Тесты
GPT-6 в бенчмарках: что заявляет OpenAI и что видят независимые рейтинги
По независимому индексу Artificial Analysis у GPT-6 Astra 56,9 балла на конец октября 2026 года — в полутора баллах от Claude Opus 5.5. Собственные цифры OpenAI выше и эффектнее, но часть из них получена в особых условиях. Ниже — обе группы результатов и то, чем они отличаются.
Сверено 29 октября 2026 · по анонсу OpenAI и рейтингам, снятым 22–29 октября
- Индекс Artificial Analysis v5
- 56,9
- LMArena, текст
- 1476 Эло
- ARC-AGI-2
- 95,0 %
- Terminal-Bench 4.0, прогон AA
- 59,1 %
Цифры из анонса OpenAI
OpenAI публикует результаты на максимальном уровне размышлений, полученные в своей исследовательской среде или через API. Компания оговаривается, что в ChatGPT ответы могут немного отличаться из-за системных инструкций и набора инструментов.
| Тест | Что проверяет | GPT-6 Astra | GPT-5.6 Sol |
|---|---|---|---|
| Terminal-Bench 4.0 | агентная работа в терминале | 57,9 % | 37,3 % |
| OSWorld 2.0, офлайн | управление компьютером | 72,6 % | 65,7 % |
| Agents' Last Exam | профессиональные задачи в реальных программах | 59,3 % | 53,6 % |
| GPQA Diamond | научные вопросы уровня аспирантуры | 96,0 % | 94,6 % |
| FrontierMath Tier 4 | исследовательская математика | 97,6 % | 83,0 % |
| ARC-AGI-2 | абстрактное мышление | 95,0 % | 92,5 % |
| BrowseComp | поиск в интернете | 91,5 % | 90,4 % |
| MRCR v2, 512 тыс. — 1 млн токенов | поиск в сверхдлинном контексте | 96,3 % | 73,8 % |
| Внутренний тест галлюцинаций | ложные утверждения, меньше — лучше | 4,2 % | 12,2 % |
openai.com/index/gpt-6-astra, таблицы анонса; максимальный уровень размышлений
Независимые замеры
| Источник и показатель | GPT-6 Astra | GPT-6 Luna |
|---|---|---|
| Artificial Analysis, Intelligence Index v5 | 56,9 | 27,8 |
| Artificial Analysis, Humanity's Last Exam | 54,7 % | 38,5 % |
| Artificial Analysis, Terminal-Bench 4.0 | 59,1 % | 12,6 % |
| Artificial Analysis, GPQA Diamond | 96,1 % | нет замера |
| LMArena, текст, Эло | 1476 | 1442 |
| ARC Prize, ARC-AGI-3, стандартная обвязка | 62,7 % | 0,1 % |
| ARC Prize, ARC-AGI-2 | 95,0 % | 59,3 % |
Artificial Analysis — снято 29 октября 2026; LMArena — срез 22 октября; ARC Prize — данные 28 октября
Artificial Analysis сам прогоняет модели в одинаковых условиях, поэтому его цифры сопоставимы между разработчиками. На Terminal-Bench 4.0 независимый результат Astra даже немного выше заявленного OpenAI, а по GPQA Diamond цифры разошлись всего на десятую: 96,1 % против 96,0 %. По коду и науке заявления компании, таким образом, подтверждаются.
LMArena измеряет другое — какие ответы люди предпочитают в слепом сравнении. Здесь разрыв внутри поколения невелик: у Astra 1476 баллов, у Luna 1442, хотя по индексу Artificial Analysis Luna слабее вдвое. Похоже, в обычной переписке глубина старшей модели заметна меньше, чем в агентных задачах.
Почему 99,9 % на ARC-AGI-3 — не вся правда
В анонсе OpenAI пишет, что Astra «насыщает» ARC-AGI-3 с результатом 99,9 %. Сноска уточняет: модель запускали через собственную обвязку Responses API, в которой изменены две настройки. На лидерборде ARC Prize у Astra два результата: 98,6 % в колонке Provider Adapter, где модель играет через родную обвязку разработчика, и 62,7 % в стандартной обвязке, общей для всех. Оба честные, но сравнивать модели между собой корректно по второму — и он всё равно высокий: у Gemini 4 Argon в тех же условиях 46,3 %.
