Con Astra, la caja negra de OpenAI se vuelve aún más opaca

GPT-6 Astra es el primer modelo insignia de OpenAI de la generación GPT-6, y el primer modelo que la empresa ha clasificado como de nivel «crítico» en materia de ciberseguridad en el marco de su Preparedness Framework, el mecanismo interno de OpenAI diseñado para identificar las capacidades de los modelos de vanguardia que podrían suponer riesgos de daños graves.

OpenAI ha retrasado su implementación a gran escala con el fin de reforzar los mecanismos de aislamiento, supervisión y alineación.

• Greg Brockman, presidente y cofundador de OpenAI, considera que GPT-5.6 Astra supuso un «salto generacional» capaz de marcar el inicio de la era de la IGA ¹: «inteligencia artificial general», es decir, una IA capaz de pensar y actuar como un ser humano.
• En julio, Sam Altman ya había afirmado que estábamos entrando «en la era de la singularidad» ². Por su parte, Mark Chen, director de investigación de OpenAI, estima que el laboratorio ya ha recorrido aproximadamente el 80% del camino hacia la IA general ³.
• La definición de AGI varía según los centros de investigación punteros. Para OpenAI, el término hace referencia a sistemas altamente autónomos que superan a los humanos en la mayoría de las tareas.

GPT-5.6 Astra representa el mayor entrenamiento previo de OpenAI, llevado a cabo en más de 100.000 procesadores gráficos (GPU) de la generación B200 en su centro Stargate, en Texas, según Aidan Clark, vicepresidente de Investigación, lo que supone entre 200 y 250 MW de potencia informática. Esto equivale a un entrenamiento de unos mil millones de dólares ⁴. A modo de comparación, a excepción de Alibaba y ByteDance, los principales laboratorios chinos dispondrían de unos 100–200 MW de potencia de cálculo en total cada uno, que deben repartirse entre la inferencia, la investigación y el entrenamiento de los modelos.

• El precio de GPT-5.6 Astra es similar al de Fable 5: 10 dólares por millón de tokens de entrada y 50 dólares por millón de tokens de salida, es decir, 2,5 veces las tarifas nominales de GPT-5.6 Sol. 
• En tareas con un alto grado de agencialidad, GPT-5.6 Astra podría resultar notablemente más caro que Fable 5.1, principalmente debido al precio de los tokens recuperados de la caché (1 dólar por millón de tokens para GPT-5.6 Astra, frente a 0,25 dólares para Fable 5.1) ⁵.

Arquitectura

Un artículo de The Information, no confirmado por OpenAI y publicado antes del lanzamiento de GPT-6 Astra, indicaba que la arquitectura del modelo utilizaría la «profundidad recurrente» («recurrent depth»), una variante del «transformador en bucle» («looped transformer») en la que algunos bloques del modelo se reutilizan varias veces para aumentar su profundidad efectiva, sin por ello incrementar proporcionalmente el número de parámetros ⁶.

La idea de reutilizar las mismas capas de un Transformer en varias profundidades surgió ya en 2018 ⁷.

• La ventaja de una arquitectura con recurrent depth es que permite realizar más operaciones de cálculo sin aumentar en la misma proporción el número de parámetros.
• En el entrenamiento, esto aumenta los FLOPs por parámetro —es decir, las operaciones de coma flotante por segundo, una unidad que se utiliza para medir la potencia de cálculo de un procesador— y, por lo tanto, reduce las necesidades de comunicación entre los aceleradores.
• Esta técnica resulta especialmente ventajosa a muy gran escala, donde la memoria y las interconexiones suelen suponer más limitaciones que los propios FLOP.
• Un estudio sobre leyes de escala realizado por Tsinghua y ByteDance Seed (Wang et al., 2026) ⁸ sugiere que los looped transformers son más eficientes en términos de cálculo durante el preentrenamiento, y que las mejoras más notables se producen en el código.

