‏GPT-6 Astra بی‌صدا فکر می‌کنه

تو این مقاله اومده که نگرانی اصلی دربارهٔ GPT-6 Astra، مدل تازهٔ OpenAI، خود توانایی‌ش نیست بلکه silent reasoning ـه (یعنی مدل جواب درست رو می‌ده بدون اینکه مراحل فکرش رو به‌شکل متنِ قابل خوندن بیرون بده). Astra تو Frontier Math Tier 4، بنچمارکی که عمداً تقریباً حل‌نشدنی طراحی شده، حدود ۸۳ درصد گرفته اونم با scratchpad خاموش، و با روشن‌بودنش بالاتر.

چرا این مهمه؟ چند ساله که chain-of-thought monitoring (یعنی خوندن همون فکرِ بلندِ مدل قبل از جواب نهایی) یکی از ارزون‌ترین ابزارهای ایمنی آزمایشگاه‌ها بوده. این روش فقط وقتی جواب می‌ده که متنِ دیده‌شده واقعاً نمایندهٔ کاری باشه که داخل مدل می‌گذره. مدلی که بدون جا گذاشتن رد و نشون به همون کیفیت جواب می‌رسه، یعنی فرایند حل مسئله‌ش حتی برای سازنده‌هاش هم تا حدی مبهمه.

کنار این بحث، نتیجه‌های Astra سخت قابل نادیده‌گرفتنه. تو Terminal Bench Science که مدل باید روی دیتاست‌های واقعی و به‌هم‌ریخته کد بزنه و فرضیهٔ غلط جریمه داره، بالاتر از سطح متخصص عمل کرده. تو Agent's Last Exam، بنچمارک برکلی با هزاران تسکِ بازبینی‌شده از ۵۵ صنعت، رکورد تازه زده و از نظر هزینه هم از Claude Opus 5.1 جلو زده. تو Screen Spot Pro هم حدود ۹۲ درصد دقت گرفته.

به نوشتهٔ مقاله، محکم‌ترین شاهد علیه این اتهام که «فقط بلده تست بده» از Arc AGI 3 میاد: Astra بازی‌های تازه‌ای که قبلاً ندیده بود رو با حدود نصفِ تعداد حرکتِ آدم‌هایی که موفق شده بودن حل کرده، در حالی که سازنده‌های خودِ بنچمارک انتظار داشتن این برتری دستِ انسان بمونه. نرخ توهمش هم چند برابر کمتر شده، ولی از بین نرفته و تو گفتگوهای طولانی بدتر می‌شه.

نویسنده می‌گه اگه استدلالِ بی‌صدا تو مدل‌های مرزی عادی بشه، آزمایشگاه‌ها یه سپر ایمنیِ ارزون رو از دست می‌دن و باید برن سراغ روش‌های گرون‌ترِ تفسیرپذیری. این یه بحث سرعتِ انتشار هم هست: دسترسی Astra مرحله‌ای باز شده، اول مشتری‌های API و کاربرهای Pro. اگه نظارت‌پذیری همین‌طور افت کنه، فشار برای کندتر کردن انتشار عمومی بیشتر می‌شه.

نکات کلیدی:

• تو Frontier Math Tier 4 بدون chain of thought حدود ۸۳ درصد، و با اون بالاتر
• تو Arc AGI 3 حل مسئله با تقریباً نصف حرکت‌های انسان، خلاف انتظار سازنده‌های بنچمارک
• رکورد تازه تو Agent's Last Exam با هزینهٔ توکن کمتر از Claude Opus 5.1
• دقت حدود ۹۲ درصد تو Screen Spot Pro برای کار با رابط نرم‌افزارهایی مثل Adobe Premiere
• نرخ توهم چند برابر کم شده ولی تو گفتگوهای طولانی هنوز بالا می‌ره
• انتشار مرحله‌ای: اول API و Pro، بعد Plus؛ کاربر رایگان تو این مرحله سهمی نداره