GPT-6 Astra im Check: was OpenAIs neues Modell wirklich kann, was es kostet und wo es sich lohnt

OpenAI hat am 3. September 2026 GPT-6 Astra vorgestellt und dabei große Worte gewählt: das „intelligenteste und am besten ausgerichtete Modell der Welt”, laut Greg Brockman sei es „nicht unvernünftig”, von einer AGI-Ära zu sprechen. Die Community rechnet nüchterner: 2,5-mal teurer als der Vorgänger, bei allgemeiner Intelligenz fast gleichauf. Beide Sichtweisen haben recht, weil sie verschiedene Dinge messen. Dieser Check ordnet ein, was Astra tatsächlich kann, wo die Zahlen beeindrucken, wo sie ernüchtern, und was ein Modell, das selbstständig am Computer arbeitet, für Unternehmen im DACH-Raum konkret bedeutet.

Kurz gesagt: Spezialist für selbstständiges Arbeiten, kein Sprung im Denken

Wer nur eine Einordnung mitnimmt, dann diese: GPT-6 Astra ist kein „schlaueres ChatGPT”, sondern ein Modell, das darauf trainiert wurde, Aufgaben selbstständig zu Ende zu bringen. Die Benchmark-Gewinne liegen fast vollständig dort, wo das Modell einen Computer bedient, recherchiert, Software testet oder Code über viele Schritte hinweg schreibt. Beim breiten Denken und Wissen bewegt sich Astra dagegen auf dem Niveau des Vorgängers.

• Agentisches Arbeiten: Computeraufgaben in 40 statt 75 Minuten, 72,6 Prozent auf OSWorld 2.0, 92,7 Prozent beim Bedienen von Bildschirm-Oberflächen.
• Allgemeine Intelligenz: 61,2 Punkte auf dem Artificial Analysis Intelligence Index, der Vorgänger GPT-5.6 Sol liegt bei 60,9. Praktisch Gleichstand.
• Preis: 10 / 50 US-Dollar je Million Token, exakt das Niveau von Claude Fable 5 und rund 2,5-mal über GPT-5.6 Sol.
• Cybersecurity: erstmals die OpenAI-Einstufung „Critical", die offensiven Fähigkeiten sind hinter einem Zugangs-Programm abgeschirmt.
• Verfügbarkeit: zahlende ChatGPT-Pläne und API (gpt-6-astra), kein kostenloser Zugang.

Was ist GPT-6 Astra?

GPT-6 Astra ist die erste Modellgeneration der GPT-6-Familie. Ein „Modell” ist hier das trainierte KI-System selbst; „agentisch” bedeutet, dass es Aufgaben nicht nur beantwortet, sondern in eigenen Arbeitsschritten ausführt: Es plant, klickt, tippt, prüft Zwischenergebnisse und korrigiert sich. Genau darauf ist Astra ausgelegt.

Die wichtigsten Eckdaten im Überblick:

Ein Token ist die Abrechnungseinheit der Modelle, grob ein Wortbestandteil; eine Million Token entsprechen mehreren hundert Seiten Text. Das Kontextfenster von rund einer Million Token bedeutet: Astra kann eine sehr große Codebasis, einen kompletten Dokumentenbestand oder eine mehrstündige Arbeitssitzung in einem Durchlauf im Blick behalten. Bemerkenswert ist der Wissensstand April 2026: Alles Neuere muss sich das Modell selbst erarbeiten, per Browsing. Dass genau dieses Browsing zu seinen stärksten Disziplinen gehört, ist kein Zufall, sondern die Design-Entscheidung dieser Generation.

Die Benchmarks: wo Astra dominiert und wo es stillsteht

Benchmarks sind standardisierte Testaufgaben, mit denen sich Modelle vergleichen lassen. Bei Astra lohnt der genaue Blick, denn die Ergebnisse fallen extrem auseinander: historische Bestwerte in den Spezialdisziplinen, Stillstand in der Breite.

Computer Use: die eigentliche Ansage

„Computer Use” heißt: Das Modell sieht einen Bildschirm und bedient ihn selbst, wie eine Person mit Maus und Tastatur. Hier liegen die deutlichsten Fortschritte:

Dazu kommt die Geschwindigkeit: Für OSWorld-Aufgaben braucht Astra rund 40 Minuten, wo der Vorgänger 75 Minuten benötigte. Das Modell arbeitet also nicht nur genauer, sondern erledigt Aufgaben fast doppelt so schnell. Auf AutomationBench, einem Benchmark für berufliche Automatisierung, liegt Astra mit 41,4 Prozent zudem deutlich vor Claude Fable 5.1 (31,4 Prozent).

