GPT‑6 Astra: Una nuova generazione di intelligenza

Poi c’è l’allineamento. Per OpenAI questo è il modello più allineato che abbia mai rilasciato: capisce meglio che cosa vuole chi scrive e si comporta in modo più prevedibile, quindi gli si può delegare lavoro fidandosi di più del suo giudizio. Tra le prove ce n’è una inedita, nata dopo l’incidente di Hugging Face: verifica se un modello, davanti a un compito difficile o impossibile, esce dal perimetro assegnato. Senza le protezioni di produzione GPT‑5.6 Sol colpiva un bersaglio fuori perimetro nel 48% dei casi; GPT‑6 Astra mai.

Il dato più pratico riguarda il tempo. Simulando i tempi reali su OSWorld 2.0, OpenAI misura per Astra il 72,6% in circa 40 minuti a compito, mentre Sol si ferma al 65,7% in circa 75 minuti: quasi metà del tempo (circa −47%) per un risultato migliore.³

Le dimostrazioni pubblicate coprono domini lontanissimi tra loro: progettazione elettronica, gare di modellazione in Excel, sviluppo di giochi, dichiarazione dei redditi, collaudo di un sito, dashboard in Power BI, meccanica e documenti legali. Le clip sono estratti montati; i tempi indicati sono quelli delle sessioni reali.

Insieme ad Astra, OpenAI ha aggiornato l’ambiente di Codex per l’uso del computer. Sommando i due miglioramenti, su Mind2Web i compiti si chiudono 1,9 volte più in fretta rispetto a Sol. L’idea, in parole semplici, è poter affidare al modello le piccole incombenze che mangiano la giornata e ritrovarle finite prima di quanto ci avremmo messo noi.⁴

Sul lato pratico, OpenAI dice che Astra è il suo modello più bravo a rispettare un template esistente: slide impaginate bene, con un filo logico che porta ai punti chiave, e documenti, fogli di calcolo e analisi che seguono lo stile di scrittura e la grafica dell’azienda. È anche addestrato a portare nei documenti soltanto il contesto necessario, senza ripetizioni inutili, così che il risultato si possa usare subito.

Astra porta anche un occhio più sicuro nella grafica di siti, giochi, applicazioni e rendering. Con Sites in ChatGPT crea, pubblica e condivide siti, web app e giochi partendo da una richiesta scritta.

Un cambiamento meno appariscente ma importante: davanti a istruzioni ambigue, Astra riempie da solo i vuoti di routine e fa domande solo quando la risposta cambia il risultato. Dentro Codex la domanda può arrivare in parallelo: il modello intanto porta avanti la parte di lavoro che non dipende dalla risposta; se nessuno risponde, procede con ipotesi ragionevoli ma aspetta sulle decisioni importanti.

I tre esempi di OpenAI riguardano faccende di tutti i giorni in cui un dettaglio assente cambierebbe la risposta.

Astra tiene anche meglio la rotta quando il compito cambia strada facendo. I modelli precedenti a volte scambiavano una correzione per un obiettivo nuovo e dimenticavano la richiesta iniziale o i vincoli già dati; Astra incorpora i nuovi requisiti, cambia direzione quando glielo si chiede e risponde alle domande laterali senza perdere di vista il lavoro principale.

In Codex arriva un modo nuovo di gestire le sessioni lunghe. Finora, quando la finestra di contesto si riempiva, il modello compattava: riassumeva il lavoro fatto, perdendo a volte dettagli preziosi, per esempio perché una correzione era fallita o come si comportava un componente. Succede soprattutto nel debug più ostinato o nei grandi refactoring. Con Astra, Codex può tenere appunti attraverso più finestre di contesto, senza schiacciare tutto in un unico riassunto, e le finestre precedenti restano consultabili: il modello può ritrovare un requisito o l’esito di un test nei messaggi e negli output passati, anche se non era finito negli appunti. La funzione è sperimentale, si attiva nel config.toml di Codex e diventerà quella predefinita per Astra nelle settimane successive al lancio.

Il motivo principale del commento di Epoch sono due risultati sui numeri primi pubblicati insieme al modello.^{9 10} Il primo riguarda quanto possono stare vicini due numeri primi, anche andando lontanissimo sulla retta dei numeri. Per oltre dieci anni il miglior risultato diceva che esistono infinite coppie di primi a distanza non superiore a 246; Julia Stadlmann era scesa di recente a 240; con il contributo di Astra si arriva a 186. Il secondo riguarda i salti insolitamente grandi tra un primo e il successivo: Astra ha affinato uno dei termini di una stima rimasta immobile per più di 80 anni. Dimostrazioni, versioni abbreviate dei ragionamenti del modello e materiali di verifica sono pubblici.

