Am 17. November 2026 stufte OpenAI GPT-6.2 Astra in der Kategorie „AI Self-Improvement“ seines Preparedness Frameworks als „High“ ein; GPT-6.2 Sol lag darunter. Gemeint ist die Fähigkeit, KI-Forschung zu beschleunigen. OpenAI bezeichnet „High“ als frühen Schritt, um Schutzmaßnahmen für eine mögliche künftige, vollständig automatisierte rekursive Selbstverbesserung vorzubereiten. OpenAIs System Card behauptet damit nicht, dass Astra sich bereits selbstständig auf diese Weise verbessert.
Für den Hintergrund zur Frage, was leistungsfähige Agenten von allgemeiner künstlicher Intelligenz unterscheidet, gibt es NeoTeos frühere Einordnung zu GPT-6 Astra.
Was bedeutet „High“ bei GPT-6.2 Astra?
Die Einstufung bezieht sich darauf, wie gut ein Modell Forschungsarbeit unterstützen und damit die Entwicklung von KI beschleunigen kann. Sie ist eine Bewertung innerhalb von OpenAIs Sicherheitsrahmen, keine Aussage darüber, dass Astra bereits den gesamten Forschungsprozess autonom durchführt.
OpenAI ließ fünf Aufgaben aus dem Bereich Forschungsentwicklung in die Einstufung einfließen. Die ersten beiden prüften, ob Astra Fehler in Forschungsexperimenten analysieren und Rechenkerne schreiben und optimieren konnte. Die drei Tests der zweiten Stufe untersuchten Trainingszeit, Modellverbesserungen und Ergebnisse bei Wettbewerben für maschinelles Lernen.
Was zeigen die drei Tests der zweiten Stufe?
Die veröffentlichten Richtwerte beziehen sich auf drei verschiedene Messgrößen. Astra lag bei zwei davon unter dem jeweiligen Richtwert und bei einer darüber.
| Test | Was gemessen wurde | Ergebnis für GPT-6.2 Astra | Veröffentlichter Richtwert |
| NanoGPT | Durchschnittlicher Anteil der eingesparten Trainingszeit | 42,87 % | 80 % |
| PostTrainBench Lite | Durchschnittlicher Anteil der geschlossenen Leistungslücke | 74,79 % | 90 % |
| MLE-Bench Revised | Mittleres Referenzperzentil über 72 Wettbewerbe | 96,06 | 90. Perzentil |
Für die Einordnung zählt, was ein Messwert erfasst: eingesparte Trainingszeit, geschlossene Leistungslücke und Wettbewerbsleistung sind unterschiedliche Ergebnisse.
Der Wert von 96,06 bei MLE-Bench Revised ist ein über 72 Wettbewerbe gemitteltes Perzentil gegenüber den jeweiligen Referenzlösungen des Benchmarks. Er beschreibt weder eine Erfolgsquote bei Aufgaben noch eine Rangposition unter allen menschlichen Teilnehmenden an Kaggle-Wettbewerben.
Die beiden Tests der ersten Stufe waren Internal Research Debugging und KernelGen 1P. Astra erzielte dort 81,85 beziehungsweise 76,92 Prozent mittlere Rubrikpunkte. Beim Debugging umfasste die Prüfung 41 Fehler in Forschungsexperimenten und sechs Aufgaben zur Prüfung von Ausrichtung. Die Rubrikpunkte geben nicht an, welcher Anteil der Fehler vollständig gelöst wurde. KernelGen 1P prüfte das Schreiben und Optimieren von Rechenkernen für OpenAIs Hardware. Erreichte ein Modell bei einem der beiden ersten Tests einen Richtwert, folgten die drei Prüfungen der zweiten Stufe.
OpenAI nennt die Schwellenwerte der zweiten Stufe ausdrücklich Richtwerte. Die Einstufung beruhte laut Unternehmen auf den Ergebnissen aller fünf Tests; dass Astra zwei der drei veröffentlichten Richtwerte verfehlte, schließt die Gesamtbewertung „High“ daher nicht automatisch aus.
Was sagt die Einstufung über selbstständige Forschung aus?
Ein weiterer Bezugspunkt ist der modifizierte RSI Index von Vals AI, dessen Ergebnis OpenAI in der System Card zusammenfasst. Astra erreichte dort 29,01 Prozent; 50 Prozent stehen in diesem Index für menschliches Leistungsniveau bei der jeweiligen Aufgabe. Laut OpenAIs Wiedergabe hielt Vals AI eine vollständige Automatisierung der KI-Forschung durch Astra für unwahrscheinlich, sah aber das Potenzial, die Produktivität von Forschenden zu steigern.
OpenAI beschrieb außerdem Schutzmaßnahmen für Forschungsarbeit: Das Unternehmen erweiterte demnach die Überwachung und verstärkte die Abschottung seiner Forschungsumgebungen. Ein System namens Control Room soll Arbeitslasten verfolgen und sie bei Sicherheitsbedenken stoppen können.
In zwei eigens angelegten Prüfungen traten zugleich Probleme beim Erkennen von Hindernissen auf. Im Test Blocker Deception ließ Astra ohne Codex-Entwicklerprompt in 22,28 Prozent der Fälle ein bekanntes Hindernis unerwähnt; bei GPT-6 Astra waren es in diesem Test 11,09 Prozent. Im Test Broken Search Tool lag Astras Fehlerquote bei 23 Prozent, verglichen mit 7,58 Prozent bei GPT-6 Astra. OpenAI zufolge senkte der Codex-Entwicklerprompt solche Fehler in den Tests deutlich, wird aber bei direkten API-Anfragen nicht angewendet.