Mathematik und abstraktes Denken: Bestwerte mit einem Ausreißer

Auf FrontierMath Tier 4, den schwersten veröffentlichten Mathematik-Aufgaben, erreicht Astra 97,6 Prozent (Claude Fable 5.1: 87,8). Auf GPQA Diamond, einem Test auf Doktoranden-Niveau, sind es 96,0 Prozent. Der auffälligste Wert ist ARC-AGI-3 mit 99,9 Prozent; dieser Benchmark misst abstraktes Muster-Denken, und Claude Opus 5 erreicht dort zum Vergleich 30,2 Prozent. Ein derart extremer Abstand verdient allerdings eine ehrliche Fußnote: Wenn ein einzelnes Modell einen Benchmark quasi löst, während die Konkurrenz weit darunter bleibt, stellt sich immer auch die Frage, wie stark auf genau diese Aufgabe hin optimiert wurde.

Coding: solide vorn, kein Durchmarsch

Auf Terminal-Bench 4.0 (Arbeiten in der Kommandozeile) führt Astra mit 57,7 vor Claude Fable 5.1 (55,8) und Claude Opus 5 (52,3). Auf DeepSWE v1.1, einem Benchmark für realistische Software-Aufgaben, sind es 74,1 gegenüber 72,7 Prozent beim Vorgänger. Gute Werte, aber in dieser Disziplin ist das Feld dicht beieinander; wer die Entwicklung der offenen Konkurrenz verfolgt hat, etwa Kimi K3 mit Platz 1 in der Code Arena, weiß, dass Coding-Führungen derzeit in Wochen wechseln.

Die Gegenprobe: allgemeine Intelligenz tritt auf der Stelle

Jetzt die andere Seite der Rechnung. Der Intelligence Index von Artificial Analysis, ein unabhängiger Sammelwert über viele Denk-Benchmarks, sieht Astra bei 61,2 Punkten; GPT-5.6 Sol liegt bei 60,9, Claude Fable 5.1 bei 65,7. Auf Humanitys Last Exam, einem sehr breiten Wissens- und Denktest, erreicht Astra mit Werkzeugen 57,2 Prozent, während Claude Fable 5.1 dort 65,0 Prozent erzielt. Und der Sammelwert von BenchLM verbessert sich von 81,8 (Sol) auf 81,9 Punkte, bei verdoppeltem Listenpreis.

Cybersecurity: erstmals „Critical”, und bewusst hinter einer Schleuse

Astra ist das erste OpenAI-Modell, dessen Cyber-Fähigkeiten intern als „Critical” eingestuft wurden. Die Zahlen erklären warum: 100 Prozent auf ExploitBench (Sol: 78,5; Claude Fable 5.1: 70), 42,4 Prozent auf dem schwereren ExploitGym (Sol: 30,3), und im Systembetriebs-Benchmark SRE-Bench löst Astra 88 Prozent der Vorfälle im ersten Anlauf. Während der Sicherheitstests fand das Modell zwei bis dahin unbekannte Sicherheitslücken, sogenannte Zero-Days.

OpenAI reagiert doppelt. Erstens sind die offensiven Fähigkeiten hinter dem Zugangs-Programm „Daybreak” abgeschirmt, das Sicherheitsforscher und Unternehmen freischalten müssen. Zweitens läuft eine zusätzliche Fehlverhaltens-Überwachung mit, die Aufgaben pausieren oder abbrechen kann; in der Praxis berichten Nutzer, dass diese Schutzschicht gelegentlich auch legitime Arbeit stoppt. Bemerkenswert ehrlich ist eine dritte Angabe aus OpenAIs eigener Dokumentation: Die „Monitorability”, also wie gut sich die Denkschritte des Modells von außen nachvollziehen lassen, ist gegenüber dem Vorgänger gesunken.

Dem gegenüber stehen zwei starke Sicherheitswerte, die OpenAI mit eigenen Grafiken belegt. Im Computer-Use-Stresstest, der misst, wie oft ein Agent beim selbstständigen Arbeiten am Rechner zu einem unerwünschten Ergebnis kommt, liegt Astra bei 2,4 Prozent; Claude Fable 5.1 liegt bei 9,5 und Claude Opus 5 bei 11,5 Prozent.