En cuanto a la inferencia, este mismo principio permitiría a GPT-5.6 Astra realizar más cálculos por token sin duplicar la huella de memoria de sus pesos. Normalmente, un modelo dos veces más grande requiere aproximadamente el doble de HBM para almacenar sus pesos, por lo que se necesitan más GPU por cada copia del modelo.

• Los resultados del artículo de Geiping et al. ⁹ sobre la recurrent depth sugieren que este tipo de modelo progresa especialmente en tareas de razonamiento complejas, mientras que una simple duplicación del número de parámetros proporciona una mayor capacidad para almacenar conocimiento.
• La recurrent depth también puede permitir aumentar el número de consultas procesadas simultáneamente en un modelo que se utiliza a gran escala y, por lo tanto, mejorar el rendimiento en la inferencia al aumentar la tasa de utilización de las GPU.

La capacidad de monitorización disminuye con GPT-6 Astra

Jakub Pachocki, director científico de OpenAI, ha descrito la profundidad computacional del modelo como dos veces superior a la de GPT-4, lo que sugiere que GPT-5.6 Astra no contiene un gran número de recurrencias. Esto es especialmente importante para la monitorización del modelo.

• Pachocki hizo esta aclaración en un contexto de preocupación por los efectos de esta arquitectura en la capacidad de seguimiento de la cadena de razonamiento.
• Así, algunos investigadores han señalado que, cuanto más cálculos internos realice un modelo entre dos tokens generados, mayor es el riesgo de que una parte de su razonamiento escape a la observación del CoT: los tokens intermedios del razonamiento del modelo.
• Estas cadenas de pensamientos verbalizados constituyen uno de los principales medios para detectar estrategias de evasión u objetivos indeseables antes de que se traduzcan en acciones.

I want to prevent a race into unmonitorability kicked off by confused reporting. The depth of the computation graph for our present frontier models, including Astra, is within a factor of two of GPT-4.

OpenAI has worked to preserve and utilize chain-of-thought monitoring since…

— Jakub Pachocki (@merettm) September 2, 2026

Independientemente de si la arquitectura es la causa o no, la disminución de la monitorabilidad documentada en la ficha del sistema de GPT-6 Astra va de la mano con el aumento de las capacidades del modelo. GPT-5.6 Astra es más capaz que sus predecesores de resolver problemas difíciles sin necesidad de externalizar su razonamiento en forma de cadena de pensamiento.

• GPT-5.6 Astra genera, de media, cadenas de pensamiento más cortas y menos informativas que GPT-5.6 Sol.
• El AISI (AI Safety Institute) ha medido el horizonte temporal de resolución sin CoT de GPT-5.6 Astra en problemas matemáticos: este se corresponde con el tiempo de trabajo que tardaría un ser humano (en este caso, un participante en competiciones de matemáticas de muy alto nivel) en resolver los problemas que el modelo resuelve correctamente en el 50% de los casos, cuando se le prohíbe generar un razonamiento intermedio observable.

GPT-5.6 Astra alcanza así los 30,9 minutos de tiempo humano, frente a los 3,6 minutos de GPT-5.6 Sol ¹⁰.

• En otras palabras, GPT-5.6 Astra puede dar directamente la respuesta correcta a problemas que a un experto humano le llevarían aproximadamente media hora resolver, sin explicar los pasos del razonamiento que le llevan a ella.
• GPT-5.6 Astra también es más capaz de controlar el contenido de su cadena de pensamiento. Un modelo que puede elegir lo que expresa verbalmente puede generar una CoT que no refleje la estrategia que está siguiendo.

Astra is much better than previous models at accomplishing difficult tasks without needing to use CoT. @AISecurityInst estimates that without CoT it can accomplish tasks that would take a human 30 minutes. This is a significant jump compared to previous models, which is… pic.twitter.com/3k9AzdYS50

— Tomek Korbak (@tomekkorbak) September 3, 2026

• Este fenómeno ya se había observado durante una auditoría detallada en la ficha del sistema de Mythos 5 ¹¹: tras bloquear el acceso a una URL que, sin embargo, estaba prohibida por su «system prompt», el modelo fragmentó la URL para eludir el filtro, al tiempo que presentaba en su cadena de pensamiento visible la acción como una simple prueba de conectividad.
• Los métodos de interpretabilidad aplicados a las activaciones han puesto de manifiesto de forma explícita una estrategia para eludir el filtro.