С математикой похожая история: 97,6 % на FrontierMath Tier 4 — результат самой OpenAI. Artificial Analysis, LMArena и ARC Prize этот тест не ведут, так что проверить цифру пока нечем. SWE-bench Verified тоже не поможет: лидерборд на swebench.com не пополнялся с февраля 2026 года, моделей GPT-6 там нет.
Сколько стоит интеллект
По расчёту Artificial Analysis одна задача из их набора обходится Astra в режиме max примерно в $6,24, в режиме xhigh — в $3,66, и на xhigh модель теряет около двух баллов индекса. У Luna задача обходится в $0,15. Скорость генерации по тому же источнику: у Astra медиана около 73 токенов в секунду, у Luna — около 126.
Где Astra сильнее и слабее конкурентов
В таблицах самой OpenAI Astra впереди Claude Fable 5.1 и Claude Opus 5 в бизнес-процессах (AutomationBench) и терминальных задачах, а в управлении компьютером — впереди Opus 5: у Fable 5.1 там цифр нет. Уступает она на Humanity's Last Exam с инструментами — 57,2 % против 65,0 % у Fable 5.1 и 63,6 % у Opus 5, — а на FrontierCode 1.1 Main идёт вровень с Opus 5 (53,3 % и 53,4 %). Там же OpenAI приводит индекс Artificial Analysis прошлой версии 4.1.1, и по нему Astra ниже обоих Claude. В текущем индексе v5 на конец октября у Claude Opus 5.5 58,4 балла против 56,9 у Astra. Полная картина по моделям разных компаний — в сводке результатов нейросетей в тестах.
Вопросы и ответы
Какие результаты у GPT-6 Astra в тестах?
По данным OpenAI: Terminal-Bench 4.0 — 57,9 %, OSWorld 2.0 — 72,6 %, GPQA Diamond — 96,0 %, ARC-AGI-2 — 95,0 %. Независимо: индекс Artificial Analysis v5 — 56,9 балла, Terminal-Bench 4.0 в их прогоне — 59,1 %, рейтинг LMArena — 1476 Эло. Заявленные цифры по коду и науке независимые замеры в целом подтверждают.
GPT-6 Astra или Claude — кто сильнее?
Зависит от задачи и источника. В таблицах OpenAI Astra обходит Claude Fable 5.1 и Opus 5 в управлении компьютером и задачах в терминале, но уступает обоим на Humanity's Last Exam. В независимом индексе Artificial Analysis Claude Opus 5.5 чуть выше: 58,4 против 56,9. Для конкретной работы надёжнее сравнить обе модели на своих примерах.
Правда ли, что GPT-6 Astra набрала 99,9 % на ARC-AGI-3?
Это цифра OpenAI, полученная в собственной обвязке компании с двумя изменёнными настройками. ARC Prize показывает для Astra 98,6 % при родной обвязке разработчика и 62,7 % в стандартной, общей для всех моделей. Для сравнения с другими моделями корректнее второй результат, и он тоже высокий.
Сколько параметров у GPT-6 Astra?
OpenAI не раскрывает число параметров ни у Astra, ни у Sol и Luna: в официальных карточках есть только контекст, лимиты, отсечка знаний и цены. Цифры, которые ходят по соцсетям и роликам, — оценки или догадки без источника. Известно лишь, что модель закрытая и работает только в облаке OpenAI.
Насколько GPT-6 Luna слабее Astra?
Заметно. Индекс Artificial Analysis у Luna 27,8 против 56,9, Humanity's Last Exam — 38,5 % против 54,7 %, Terminal-Bench 4.0 — 12,6 % против 59,1 %. В слепом голосовании LMArena разрыв меньше: 1442 против 1476. Для простых вопросов и массовых операций Luna достаточно, для агентной работы — нет.