ExploitBench (June–August 2026)」です。Astraは、この「ExploitBench (June–August 2026)」（2026年6月〜8月）において、GPT-5.6 Solより大幅に高い任意コード実行(arbitrary code-execution)率を、はるかに少ない出力トークンで達成しました。また、ExploitBench (June–August 2026)の評価中に、Astraは以前は知られていなかった2つのゼロデイ脆弱性を発見して利用しました。OpenAIはその両方を、各メンテナーに開示します。
ベンチマーク以外の専門家主導の評価では、本番用safeguardsなしで実行したAstraは、未知の脆弱性を使って堅牢化されたブラウザで任意コード実行を達成できました。また、Astraは堅牢化されたオペレーティングシステム向けの権限昇格exploitを作成することもできました。
OpenAIが過去に公開した「The Defender’s Window」で述べたように、フロンティアのサイバー能力は、防御側が弱点をより速く見つけるのに役立つ一方で、その弱点を悪用しやすくもするため、防御側が適応する緊急性が高まります。9月3日公開のバージョンのAstraでは、防御側はセキュアなコードレビューやパッチ適用などのタスクを完了するためにこれを使用できます。
OpenAIはGPT‑5.6 Solの安全対策スタックを土台に、サイバー悪用の可能性への保護を強化しました。これにはジェイルブレイクへの耐性を高めるモデルの堅牢性の強化と、監視システムへのより多くのコンテキストの提供が含まれます。OpenAIはGPT‑6 Astraを「最もアラインされたモデル」(most aligned model)と位置づけています。Astraは、配慮を働かせること、タスクの境界を尊重すること、透明にコミュニケーションすることに優れるとされています。
センシティブな環境では、GPT‑6 Astraはリスクに見合った慎重さで進めます。誤った振る舞いを引き出すよう敵対的に選ばれたcomputer useタスクの評価において、Astraは意図しない結果をより上手く避けられました。追加のセキュリティ対策をデフォルトで有効にして実行すると、さらに高い性能が得られました。GPT‑6 Astraは、テストした他のどのフロンティアモデルよりもミスアラインメントによる結果が少ないです。公平な比較のため、OpenAI Responses APIとAnthropic Messages APIの両方にあるネイティブのcomputer useツールに基づく汎用のcomputer-using-agentハーネスを使い、CodexやChatGPT Workのユーザーに通常適用される追加の保護（auto-review、confirmation policy）は付けずに評価を行いました。
GPT-6 Astraは、ユーザーが設定した境界や環境から暗黙に示される境界の内側で動作する可能性もより高いとされています。Astraは社内評価において、Codex Auto-Reviewの拒否を回避しようと試みたことが一度もなく、Auto-reviewが意図的に回避可能に設定され、ほかの方法ではタスクを完了できない場合でも変わりませんでした。Astraが環境の制限を尊重する傾向は、記事の冒頭で共有した不可能なサイバータスクの評価の結果や、システムカードに記載された他の知見と整合するとされています。GPT-6 Astraはユーザーへの透明なコミュニケーションで新たな水準を示します。ある評価では、Astraが自身の能力やaffordancesについて不正確な説明をする可能性は、GPT-5.6 Solに比べ、3分の1です。能力ハルシネーション(capability-hallucination)の評価では、GPT-6 AstraはGPT-5.6 Solに対して大幅な改善を示し、自身の能力についての誤解を招く主張が少なかったです。
監視回避を明示的に求めるテストに基づく評価で、Astraの書かれた推論(written reasoning)はGPT-5.6 Solより監視しにくいことが分かりました。OpenAIはこれを、Astraが単純なタスクで書かれた推論をより制御でき、より少ない記述ステップで問題を解けることによると考えています。複雑なタスクに必要な推論を隠すことには、Astraは依然として苦労しているようですが、OpenAIはこの低下を真剣に受け止めています。監視可能性(monitorability)の改善は引き続き研究の優先事項であり、システムカードには知見と進行中の取り組みが詳述されています。OpenAIは、モデルの展開において、アラインメント訓練を中核としています。追加の防御層として、Codex Auto-reviewのようなシステムセーフガードを構築し、エージェントの推論と行動を監視して、安全でない振る舞いの検出と封じ込めに役立てています。
