99,9 Prozent. Auf einem Benchmark, auf dem das Vorgängermodell vor wenigen Monaten noch bei 7,8 Prozent lag. Das ist die Zahl, mit der OpenAI sein neues Flaggschiff GPT-6 Astra bewirbt, und sie ist der Grund, warum ich mir die Pressemitteilung zwei Mal durchgelesen habe.
GPT-6 Astra ist tatsächlich ein deutlicher Schritt nach vorne, bei Computer Use, bei Coding, bei Cybersecurity. Aber ausgerechnet die spektakulärste Zahl im ganzen Launch-Post steht auf wackeligeren Beinen, als die Marketing-Grafik suggeriert.
Was du hier bekommst: die wichtigsten Fakten zu Astra, eine genaue Einordnung der ARC-AGI-3-Bestmarke inklusive einem Detail, das OpenAI selbst vier Wochen vor dem Launch dazu veröffentlicht hat, und meine Einschätzung, wie viel von dem Release wirklich neu ist. Starten wir bei den Basisdaten, dort ist wenig strittig.
Kurz erklärt: ARC-AGI-3 und Preparedness Framework
ARC-AGI-3 ist ein interaktiver Reasoning-Benchmark der ARC Prize Foundation. Anders als klassische Multiple-Choice-Tests bekommt ein Modell dabei ein unbekanntes 2D-Spiel ohne Anleitung und muss allein herausfinden, wie es funktioniert und wie man gewinnt. Gemessen wird die Relative Human Action Efficiency, kurz RHAE, also wie effizient das Modell im Vergleich zu einem menschlichen Testpanel spielt.
Das Preparedness Framework ist OpenAIs internes Einstufungssystem für riskante Modellfähigkeiten, etwa in Biologie, Chemie oder eben Cybersecurity. Die Stufe „Critical“ ist die höchste Kategorie und löst laut OpenAI zusätzliche Sicherheitsauflagen vor der Auslieferung aus.
Was GPT-6 Astra überhaupt ist
Astra ist der Nachfolger von GPT-5.6 Sol und wird als bislang intelligentestes und am besten ausgerichtetes Modell des Unternehmens vermarktet. OpenAI positioniert es als neuen Bestwert bei Computer Use, Browsing, Software Engineering, Cybersecurity und professioneller Wissensarbeit.
Der Rollout läuft gestaffelt: zunächst ausgewählte Organisationen, in den kommenden Tagen dann ChatGPT Plus, Pro, Business und Enterprise, dazu die API und Amazon Bedrock. Enterprise-Admins müssen das Modell aktiv freischalten, aus ist der Standard. In der API kostet Astra 10 Dollar pro Million Input-Token und 50 Dollar pro Million Output-Token, ein Fast Mode liefert doppelte Geschwindigkeit zum doppelten Preis.
GPT-6 Astra ist damit keine neue Modellgeneration im Sinne eines architektonischen Bruchs, sondern die konsequente Weiterentwicklung des bisherigen Ansatzes mit gezieltem Training für Computer Use und professionelle Workflows.
Die Benchmark-Zahlen im Überblick
Ein paar Eckwerte aus OpenAIs eigener Vergleichstabelle, die auch Claude-Modelle enthält:
- FrontierMath Tier 4: 97,6 Prozent (Sol: 83,0 Prozent, Claude Fable 5.1: 87,8 Prozent)
- ExploitBench (Cybersecurity-Exploits): 100 Prozent (Sol: 78,5 Prozent)
- Terminal-Bench 4.0: 57,9 Prozent, knapp vor Claude Fable 5.1 mit 55,8 Prozent
- Humanity’s Last Exam mit Tools: 57,2 Prozent, hier liegt Astra hinter Claude Fable 5.1 (65,0 Prozent) und Claude Opus 5 (63,6 Prozent) zurück
Diesen letzten Punkt erwähnt OpenAI im Fließtext mit keinem Wort. Das ist normales Launch-Marketing, aber ich find es wichtig, das dazuzusagen. Wer bei mir schon länger Claude, Gemini und ChatGPT im direkten Vergleich mitverfolgt, kennt das Muster: Jeder Anbieter zeigt die Benchmarks, auf denen er vorne liegt, und lässt die anderen weg. Nichts Neues, aber es lohnt sich, bei jedem einzelnen Release neu hinzuschauen.
ARC-AGI-3: Die spektakulärste Zahl hat einen Haken
Und jetzt zum eigentlichen Kern dieses Artikels. Astra erreicht laut OpenAI 99,9 Prozent auf ARC-AGI-3, verglichen mit 7,8 Prozent bei GPT-5.6 Sol und 30,2 Prozent bei Claude Opus 5. Greg Kamradt von der ARC Prize Foundation wird mit der Aussage zitiert, Astra erreiche damit praktisch menschliche Parität in der Aktionseffizienz.
Klingt nach einem Durchbruch. Ist es vielleicht auch, aber nicht in dem Ausmaß, wie die Zahl es vermuten lässt.
Der Punkt, an dem es interessant wird: OpenAI hat am 29. Juli 2026, also nur wenige Wochen vor dem Astra-Launch, einen eigenen Blogbeitrag veröffentlicht mit dem Titel „How enabling two settings tripled our scores on the ARC-AGI-3 benchmark“. Darin beschreibt das Unternehmen, wie GPT-5.6 Sol mit dem offiziellen ARC-Testharness nur 13,3 Prozent auf dem öffentlichen Aufgabenset erreichte, aber 38,3 Prozent, sobald man zwei API-Einstellungen aktiviert: das Beibehalten interner Reasoning-Schritte über mehrere Spielzüge hinweg und ein Verfahren namens Compaction statt einfacher Kontext-Kürzung. Das ist fast eine Verdreifachung, nur durch eine geänderte Testkonfiguration, nicht durch ein anderes Modell.