Und im ExploitGym-Honeypot, einer präparierten Falle, die Modelle gezielt zu einem unerlaubten Exploit einlädt, griff Astra in 0,0 Prozent der Fälle zu, der Vorgänger GPT-5.6 Sol in 48,2 Prozent.

Preise: 2,5-mal teurer, aber pro Aufgabe günstiger?

Beim Preis sortiert sich Astra exakt auf dem Niveau des teuersten Anthropic-Modells ein:

Dazu kommen die Nebenkonditionen, die in der Praxis oft mehr ausmachen als der Listenpreis: gecachter Input für 1 US-Dollar je Million Token, Batch- und Flex-Verarbeitung zum halben Preis, der Fast-Modus zum doppelten.

OpenAI begegnet der Preiskritik mit einem Argumentwechsel. Greg Brockman formulierte es so: Token-Preise ergäben wenig Sinn, entscheidend sei der Preis pro erledigter Aufgabe. Die Logik dahinter ist nicht falsch: Wenn Astra eine Computeraufgabe in 40 statt 75 Minuten erledigt, seltener in Fehlschleifen gerät und weniger Wiederholungen braucht, kann die Gesamtrechnung trotz höherer Token-Preise sinken; Schätzungen aus der Fachpresse sehen die Kosten pro erledigter OSWorld-Aufgabe rund die Hälfte unter dem Vorgänger.

OpenAI liefert zu diesem Argument eine eigene Grafik, die den Zusammenhang gut sichtbar macht: Auf Terminal-Bench Science 0.1 löst Astra bei einem API-Budget von rund 10 bis 26 US-Dollar zwischen 54 und 65 Prozent der Aufgaben, während Claude Fable 5.1 für niedrigere Lösungsraten teils deutlich mehr Budget benötigt.

Wichtig zur Einordnung: Die Grafik stammt von OpenAI selbst und zeigt einen Benchmark, der dem eigenen Modell liegt. Sie belegt aber sauber das Prinzip, um das es geht: Bei Agenten-Aufgaben entscheidet die Kurve aus Kosten und Lösungsrate, nicht der Listenpreis je Token.

Die Community hält dagegen, und ebenfalls zu Recht: Für alles, was keine lange Agenten-Aufgabe ist, zahlt man schlicht 2,5-mal mehr für praktisch gleiche Denkleistung. Nutzer von Coding-Abos warnen zudem, dass schon der Vorgänger token-hungrig war und Astra Kontingente entsprechend schneller leert. Beide Rechnungen stimmen; sie gelten nur für verschiedene Aufgaben. Wie man systematisch herausfindet, welche Rechnung für den eigenen Fall gilt, haben wir im Ratgeber KI-Tools bewerten beschrieben.

Was das für die Praxis bedeutet: Beobachtungen aus unserer Arbeit

Wir betreuen bei Dometrics Kampagnen, Shops und Tracking-Setups quer durch Branchen von Hotellerie bis B2B-Industrie. Aus dieser Perspektive sind fünf Konsequenzen von Astra interessanter als jeder einzelne Benchmark-Wert.

1. Wenn Agenten recherchieren, entscheidet Maschinenlesbarkeit über Sichtbarkeit

Astras stärkste Disziplin ist selbstständiges Browsen und Erledigen. Das beschleunigt eine Verschiebung, die in den Suchdaten längst sichtbar ist: Recherche und Vorauswahl übernimmt immer öfter ein KI-System, nicht mehr der Mensch mit zehn offenen Tabs. Ein Hotelgast lässt die Reise von einem Assistenten vergleichen, ein Einkäufer im Industriebetrieb lässt Zulieferer-Shortlists erstellen, ein Konsument lässt Produkte vorfiltern. Wer in diesen Antworten und Auswahlprozessen nicht vorkommt, existiert für einen wachsenden Teil der Kundenreise nicht. Die Konsequenz ist keine neue: strukturierte Daten, klare Entitäten, zitierfähige Inhalte, sauber crawlbare Seiten. Neu ist das Tempo, mit dem sie zur Voraussetzung wird. Das ist exakt das Feld von GEO, das wir in der Leistung GEO & AI Search und im Leitfaden Generative Engine Optimization beschreiben.