OpenAIは、Astra級モデルについて、ミスアラインメント(misalignment)を可視化し、その最悪の事例の封じ込めに役立てるため、本番環境でミスアラインメントの監視(misalignment monitoring)を展開しています。このセーフガードは社内展開向けの監視に似ており、モデルの推論と行動に無許可の振る舞いがないかを調べる分類器(classifier)のシステムで構成され、無許可の可能性がある活動を自動的に停止させます。GPT-6 Astraのサイバーセキュリティ能力が大きく向上したことを踏まえ、OpenAIはこの展開を安全にするため特に慎重を期しています。追加の安全チェックは、防御的サイバーセキュリティを含む正当な作業を、遅らせたり、一時停止させたり、止めたりすることがあります。タスクがChatGPTまたはCodexで一時停止された場合は、続行前にそのアクションの確認を求められることがあり、APIでは、タスクは停止します。これらのチェックは正当な作業を中断することがあり、OpenAIは不要な中断を減らすためにこのシステムの改善を続けています。ミスアラインメントの監視はアラインメントの代わりにはならず、目標は許可された範囲内に確実にとどまるモデルを作り、保護が介入する必要をなくすことです。
ベンチマークのスコア比較
Professional分野のAutomationBenchのスコアは、GPT‑6 Astraが41.4%、GPT‑5.6 Solが18.1%、Claude Fable 5.1が31.4%、Claude Fable 5が17.4%、Claude Opus 5が26.9%です(Gemini 3.8 Flashは記載なし)。Professional分野のBenchCADのスコアは、GPT‑6 Astraが95.9%、GPT‑5.6 Solが83.3%、Claude Fable 5.1が84.3%、Claude Fable 5が67.5%、Claude Opus 5が82.1%であり、Claude Fable 5.1、Claude Fable 5、Claude Opus 5の値には注記5が付いています(Gemini 3.8 Flashは記載なし)。Professional分野のBrowseCompのスコアは、GPT‑6 Astraが91.5%、GPT‑5.6 Solが90.4%、Claude Fable 5が87.4%、Claude Opus 5が90.8%(Claude Fable 5.1とGemini 3.8 Flashは記載なし)。Professional分野のOpenScore String Quartets(1 - OMR-NED)の値は、GPT‑6 Astraが0.84、GPT‑5.6 Solが0.19です。Professional分野のInternal Data Science Tasksのスコアは、GPT‑6 Astraが40.9%、GPT‑5.6 Solが30.5%、Claude Fable 5が34.7%です。Artificial Analysis Intelligence Index v4.1.1のスコアは、GPT‑6 Astraが61.2、GPT‑5.6 Solが60.9、Claude Fable 5.1が65.7、Claude Fable 5が62.1、Claude Opus 5が63.1、Gemini 3.8 Flashが58.7です。Professional分野のInternal Design Tasksのスコアは、GPT‑6 Astraが50.0%、GPT‑5.6 Solが47.4%、Claude Fable 5が35.8%です(他のモデルは記載なし)。
Coding分野におけるTerminal-Bench 4.0のスコアは、GPT‑6 Astraが57.9%、GPT‑5.6 Solが37.3%、Claude Fable 5.1が55.8%、Claude Fable 5が44.5%、Claude Opus 5が52.6%、Gemini 3.8 Flashが19.1%です。DeepSWE v1.1のスコアは、GPT‑6 Astraが74.1%、GPT‑5.6 Solが72.7%、Claude Fable 5.1が67.4%、Claude Fable 5が69.9%、Claude Opus 5が73.7%、Gemini 3.8 Flashが73.8%です。Internal Database Migration Tasksのスコアは、GPT‑6 Astraが63.9%、GPT‑5.6 Solが42.7%、Claude Fable 5.1が57.8%、Claude Fable 5が50.3%で、Claude Opus 5とGemini 3.8 Flashは記載なしです。Artificial Analysis Coding Agent Index v1.4のスコアは、GPT‑6 Astraが67.0、GPT‑5.6 Solが65.1、Claude Fable 5が67.2、Claude Opus 5が68.1、Gemini 3.8 Flashが61.2で、Claude Fable 5.1は記載なしです。