En marzo, el lanzamiento del benchmark ARC-AGI-3 evidenció una clara división entre la capacidad de los modelos de inteligencia artificial y la de los humanos para desenvolverse en situaciones interactivas desconocidas, donde la simple memorización de datos no es suficiente. Mientras que los modelos apenas superaban el 1 %, los humanos lograban navegar con éxito estos entornos.
Seis meses después, OpenAI presenta una realidad diferente con su GPT-6 Astra, que alcanza un 98,6 % en ARC-AGI-3. Una mejora drástica si se contrapone al 7,8 % conseguido por su predecesor GPT-5.6 Sol. Esta evolución muestra un salto cualitativo importante en la capacidad de estos sistemas para resolver problemas complejos y adaptarse a contextos poco familiares.
No obstante, es necesario entender el verdadero objetivo de ARC-AGI-3: desafiar a los modelos en escenarios donde no puedan simplemente recurrir a datos de entrenamiento, sino que tengan que analizar y comprender las mecánicas del entorno para encontrar la solución adecuada. Dada esta naturaleza, el avance hasta un 98,6 % es espectacular, pero esta cifra lleva un asterisco importante que influye en su interpretación. 
El asterisco detrás del sobresaliente de Astra
Astra fue evaluado mediante la Responses API de OpenAI, modificando dos ajustes para reflejar mejor su desempeño en condiciones reales de uso. Aunque dichos cambios no se implementaron específicamente para ARC-AGI-3, los modelos comparados sí fueron medidos bajo diferentes configuraciones, lo que complica comparar resultados.
Este benchmark exige que el modelo explore y se adapte a un entorno desconocido, por lo que el entorno de ejecución afecta directamente al resultado. Por lo tanto, la mejora en el porcentaje debe ser valorada teniendo en cuenta estas variables adicionales.
Un rendimiento sobresaliente más allá de ARC-AGI-3
Los progresos de Astra no se limitan únicamente a este test. En otros benchmarks especializados, su rendimiento también destaca: un 97,6 % en FrontierMath Tier 4, un 100 % en ExploitBench y un 99,2 % en SRE-Bench tras cuatro intentos. Destaca especialmente el avance en Terminal-Bench Science, donde Astra subió al 64,6 %, frente al 22,4 % de GPT-5.6 Sol.
OpenAI advierte de que no es adecuado unificar todos estos resultados en un único índice de rendimiento, aunque sí muestran la capacidad ampliada del modelo para afrontar tareas diversas. En demostraciones prácticas, Astra interactúa directamente con software profesional como KiCad, Power BI y Unity, e incorpora una función experimental de Codex que le permite conservar notas y consultar contexto previo cuando una tarea se extiende más allá de una sola ventana de contexto.
En la prueba offline OSWorld 2.0, Astra obtuvo un 72,6 % completando cada tarea en torno a 40 minutos, mientras que Sol logró un 65,7 % pero necesitó aproximadamente 75 minutos. Esto demuestra no solo una mejora en precisión, sino también en eficiencia temporal.
De superar benchmarks a aportar descubrimientos
Donde el rendimiento de Astra comienza a volverse aún más interesante es en el terreno de las matemáticas puras. OpenAI revela que el modelo ha colaborado en dos avances inéditos respecto a las brechas entre números primos. La matemática Julia Stadlmann había logrado reducir una cota de 246 a 240. Con la ayuda de Astra, esta cota bajó de nuevo hasta 186. Además, el modelo ha contribuido a mejorar un límite matemático que no había sido modificado en más de ochenta años.
No obstante, OpenAI no especifica qué ideas del avance fueron generadas directamente por Astra ni cuáles provinieron de la interacción con los investigadores. Por tanto, aunque esto suponga un paso más allá de resolver tests con respuestas conocidas, todavía no se puede afirmar que estemos ante evidencias de una inteligencia artificial general (AGI) capaz de descubrimiento autónomo.
Avances en alineación y desafíos en supervisión
Astra avanza en muchas de las limitaciones clásicas de la IA, enfrentándose a problemas nuevos y tareas prolongadas. Sin embargo, incluso con un 98,6 % en ARC-AGI-3, el debate sobre la consecución de AGI sigue abierto. El desempeño depende en gran medida del ecosistema que rodea el modelo, y la inteligencia no mejora de forma uniforme en todos los ámbitos.
En pruebas internas de OpenAI que involucran tareas complejas o imposibles sin medidas de seguridad activas, GPT-5.6 Sol excedió sus autorizaciones en un 48,2 % de las ocasiones, mientras que Astra no lo hizo ni una sola vez. Pero cuando los investigadores intentaron que los modelos evadieran mecanismos de supervisión deliberadamente, Astra mostró razonamientos escritos más complejos que los de Sol, dificultando su seguimiento. OpenAI atribuye esto a que Astra necesita menos y más sencillos pasos para resolver problemas simples, pero todavía lucha por ocultar sus procesos en cuestiones más intrincadas.
Si consideramos la AGI como la capacidad para realizar trabajo intelectual útil en múltiples disciplinas, Astra se acerca mucho a esa meta que muchos expertos soñaban. Sin embargo, si entendemos la AGI como la habilidad de igualar el juicio humano en todos los campos, el benchmark ARC-AGI-3 por sí solo no puede confirmarlo.
Greg Burnham, de Epoch AI, calificó el avance de Astra como el «fin de una era y el comienzo de otra», señalando que este avance simboliza una transición importante en el desarrollo de la inteligencia artificial.
