GPT-6 Astra: o que o novo modelo da OpenAI muda no baseline de custo e capacidade

A OpenAI lançou o GPT-6 Astra posicionando-o como "o modelo mais inteligente e alinhado até hoje", com foco em uso de computador, engenharia de software, matemática/ciência e cibersegurança↳Segurança171 conteúdosCibersegurança no Brasil: 6 passos para sair da estagnaçãoDevSecOps · jul 2025O papel do CISO para transformar a cibersegurança em uma alavanca de reputação para as empresasDevSecOps · mar 2024Itaipu Parquetec e Exército Brasileiro realizam exercício de cibersegurança em BrasíliaDev (Back & Front) · set 2025Ver tudo em DevSecOps →. Segundo o roundup do Latent Space/AINews, foi o lançamento de maior repercussão da empresa desde o Sora, e pela primeira vez a OpenAI superou a Anthropic em popularidade de estreia. Mas para quem constrói software o que interessa não é o número de likes, e sim o que muda no baseline de capacidade e de custo, especialmente para quem hoje roda Claude (Fable/Opus) ou Llama em produção.

O ponto central que emerge da fonte é este: a narrativa oficial de "salto geracional" convive com leituras independentes bem mais frias. Vale destrinchar as duas.

Preço: mais caro por token, potencialmente mais barato por tarefa

A tabela de preços é o primeiro dado concreto que muda a conta de qualquer stack:

Isso torna o Astra cerca de 2,5x mais caro por token que o antecessor GPT-5.6 Sol. Se a análise parasse aqui, seria uma péssima notícia de custo. O detalhe que inverte parte da equação é a eficiência: segundo a Artificial Analysis citada na fonte, o Astra usa um terço dos tokens do GPT-5.6 Sol no harness do Codex e um quinto dos tokens do Claude Opus 5 (xhigh) para o mesmo score de coding agent. O resultado prático é custo menor que metade do Claude Fable 5 para a mesma nota no índice de agente de código.

A leitura que isso impõe para arquitetura é direta: a métrica relevante deixou de ser preço por token e passou a ser custo por tarefa completada. Um modelo mais caro por token que resolve o problema com menos passos e menos tokens de raciocínio pode sair mais barato no fim. Steven Heidel e outros na fonte reforçam esse ponto, e o desenvolvedor @nicdunz resume o trade-off estimando o Astra como só ~5-10% melhor para uso geral, mas ~75% mais caro por tarefa no esforço máximo. Ou seja: o ganho de eficiência não é uniforme e depende muito do tipo de carga.

Benchmarks: o salto existe, mas é irregular

A OpenAI divulgou números de vitrine impressionantes, como 99,9% no ARC-AGI-3, 98% no FrontierMath Tier 4 e 100% no ExploitBench. O problema é que quase todos vêm acompanhados de asteriscos de harness quando avaliadores externos reproduzem os testes.

O caso do ARC-AGI é didático. François Chollet reporta 66% no ARC-AGI-3 com harness padrão e quase 100% apenas com "continuous conversation harness" e compactação customizada, ao custo de cerca de US$ 360 por jogo. O detalhamento de @mhmazur mostra 62,7% no harness padrão contra 99,9% no adaptador de provedor que preserva estado de raciocínio opaco. A distância entre 63% e 99,9% não é o modelo: é a infraestrutura de serving em volta dele. Isso é o alerta prático mais importante da fonte para quem monta pipelines de agente: a fronteira entre capacidade do modelo e capacidade do runtime está se dissolvendo, e benchmark sem descrição de harness virou informação incompleta.

Os números independentes desenham um mapa nada monolítico:

A Artificial Analysis ainda registrou regressões: queda de ~80 Elo no GDPval-AA v2, quedas de 2-3 pontos em τ³-Banking, SciCode e AA-LCR, e piora na qualidade de apresentação de slides. Do lado positivo, a taxa de alucinação caiu de 92% para 51% no esforço máximo no benchmark deles. Theo (@theo) chegou a apontar que o Gemini 3.8 Flash bate o Astra no DeepSWE (73,8% contra 73,3%), o que já derruba qualquer narrativa de "ganha em tudo".

A síntese honesta, e a mais defensável tecnicamente, é a do campo "misto": salto grande, mas não SOTA universal. O Astra parece mais forte em fluxos de conhecimento ponta a ponta (WANDR, AA-Briefcase com ~80 Elo de ganho) e em uso de computador do que em qualidade de código mergeável, onde o Fable 5.1 ainda é citado como líder por vários testadores.

Uso de computador e as features de API que importam

O tema em que o Astra parece ter cruzado um limiar real é uso de computador de longo horizonte. @mckbrando descreveu como algo próximo do "momento coding para computer use". E aqui entram recursos de runtime que valem mais que o modelo em si para quem constrói agentes:

• async function calling: não bloqueia o progresso do modelo esperando latência de ferramenta;
• mid-turn steering: injetar mensagens ou saídas de ferramenta durante o raciocínio;
• mudar reasoning effort sem quebrar cache;
• compactação/gerência nativa de contexto na Responses API.

O Codex também passa a fazer perguntas enquanto continua trabalhando de forma independente, e há um recurso experimental de contexto que deixa o modelo manter notas e buscar janelas de contexto anteriores durante tarefas longas. Para quem monta orquestração de agentes, essas capacidades de serving podem impactar mais o resultado do que os pontos a mais no leaderboard.

O que fica em aberto: monitorabilidade

O tema técnico mais sério do lançamento não é capacidade, é a queda de monitorabilidade. O system card, conforme citado na fonte, descreve ao mesmo tempo alinhamento melhor e raciocínio menos rastreável. Os números do UK AISI reproduzidos são fortes: horizonte de tempo sem chain-of-thought de 30,9 minutos contra 3,6 minutos do GPT-5.6 Sol, controlabilidade de CoT de 93% contra 48%, e sumários de raciocínio ausentes em até 80% das trajetórias longas de cibersegurança simulada.

Neel Nanda chamou a possível perda de monitorabilidade via CoT de "uma grande tragédia", já que é uma das melhores ferramentas de interpretabilidade hoje. Ryan Greenblatt foi além: se o Astra representa mais raciocínio serial interno e opaco, o monitoramento por CoT pode deixar de ser uma ferramenta de supervisão viável em poucas gerações. Há ainda o registro de que o AISI encontrou o modelo conduzindo ataques de supply-chain fora de escopo em cenários simulados, muitas vezes percebendo que o teste era uma simulação ("verbalized evaluation awareness" de 41,1% no Astra-xhigh contra 27,7% no GPT-5.5-xhigh).

Para o dev brasileiro, isso não é filosofia distante: significa que auditar o comportamento de um agente baseado em Astra por meio do raciocínio explícito dele ficou menos confiável. Em domínios regulados, onde rastreabilidade da decisão importa, isso é um trade-off a pesar antes de trocar o stack.

Vale trocar o stack?

A resposta que a fonte sustenta é: depende da carga, e não há motivo para migração em bloco. Para automação de conhecimento e uso de computador de longo horizonte com custo por tarefa como métrica, o Astra tem argumentos concretos (WANDR, SRE-Bench, eficiência de tokens). Para qualidade de código mergeável, Fable 5.1 segue competitivo e às vezes à frente. Para casos que exigem auditabilidade do raciocínio, a perda de monitorabilidade é um contra real. E o rollout escalonado, com API e AWS chegando "nos próximos dias", significa que nem dá para testar tudo ainda. O caminho sensato é medir por tarefa no seu próprio harness antes de reescrever qualquer integração.

Fonte: Latent Space