FrontierCode 1.1のスコアは、Main (score)がGPT‑6 Astraで注記8付きの53.3%、GPT‑5.6 Solで47.5%、Claude Fable 5.1で50.9%、Claude Fable 5で53.5%、Claude Opus 5で53.4%、Gemini 3.8 Flashで43.6%、Extended (score)がGPT‑6 Astraで注記8付きの64.5%、GPT‑5.6 Solで60.6%、Claude Fable 5.1で63.6%、Claude Fable 5で64.9%、Claude Opus 5で63.6%、Gemini 3.8 Flashで56.3%です。
Academicカテゴリのスコアを示します。Terminal-Bench Science 0.1のスコアは、GPT-6 Astraが64.6%、GPT-5.6 Solが22.4%、Claude Fable 5.1が52.6%、Claude Fable 5が21.4%、Claude Opus 5が30.0%です。FrontierMath Tier 4 (v2)では、GPT-6 Astraが97.6%、GPT-5.6 Solが83.0%、Claude Fable 5.1が87.8%、Claude Fable 5が90.2%、Claude Opus 5が73.2%を記録しました。GPQA Diamondでは、GPT-6 Astraが96.0%、GPT-5.6 Solが94.6%、Claude Fable 5.1が93.7%、Claude Fable 5が92.6%、Claude Opus 5が93.7%、Gemini 3.8 Flashが95.3%です。Humanity's Last Exam (w/ tools)では、GPT-6 Astraが57.2%、Claude Fable 5.1が65.0%、Claude Fable 5が63.8%、Claude Opus 5が63.6%でした。Long ContextのOpenAI MRCR v2 8-needleにおいて、GPT-6 Astraは256K-512Kで100.0%、512K-1Mで96.3%を記録しましたが、Claude Fable 5.1、Claude Fable 5、Claude Opus 5、Gemini 3.8 Flashの値は記載されていません。また、GPT-5.6 SolのOpenAI MRCR v2 8-needleの結果は、256K-512Kで91.5%、512K-1Mで73.8%でした。Abstract reasoningのARC-AGI-3では、GPT-6 Astraが99.9%(脚注1つき)を記録し、GPT-5.6 Solは7.8%、Claude Opus 5は30.2%でしたが、Claude Fable 5.1、Claude Fable 5、Gemini 3.8 Flashの値は記載されていません。Abstract reasoningのARC-AGI-2では、GPT-6 Astraが95.0%、GPT-5.6 Solが92.5%、Claude Fable 5.1が90.0%、Claude Fable 5が89.2%、Claude Opus 5が90.4%で、Gemini 3.8 Flashの値は記載されていません。ARC-AGI-1のAbstract reasoningベンチマークでは、GPT-6 Astraが98.5%、GPT-5.6 Solが97.5%、Claude Fable 5.1が97.5%、Claude Fable 5が98.5%、Claude Opus 5が97.5%を記録しましたが、Gemini 3.8 Flashの値は記載されていません。
ARC-AGI-3では、GPT-6 Astraをresponses API harnessで実行しました。このハーネス(harness)は実環境の性能により近づけるために2つの設定を変更しますが、その変更はARC-AGI-3を特に狙ったものではありません。評価スコアは、あらゆるeffortの中での最大値です。GPTの評価はOpenAIの研究環境またはAPI経由で実行されており、システムプロンプトや利用可能なツールなどの違いにより、本番のChatGPTとは出力が少し異なる場合があります。GPT-5.6 Solは、API、ChatGPT Codex、およびChatGPT Workで利用できるバージョンを指します。注記3によると、OSWorld V2-Offlineは元のOSWorld V2のサブセットで、インターネット接続なしで動作します。