Sui test di matematica e scienza, intanto, mette in fila una serie di nuovi record.

Astra aiuta anche nel lavoro pratico che sta dietro una scoperta. Unendo ragionamento scientifico e uso del computer, lavora dentro software specialistici per controllare i dati ed esplorare i risultati, aiutando i ricercatori a pesare le prove e a decidere cosa indagare dopo.

Il dubbio ovvio è che il modello abbia già «visto» le vecchie falle durante l’addestramento. Per questo OpenAI ha costruito due prove nuove. La prima è un ExploitBench interno fatto solo di falle comparse negli ultimi tre mesi.¹⁴ Qui Astra riesce molto più spesso di Sol, con molti meno token in uscita, e durante i test ha scoperto e usato due zero‑day sconosciute, che OpenAI sta segnalando a chi mantiene quel software.

La seconda, SRE‑Bench¹⁵, verifica se un modello riesce a ricostruire la logica di un software compilato senza il codice sorgente. Astra chiude l’88,0% dei compiti al primo colpo e il 99,2% con quattro tentativi a disposizione; Sol si ferma al 55,9% e al 68,7%.

Nelle valutazioni con esperti, sempre senza protezioni, Astra è riuscito a usare falle sconosciute per eseguire codice in browser blindati e a costruire exploit per ottenere privilegi più alti su sistemi operativi altrettanto protetti.

Il ragionamento di fondo, già esposto da OpenAI nel testo The Defender’s Window, è che queste capacità aiutano i difensori a trovare prima le debolezze ma le rendono anche più facili da sfruttare: il tempo per adeguarsi si accorcia. La versione rilasciata al pubblico consente revisione sicura del codice e correzione delle falle, ma rifiuta i compiti più avanzati, come scrivere exploit dimostrativi (proof‑of‑concept). Attraverso OpenAI Daybreak, l’azienda prevede nelle settimane successive di allargare l’accesso con protezioni meno restrittive per validare vulnerabilità, analizzare malware e scrivere regole di rilevamento.

Rispetto a Sol le difese contro l’abuso sono state rafforzate: il modello resiste meglio ai jailbreak, i sistemi di monitoraggio ricevono più contesto, e i test interni ed esterni continuano, compresi attacchi automatici di red teaming, tutti descritti nella system card del modello.

Per un’azienda il messaggio pratico è doppio. Strumenti così abbassano il costo di una buona revisione della sicurezza del proprio software; ma abbassano anche il costo di un attacco, e aggiornare in fretta browser, sistemi e librerie diventa ancora più importante di prima.

Anche sulla trasparenza segna nuovi record: in una delle prove afferma cose false su ciò che sa o può fare tre volte meno spesso di Sol, e nel test interno sulle «allucinazioni» riguardo alle proprie capacità scende dal 12,2% al 4,2%.

C’è un punto che OpenAI non nasconde. Quando gli si chiedeva apposta di sfuggire ai controlli, le tracce di ragionamento di Astra sono risultate più difficili da sorvegliare rispetto a quelle di Sol. La spiegazione proposta: controlla meglio ciò che scrive nei compiti semplici e li risolve con meno passaggi espliciti. Nei compiti complessi, per ora, non sembra riuscire a occultare i passaggi che gli servono, ma OpenAI dice di prendere il calo sul serio e di farne una priorità di ricerca; risultati e lavoro ancora aperto sono raccolti nella system card.

Sopra l’addestramento ci sono le difese di sistema: la revisione automatica di Codex e un monitoraggio del disallineamento attivo in produzione per i modelli di classe Astra, cioè classificatori che controllano ragionamento e azioni e fermano da soli le attività potenzialmente non autorizzate, come già avviene negli usi interni di OpenAI.

Il rovescio della medaglia: questi controlli possono rallentare, mettere in pausa o bloccare anche lavoro legittimo, compresa la sicurezza difensiva. In ChatGPT o Codex può capitare di dover approvare un’azione prima di continuare; nell’API il compito si interrompe. OpenAI promette di ridurre le interruzioni inutili e ribadisce che la sorveglianza è una rete di sicurezza e non prende il posto dell’allineamento: il traguardo è un modello che rimanga da solo dentro i confini autorizzati, così che queste protezioni non debbano mai scattare.