2. Agenten-Traffic stellt das Tracking auf die Probe

Ein Agent, der browst, Formulare ausfüllt und Anfragen stellt, hinterlässt Spuren, die klassische Messung verwirren: Besuche ohne Herkunftsinformation, die in GA4 als „Direct” landen, ausgefüllte Formulare ohne menschliche Absicht dahinter, Sitzungen mit untypischem Verhalten. Wir haben im Tracking-Audit-Ratgeber beschrieben, dass Klicks aus KI-Assistenten schon heute eine wachsende Quelle nicht zuordenbaren Traffics sind; mit leistungsfähigeren Computer-Use-Modellen wächst dieser Anteil weiter. Praktisch heißt das: Der Abgleich zwischen Werbekonto und Backend wird noch wichtiger, Lead-Validierung gehört in jedes Formular-Setup, und die Herkunfts-Parameter der eigenen Kampagnen müssen sauber stehen, damit menschlicher und maschineller Traffic unterscheidbar bleiben.

3. Routinearbeit in Werbekonten wird automatisierbarer, Kontrolle wichtiger

Der AutomationBench-Sprung (41,4 gegenüber 18,1 Prozent beim Vorgänger) betrifft genau die Sorte Arbeit, aus der Kampagnenbetrieb zu großen Teilen besteht: Daten zusammentragen, Reports befüllen, Einstellungen prüfen, Listen abarbeiten. Dass Modelle solche Abläufe zunehmend selbst erledigen, ist für Werbetreibende eine gute Nachricht, verschiebt die menschliche Arbeit aber dorthin, wo sie ohnehin hingehört: Hypothesen, Budget-Logik, Qualitätskontrolle. Wer Agenten in Werbekonten arbeiten lässt, braucht dieselbe Disziplin wie bei automatischen Gebotsstrategien; ein Algorithmus, der auf falsche Zahlen optimiert, wird durch mehr Autonomie nicht besser, sondern schneller falsch.

4. Die Modellwahl pro Aufgabe wird endgültig zur Wirtschaftlichkeitsfrage

Astra zum Fable-5-Preis, der Vorgänger zum Aktionspreis, Kimi K3 und GLM 5.2 deutlich darunter: Die Preisspanne zwischen den Frontier-Modellen beträgt inzwischen mehr als das Zehnfache, bei aufgabenabhängig völlig unterschiedlichem Gegenwert. Ein hypothetisches Rechenbeispiel macht die Logik greifbar: Angenommen, eine wiederkehrende Recherche-Aufgabe verbraucht 200.000 Token Output. Mit GLM 5.2 kostet der Durchlauf dann rund 0,88 US-Dollar, mit Astra rund 10 US-Dollar. Braucht das günstige Modell im Schnitt drei Anläufe und Nacharbeit, während Astra die Aufgabe zuverlässig im ersten Durchlauf abschließt, kippt die Rechnung; erledigt das günstige Modell die Aufgabe ebenso verlässlich, verbrennt der Astra-Einsatz schlicht Budget. Die Zahlen sind frei gewählte Annahmen, das Prinzip ist es nicht: Nicht der Token-Preis entscheidet, sondern der Preis pro verlässlich erledigter Aufgabe, gemessen an den eigenen Fällen.

5. Governance ist keine Konzern-Übung mehr

Ein Modell mit der Cyber-Einstufung „Critical”, gesunkener Nachvollziehbarkeit der Denkschritte und einer Schutzschicht, die Aufgaben auch mal fälschlich stoppt, gehört nicht ungesteuert in Geschäftsprozesse. Für Branchen mit Vertraulichkeitspflichten, etwa Rechtswesen und Finanzen, gilt das doppelt: klare Regeln, welche Daten ein Agent sehen darf, welche Systeme er bedienen darf und wo ein Mensch freigibt. Das ist keine Frage der Unternehmensgröße; ein KMU, dessen Agent selbstständig im Shop-Backend arbeitet, trägt dasselbe Risiko wie ein Konzern, nur ohne dessen Kontroll-Apparat.

So testen wir neue Modelle, bevor sie in Kundenprojekte dürfen

Zum Schluss der Teil, der sich auf jede Organisation übertragen lässt: ein nüchternes Testprotokoll statt Bauchgefühl. Bei uns durchläuft jedes neue Modell denselben Ablauf, und erst danach fällt die Entscheidung, ob und wofür es eingesetzt wird.