アラインメントの Internal computer use safety benchmark(AutoReview併用、低いほど良い)は、GPT-6 Astraが1.8%、GPT-5.6 Solが4.3%で、他の4モデルは記載なしである。ExploitGym honeypot(低いほど良い)は、GPT-6 Astraが0.0%、GPT-5.6 Solが48.2%で、他の4モデルは記載がない。Impossible ExploitGymは、GPT‑6 Astraが100.0%で、他の5モデルは記載がない。Internal hallucination benchmark(低いほど良い)は GPT-6 Astra が 4.2%、GPT-5.6 Sol が 12.2%で、他のモデルの値は記載されていない。アラインメントのInternal computer use safety benchmark(低いほど良い)は、GPT-6 Astraが2.4%、GPT-5.6 Solが22.0%、Claude Fable 5.1が9.5%、Claude Fable 5が18.3%、Claude Opus 5が11.5%です。Internal circumvention benchmark(低いほど良い)は、GPT-6 Astraが0.00%、GPT-5.6 Solが0.29%で、他のモデルの値は記載されていません。
GPT-6 AstraのAPIではFast modeが利用でき、Standard processingの最大2倍の速度を、Standard料金の2倍の価格で提供します。OSWorld 2.0では、Claudeのスコアは公式設定を使っており、Fable 5.1のシステムカードにある変更済みタスクと変更済み採点は使っていません。脚注5によると、BenchCADでのClaudeのスコアには評価に加えた3つの変更が反映されています。これらの変更の詳細はFable 5.1のシステムカードに記載されています。FrontierCodeでは、脚注8によると、GPT-6 AstraをCodexにおける自身のdeveloper messageの一部に似たdeveloper messageつきで実行しました。その内容は「テストファイルを過剰に作らない。新規テストファイルは、リポジトリの規約で求められる場合、または既存ファイルに適切な置き場所がない場合にのみ作る。無関係なクリーンアップや不要な複雑さを避ける。適切な既存ユーティリティを再利用する。関連するリポジトリの指示を読み、近くのコード・テスト・ドキュメント・CIを確認する。確立された規約に従う。目標はクリーンでマージ可能なコード」というものであり、このプロンプトは評価向けに最適化されていません。OSWorld-V2 OfflineでのClaudeモデルの性能は、公式リーダーボード上で著者らが再現したものです。
数学の成果とExploitBenchの条件
1つ目の問題は、素数どうしが、数直線のどれだけ先でも、どれだけ近くに現れうるかです。10年以上、間隔が246以内の素数のペアが無限に存在することが最もよく知られた結果でしたが、最近Julia Stadlmannがその上限を240に改善しました。Astraは、さらに強い上限186の確立を助け、より小さい距離(186以内)に無限に多くの素数のペアが現れることを示しました。2つ目の問題は、素数の間の異常に大きな間隔(large prime gaps)です。Astraは、この間隔の上界に含まれる、80年以上変わっていなかった項を改善しました。ExploitBench(2026年6月〜8月)には、13の安定版 Chrome リリースにまたがる20件の重大度の高い V8 脆弱性が含まれます。このベンチマークは、指定された各脆弱性を悪用して、V8 と Linux 向け公式 Chrome リリースで任意コード実行を達成できるかをエージェントについてテストします。ExploitBench (June–August 2026) は、13の stable Chrome リリースにわたる20件の高深刻度 V8 脆弱性を含み、評価の制約下では任意コード実行ができない脆弱性もありうるため、100% の成功率は達成できないかもしれません。ExploitBench (June–August 2026) での GPT-5.6 Sol のスコア 5.5% は300ターン制限による副産物であり、max を使う実際の顧客にはこの制限はありません。GPT-5.6 Sol を似た設定で動かして制限に達する回数が少なかった場合は、11.5% のスコアを達成しました。他社製のモデルを横断してテストする場合は、より単純な研究用の設定を使います。Codex はより複雑な本番構成を持つため、生のモデルのエラー率が研究用の設定とは異なる場合があります。また、プロバイダー側のセーフガードとコンピュータツールの実装も依然として異なります。確認なし(no-confirmation)シナリオは社内の研究用構成であり、Codex のユーザーは確認なしシナリオを体験しません。OpenAIは、素数の間隔に関する2つの結果の両方について、証明と要約した思考過程(chain of thought)、検証資料を共有しています。