Примечательно, что компания Сэма Альтмана впервые присвоила своей модели так называемы... — 4 сентября 2026 г. в 08:07:01.405
Примечательно, что компания Сэма Альтмана впервые присвоила своей модели так называемый ↔️«критический» уровень возможностей (Critical threshold) в категории кибербезопасности по внутренней шкале Preparedness Framework. Как сообщает сама компания, при наличии необходимых инструментов и доступа новая модель Astra способна без надзора со стороны человека сама 📖🐞находить ранее неизвестные уязвимости и разрабатывать способы их эксплуатации в хорошо защищённых системах. 📊Во время испытаний Astra показала следующие результаты (при этом часть специализированных кибертестов проводилась без стандартных защитных ограничений, которые будут действовать в публичной версии): ▫️ ExploitBench — 100%, а у GPT‑5.6 Sol было 78,5%. Испытание проверяет способность создавать эксплойты для известных уязвимостей движка V8. Сама OpenAI предупреждает, что результат мог быть завышен из-за возможного присутствия сведений о старых уязвимостях в обучающих данных. ▫️ На отдельном наборе из 20 уязвимостей V8 высокой степени критичности, раскрытых с июня по август 2026 года уже после даты окончания обучающих данных Astra, модель добилась выполнения произвольного кода в 39% случаев по сравнению с GPT‑5.6 Sol — 11,5%. В процессе она также обнаружила и использовала в цепочках эксплуатации 🛡 две ранее неизвестные 0-day уязвимости. ▫️ В SRE-Bench (оценивает обратную разработку программ без исходного кода) Astra решила 88% заданий с первой попытки и 99,2% — за четыре попытки. Результаты GPT‑5.6 Sol составили 55,9% и 68,7% соответственно. ▫️На бенчмарке ARC-AGI-3 модель показала результат 99,9%, фактически достигнув паритета с человеком по эффективности действий на 96% уровней (у GPT-5.6 Sol результат составил 7,8%, а у Claude Opus 5 — 30,2%). В тесте FrontierMath Tier 4 (v2) модель набрала 97,6% (в анонсе округлено до 98%) и помогла математикам продвинуться в решении проблемы расстояний между простыми числами, улучшив границу малых промежутков до 186. ▫️Автономное управление компьютером (Computer Use): В тесте Agents' Last Exam модель набрала 59,3% (против 53,6% у GPT-5.6 Sol и 55,5% у Claude Opus 5), расходуя примерно на 65% меньше выходных токенов, чем Claude Opus 5. ▫️В испытании с ловушками ExploitGym Honeypot модель Astra в 0% случаев пыталась атаковать инфраструктуру тестирования, тогда как GPT-5.6 Sol делал это в 48,2–56% запусков. При получении запрета от системы Codex Auto-Review модель Astra ни разу не попыталась обойти фильтр. ▫️Доля отказов на запросы с кибер-джейлбрейками выросла до 91,5% (против 59,0% у GPT-5.6 Sol). В независимой оценке Gray Swan IPI Arena успешность атак на модель снизилась до 8,5% по сравнению с 27,0% у предыдущего поколения. ▫️В терминальном бенчмарке Terminal-Bench 4.0 результат составил 57,9% (у GPT-5.6 Sol — 37,3%, у Claude Fable 5.1 — 55,8%) при меньшей стоимости API-запросов. В тесте DeepSWE v1.1 модель получила 74,1%, а в генерации САПР-моделей по рендерам BenchCAD достигла 95,9% геометрического совпадения. Наиболее подробно всё описано в ⚙️системной карте Astra (https://deploymentsafety.openai.com/gpt-6-astra).