‏بررسی GPT-6 Astra؛ مدلی که OpenAI بهش میگه AGI

شرکت OpenAI مدل جدیدش GPT-6 Astra رو معرفی کرده و گرگ بروکمن، رئیس شرکت، رسماً گفته «به دوران AGI خوش اومدید». به گفته زوی موشویتز، نویسنده این بررسی، Astra تو کارهای بلندپروازانه مثل طراحی سه‌بعدی، ساخت بازی، استفاده از کامپیوتر (باز کردن و کار کردن با اپ‌های مختلف) و هماهنگ کردن چند subagent (ایجنت‌های فرعی که همزمان کار می‌کنن) واقعاً یه پله بزرگ جلوتر از مدل قبلی OpenAI یعنی Sol ـه. ولی نویسنده تاکید می‌کنه خودش این مدل رو AGI نمی‌دونه، هرچند دیگه بحث AGI بودنش رو جدی می‌گیره.

از نظر قیمت، هر میلیون توکن ورودی ۱۰ دلار و خروجی ۵۰ دلاره؛ نوشتن تو کش ۱۲.۵ دلار و خوندن از کش فقط ۱ دلاره، ولی اگه پرامپت از ۲۷۲ هزار توکن بیشتر بشه قیمت ورودی دو برابر و خروجی ۵۰ درصد بیشتر می‌شه. تو بنچمارک‌های رسمی، Astra نمره‌های چشمگیری مثل ۹۸ درصد تو FrontierMath Tier 4 و ۹۹.۹ درصد تو ARC-AGI-3 گرفته، و طبق گزارش سازنده ARC-AGI این جهش واقعاً غیرمنتظره بوده.

نویسنده به نحوه ارائه این نتایج ایراد جدی می‌گیره. میگه نموداری که OpenAI برای مقایسه بنچمارک اصلی منتشر کرده گمراه‌کننده‌ست، چون مدل قبلی OpenAI با همون روش سختگیرانه احتمالاً نمره خیلی پایین‌تری می‌گرفت. نمره صد درصدی Astra تو ExploitBench (بنچمارک تست نفوذ امنیتی) هم بیشتر نشونه تقلب یا آلودگی داده‌ست تا توانایی واقعی.

نکته‌ای که نویسنده بیشتر از همه روش تاکید می‌کنه اینه که Astra حتی وقتی حالت «فکر کردن آشکار» (chain-of-thought، یعنی نوشتن مراحل استدلال قبل از جواب) خاموشه، بازم نمره‌های خیلی بالایی می‌گیره؛ مثلاً ۹۶.۷ درصد تو ARC-AGI-3 بدون هیچ استدلال قابل مشاهده‌ای. این نگران‌کننده‌ست چون نظارت بر ایمنی مدل‌ها معمولاً از راه خوندن همین زنجیره فکری انجام می‌شه.

تو مقایسه با Fable 5.1 (یه مدل رقیب از خانواده Claude)، هرکدوم تو بعضی بنچمارک‌ها جلوترن؛ Astra تو Vending-Bench و بنچمارک استقرا برنده‌ست ولی تو MirrorCode و یه بنچمارک مناظره از Fable 5.1 عقبه. واکنش‌ها هم دوگانه‌ست: بعضی کاربرها میگن Astra جاه‌طلبی‌شون رو بالا برده و کارهایی می‌کنه که قبلاً غیرممکن به نظر می‌رسید، ولی بعضی دیگه میگن این فقط یه بهبود پراکنده و موضعیه و جهش واقعی تو هوش عمومی مدل نمی‌بینن.

نکات کلیدی:

• OpenAI مدل GPT-6 Astra رو منتشر کرده و رئیسش بهش میگه AGI؛ نویسنده این ادعا رو قبول نداره ولی دیگه بحثش رو جدی می‌دونه.
• قیمت هر میلیون توکن ۱۰ دلار ورودی و ۵۰ دلار خروجیه؛ برای پرامپت‌های بالای ۲۷۲ هزار توکن قیمت‌ها بالاتر می‌ره.
• نمره صد درصدی Astra تو ExploitBench به احتمال زیاد نشونه آلودگی داده‌ست، نه توانایی واقعی امنیتی.
• Astra حتی بدون فکر کردن آشکار (chain-of-thought) هم نمره بالا می‌گیره؛ این می‌تونه ابزار نظارت ایمنی مدل‌ها رو بی‌اثر کنه.