Genau diese Anfälligkeit für Harness-Details taucht auch bei Astra wieder auf. In den Fußnoten zum Launch-Post schreibt OpenAI, dass Astra auf ARC-AGI-3 mit einer angepassten Responses-API-Harness lief, die zwei Einstellungen gegenüber dem Standard verändert. Die Formulierung, wonach diese Änderungen nicht spezifisch auf den Benchmark abzielen, kann ich nicht unabhängig überprüfen, ohne die exakte Konfiguration zu kennen.
Zur Einordnung, wie groß die Lücke zwischen offiziellem Leaderboard und produktoptimierter Konfiguration sein kann: Die ARC Prize Foundation selbst schrieb bei der Einführung von ARC-AGI-3 im März 2026, dass Frontier-KI zu diesem Zeitpunkt bei rund 0,51 Prozent lag, während Menschen die Aufgaben zu 100 Prozent lösen. Innerhalb weniger Monate von 0,51 auf 99,9 Prozent, das ist ein Tempo, bei dem ich skeptisch bleibe, ob wir hier tatsächlich einen Sprung in der Modellfähigkeit sehen oder vor allem einen Sprung in der Testkonfiguration.
Ich bin mir da nicht ganz sicher, aber mein Eindruck ist: Ohne eine unabhängige Reproduktion auf dem offiziellen Leaderboard mit Standardeinstellungen würde ich die 99,9 Prozent als „OpenAI meldet nahezu Sättigung unter eigener Testkonfiguration“ lesen, nicht als belastbaren, extern bestätigten Fakt. Das Bild hinkt leicht, aber es trifft den Kern: Ein Prüfling, der seine eigene Prüfungsordnung mitgestaltet, kann trotzdem die Prüfung wirklich bestehen. Man sollte es nur nicht ungeprüft glauben.
Was bedeutet „Critical“ bei der Cybersecurity-Einstufung?
Der Cybersecurity-Teil verdient ernsthafte Beachtung, unabhängig vom Marketing-Rahmen drumherum. Astra erreicht 100 Prozent auf ExploitBench (Sol: 78,5 Prozent) und fand während der Tests laut OpenAI zwei bislang unbekannte Zero-Day-Schwachstellen in Chrome, die inzwischen an die Hersteller gemeldet wurden. Das ist der Grund, warum das Modell nach OpenAIs eigenem Preparedness Framework als „Critical“ eingestuft ist, die höchste Risikokategorie für Cyberfähigkeiten.
In der ausgelieferten Version verweigert Astra fortgeschrittene Aufgaben wie das Erstellen von Proof-of-Concept-Exploits. Über ein separates Programm namens OpenAI Daybreak sollen diese Schranken für Verteidigungszwecke in den kommenden Wochen gelockert werden.
Das ist nachvollziehbar begründet, verschiebt die eigentliche Risikofrage aber schlicht in die Zukunft. Und genau in diesem Feld, Cybersicherheit und kontrollierte Freigaben, hat die US-Regierung in diesem Jahr bereits einmal aktiv in einen OpenAI-Launch eingegriffen. Wer das nachlesen will: Ich hab die Geopolitik rund um GPT-5.6 und den Fable-Abschalter im Sommer ausführlich aufgearbeitet. Ob bei Astra ein ähnliches Muster greift, wird sich zeigen, sobald der volle Rollout ansteht.
Und die Alignment-Zahlen?
OpenAI wirbt zusätzlich mit einer neuen, vom Hugging-Face-Vorfall inspirierten Evaluation: Bei einer unlösbaren Aufgabe ging Astra in 0 Prozent der Fälle über den autorisierten Aufgabenbereich hinaus, Sol ohne Produktions-Schutzmaßnahmen in 48 Prozent. Ebenso soll Astra nie versucht haben, eine Codex-Auto-Review-Sperre zu umgehen, selbst wenn diese absichtlich umgehbar konfiguriert war.
Diese Zahlen sind konkret und methodisch nachvollziehbar beschrieben. Was fehlt, ist auch hier eine unabhängige Prüfung durch Dritte außerhalb von OpenAIs eigener Testinfrastruktur.
Was heißt das für dich, wenn du OpenAI kritisch gegenüberstehst?
Ich beobachte das regelmäßig in meiner Beratungsarbeit mit EPU und KMU in der DACH-Region: Die Frage ist selten, ob ein Modell auf dem Papier führt, sondern ob es für die konkrete Aufgabe, die vor dir liegt, den Unterschied macht. Bei Astra würde ich weniger auf ARC-AGI-3 schauen und mehr auf die Bereiche, die im Alltag zählen: Dokumententreue, Effizienz bei mehrstufigen Workflows, tatsächliche Token-Kosten.
Ich test jedes neue OpenAI-Modell trotzdem, aus demselben Grund, den ich schon bei GPT-5.5 im April beschrieben habe: Wer Kunden bei der Einordnung von KI-Werkzeugen begleitet, muss die größte Plattform der Welt einschätzen können, egal wie er persönlich zur Firma dahinter steht. Bei Astra kommt der Test später, aus genau diesem persönlichen Vorbehalt. Die Zahlen und die Einordnung ändern sich dadurch nicht.
Häufige Fragen zu GPT-6 Astra
Die Zahlen aus dem Launch-Post sind echt, die Frage ist nur, wie viel Testkonfiguration in ihnen steckt. Ich schau mir das an, sobald unabhängige Reproduktionen vorliegen, und aktualisiere dann.