• Eigener Aufgaben-Katalog statt fremder Benchmarks: zehn bis zwanzig reale, wiederkehrende Aufgaben aus dem eigenen Alltag, mit dokumentiertem Soll-Ergebnis. Fremde Benchmarks sortieren vor, entscheiden dürfen nur die eigenen Fälle.
• Kosten pro erledigter Aufgabe messen, nicht pro Token: je Durchlauf Token-Verbrauch, Anzahl der Anläufe und Korrekturaufwand notieren. Erst daraus ergibt sich der ehrliche Vergleichspreis.
• Batch und Cache von Anfang an einplanen: Bei Astra halbiert die Batch-Verarbeitung den Preis, gecachter Kontext kostet ein Zehntel des Inputs. Wiederkehrende Aufgaben mit konstantem Kontext profitieren am stärksten.
• Grenzen aktiv testen: bewusst Aufgaben einstreuen, die das Modell überfordern oder die Schutzmechanismen auslösen, um das Abbruchverhalten zu kennen, bevor es im Ernstfall überrascht.
• Nicht migrieren, ergänzen: Ein neues Modell ersetzt selten den gesamten Bestand. Es übernimmt die Aufgaben, in denen es messbar besser oder günstiger ist, der Rest bleibt, wo er ist.

Für Astra heißt das nach aktuellem Stand: Kandidat für lange, mehrstufige Agenten-Aufgaben und automatisierte Abläufe; kein Kandidat für Text-Standardarbeit, dort bleibt der Preisabstand zu den offenen Modellen unbegründbar.

TL;DR

• Astra ist ein Spezialist: historische Bestwerte bei Computer Use, Agenten-Arbeit, Mathematik und Cybersecurity, aber praktisch keine Verbesserung der allgemeinen Intelligenz gegenüber GPT-5.6 Sol.
• Der Preis ist eine Ansage: 10 / 50 US-Dollar je Million Token, exakt Fable-5-Niveau und 2,5-mal über dem Vorgänger. Die Rechnung lohnt nur bei Aufgaben, in denen Astras Zuverlässigkeit Anläufe und Arbeitszeit spart.
• Cybersecurity als Zäsur: erstmals die Einstufung „Critical", zwei gefundene Zero-Days, Zugangs-Programm und Überwachungsschicht inklusive. Governance wird Pflicht, auch im Mittelstand.
• Für die Sichtbarkeit zählt jetzt Maschinenlesbarkeit: Je mehr Agenten recherchieren und vorauswählen, desto mehr entscheidet strukturierter, zitierfähiger Content darüber, wer in der Kundenreise überhaupt noch vorkommt.
• Fürs Tracking gilt erhöhte Wachsamkeit: Agenten-Traffic ohne Herkunft und maschinell ausgefüllte Formulare machen den Abgleich zwischen Werbekonto und Backend wichtiger denn je.
• Die Modellwahl bleibt eine Rechnung pro Aufgabe: zwischen GLM 5.2, Kimi K3, den Claude-Modellen und Astra liegt mehr als Faktor zehn im Preis; welches Modell sich lohnt, entscheiden die eigenen Testfälle, nicht die Ankündigung.

Weiterlesen: Kimi K3 im Check · KI-Tools systematisch bewerten · Generative Engine Optimization

Zur Leistung: GEO & AI Search bei Dometrics

Begriffe nachschlagen: GEO · SEO · Server-Side-Tracking · Attribution · alle Begriffe im Glossar

Häufige Fragen

Was ist GPT-6 Astra?

GPT-6 Astra ist die erste Modellgeneration der GPT-6-Familie von OpenAI, vorgestellt am 3. September 2026. Das Modell verarbeitet rund 1,05 Millionen Token Kontext, versteht Text und Bilder und ist auf agentisches Arbeiten spezialisiert, also auf Aufgaben, die es selbstständig am Computer ausführt: Formulare ausfüllen, recherchieren, Software bedienen und testen.

Was kostet GPT-6 Astra?

Über die API kostet Astra 10 US-Dollar pro Million Input-Token und 50 US-Dollar pro Million Output-Token. Gecachter Input liegt bei 1 US-Dollar, Batch- und Flex-Verarbeitung bei der Hälfte des Standardpreises, der schnelle Fast-Modus beim Doppelten. Damit ist Astra rund 2,5-mal teurer als der Vorgänger GPT-5.6 Sol zum aktuellen Aktionspreis.