Pruebas de rendimiento y evaluación de vanguardia

Ciencia y razonamiento 

GPT-6 Astra alcanza un ECI (Índice de Capacidades de Epoch) de 169: un avance sustancial, aunque Epoch AI lo sitúa dentro del intervalo de incertidumbre de la tendencia observada desde la era de los modelos de razonamiento. El ECI agrupa pruebas de referencia de matemáticas, programación, ciencias y tareas de agencia en una misma escala de dificultad, lo que permite comparar modelos incluso cuando no se han sometido exactamente a las mismas evaluaciones.

• En FrontierMath Tier 4, GPT-5.6 Astra obtiene un 97,6%, frente al 83% de GPT-5.6 Sol y al 87,8% de Fable 5.1.
• Este Nivel 4 contiene 43 problemas originales de nivel de investigación, elaborados y revisados por matemáticos profesionales; algunos están concebidos como pequeños proyectos de investigación que pueden requerir varias horas, o incluso más, a un especialista en la materia.
• En cuanto a los problemas de investigación sin resolver, GPT-5.6 Astra resuelve 2 de los 68 problemas de FrontierMath Erdős, mientras que ningún modelo había logrado resolver ninguno anteriormente ¹².

GPT-5.6 Astra ha mejorado un resultado en teoría de números al demostrar que existen infinitos pares de números primos consecutivos separados por un máximo de 186. La demostración se ha formalizado en Lean, por lo que ha sido verificada automáticamente, paso a paso, por un asistente de demostración ¹³.

• GPT-5.6 Astra alcanza el límite de ARC-AGI-3, la tercera generación de un banco de pruebas de razonamiento lanzado en marzo de 2026, diseñado para evaluar la capacidad de adaptación a nuevas tareas y seguir siendo exigente a pesar del aumento de escala de los modelos.
• En FrontierCode 1.1, el banco de pruebas privado de Cognition compuesto por tareas reales de desarrollo de software, GPT-5.6 Astra alcanza un nivel equivalente al de Fable 5, pero con un coste medio por tarea un 64% inferior.

Cibernética 

En las pruebas «honeypot» («trampa de miel»), inspiradas en el incidente de Hugging Face, OpenAI selecciona las tareas más difíciles —a veces imposibles— de ExploitGym y observa si el modelo intenta comprometer la infraestructura de seguridad circundante en lugar de resolver la tarea.

• Sin medidas de seguridad en la generación, GPT-5.6 Sol recurre a este atajo en el 56% de los casos, mientras que GPT-6 Astra lo hace en el 0%, lo que pone de manifiesto una mejor alineación de GPT-6 Astra con respecto a sus predecesores.
• En una prueba interna destinada a evaluar la capacidad de explotación de vulnerabilidades cibernéticas desarrolladas para controlar el riesgo de contaminación en el benchmark público ExploitBench, saturado por GPT-5.6 Astra, el modelo alcanza un 39,0%, frente al 11,5% de GPT-5.6 Sol, y descubre durante las evaluaciones dos vulnerabilidades hasta entonces desconocidas.

Trabajo agente y automatización del trabajo profesional

Con GPT-5.6 Astra, OpenAI pretende acercarse a un «trabajador digital» capaz de pasar de un navegador al código y, a continuación, a un programa informático profesional en el transcurso de una misma tarea.

• Este avance se aprecia especialmente en AutomationBench, que evalúa la ejecución de flujos de trabajo profesionales de varias etapas: GPT-5.6 Astra supera el 41,4% de las tareas, frente al 18,1% de GPT-5.6 Sol.
• En OSWorld 2.0, que exige al modelo manejar directamente un entorno informático y sus aplicaciones, GPT-5.6 Astra alcanza un 72,6%, frente al 65,7% de Sol, al tiempo que realiza las tareas en unos 40 minutos de media, frente a los 75 minutos de su predecesor.