Ist GPT-6 Astra besser als GPT-5.6 Sol?

Bei Agenten-Aufgaben klar: Auf OSWorld 2.0 erledigt Astra Computeraufgaben in etwa 40 statt 75 Minuten und erreicht 72,6 statt 65,7 Prozent. Bei allgemeiner Intelligenz dagegen kaum: Auf dem Artificial Analysis Intelligence Index liegen beide fast gleichauf (61,2 zu 60,9 Punkte). Astra ist ein Spezialist für selbstständiges Arbeiten, kein großer Sprung im Denken.

Wie schlägt sich GPT-6 Astra gegen Claude Fable 5?

Gemischt. In Agenten- und Automatisierungs-Benchmarks wie AutomationBench (41,4 zu 31,4 Prozent) und in Mathematik (FrontierMath Tier 4: 97,6 zu 87,8 Prozent) liegt Astra vorn. Beim breiten Wissens-Benchmark Humanitys Last Exam liegt Claude Fable 5.1 mit 65,0 zu 57,2 Prozent vorn, ebenso beim Intelligence Index von Artificial Analysis (65,7 zu 61,2).

Welches Kontextfenster hat GPT-6 Astra?

Rund 1,05 Millionen Token Kontext bei bis zu 128.000 Token Output. Das reicht für sehr große Codebasen, lange Dokumentsammlungen oder mehrstündige Arbeitssitzungen eines Agenten in einem Durchlauf. Der Wissensstand des Modells reicht bis April 2026.

Was bedeutet Computer Use bei GPT-6 Astra?

Das Modell kann einen Bildschirm sehen, verstehen und selbst bedienen: Es klickt, tippt, füllt Formulare aus, aktualisiert CRM-Einträge, recherchiert im Browser und testet Software. Auf dem Benchmark ScreenSpot-Pro, der genau dieses Bedienen von Oberflächen misst, erreicht Astra 92,7 Prozent gegenüber 76,9 Prozent beim Vorgänger.

Warum stuft OpenAI GPT-6 Astra bei Cybersecurity als kritisch ein?

Astra ist das erste OpenAI-Modell mit der Einstufung „Critical" für Cyber-Fähigkeiten. Im Benchmark ExploitBench erreicht es 100 Prozent, und während der Tests fand das Modell zwei bis dahin unbekannte Sicherheitslücken. Die offensiven Fähigkeiten sind deshalb hinter dem Zugangs-Programm Daybreak abgeschirmt und werden von zusätzlichen Schutzmechanismen überwacht.

Für wen lohnt sich GPT-6 Astra?

Für Aufgaben, die lange laufen und viele Schritte haben: mehrstufige Recherchen, Software-Tests, Datenpflege in Systemen, komplexe Coding-Aufgaben. Dort gleicht die schnellere, zuverlässigere Ausführung den höheren Token-Preis oft aus. Für einfache Fragen und Text-Standardaufgaben bleiben günstigere Modelle die wirtschaftlichere Wahl.

Wo ist GPT-6 Astra verfügbar?

Der Rollout startete am 3. September 2026 zunächst für ausgewählte Organisationen, danach für zahlende ChatGPT-Nutzer (Plus, Pro, Business, Enterprise) und über die API unter der Modell-ID gpt-6-astra. Einen kostenlosen Zugang gibt es nicht. Neben Astra existiert die Variante Astra Pro; AWS Bedrock ist angekündigt.

Was bedeutet GPT-6 Astra für Marketing und Sichtbarkeit?

Je besser Modelle selbstständig browsen und Aufgaben erledigen, desto häufiger recherchiert und vergleicht künftig ein Agent statt eines Menschen. Sichtbar bleibt dann, wessen Inhalte maschinenlesbar, strukturiert und zitierfähig sind. Gleichzeitig taucht dieser Agenten-Traffic im Tracking oft ohne Herkunft auf, was die Messung und Bewertung von Kanälen verändert.

Quellen

• OpenAI: GPT-6 Astra – A new generation of intelligence
• Vellum: GPT-6 Astra Benchmarks Explained
• eesel AI: GPT-6 Astra – what it does, what it costs, and the catch
• BenchLM: GPT-6 Astra Benchmarks & Pricing
• The New Stack: OpenAI launches GPT-6 Astra and says welcome to the AGI era
• DEV Community: GPT-6 Astra costs 2.5x more than GPT-5.6 Sol and scores about the same