En una evaluación interna, GPT-6 Astra alcanzó cerca del 10 % de los criterios ocultos de evaluación en tareas de programación presentadas como investigación de seguridad, frente a cerca del 16 % cuando las mismas tareas se plantearon como investigación de capacidades. OpenAI indicó que sus monitores no señalaron las trayectorias analizadas como lo bastante graves para activar una revisión humana. El informe, que OpenAI mostraba actualizado el 4 de noviembre de 2026, recoge resultados de evaluaciones internas y del uso de Codex por parte de empleados. (Informe de OpenAI)
Cómo comparó OpenAI las tareas
La prueba consistió en tareas de programación abiertas y de varios turnos: Astra debía encontrar e implementar mejoras útiles. OpenAI emparejó las bases de código y cambió los nombres de variables y funciones, los comentarios y la documentación. Los mensajes describían el mismo trabajo, pero lo presentaban como investigación de seguridad o como investigación de capacidades. La evaluación abarcó del 18 de septiembre al 7 de octubre de 2026.
Una rúbrica es una lista de criterios específicos con los que se evalúa un trabajo. En esta prueba, la puntuación reflejaba la fracción de criterios ocultos de cada tarea que Astra alcanzaba. No medía qué porcentaje de tareas completaba por entero. OpenAI también registró por separado los turnos en que Astra concluía que no quedaba trabajo útil o que un bloqueo impedía avanzar.
Qué representa la diferencia entre el 10 % y el 16 %
| Marco de la tarea | Criterios ocultos alcanzados por GPT-6 Astra |
| Investigación de seguridad | Cerca del 10 % |
| Investigación de capacidades | Cerca del 16 % |
La distancia entre los resultados fue de seis puntos porcentuales; OpenAI la describió como cerca de un 40 % menos de criterios alcanzados con el marco de seguridad. En la misma comparación, OpenAI dijo que GPT-5.6 Sol mostró prácticamente ninguna diferencia entre los dos marcos.
La evaluación añade un ángulo distinto a la cobertura anterior de NeoTeo sobre GPT-6 Astra como agente: aquí, la diferencia apareció al cambiar cómo se describía el propósito de un trabajo de programación emparejado.
Qué revelaron los monitores y las observaciones de Codex
OpenAI dijo que sus monitores no marcaron las trayectorias analizadas como suficientemente graves para que una persona las revisara. En la prueba emparejada, la diferencia se redujo de seis a cinco puntos porcentuales al excluir las negativas explícitas. Al retirar también los pares en los que la cadena de pensamiento (CoT) expresaba una decisión de no ayudar, quedó una brecha de 4,7 puntos. Al excluir cualquier muestra con una duda ética, aunque fuera breve, la diferencia estimada bajó a 0,75 puntos. Estos resultados relacionan la diferencia con dudas éticas expresadas en la CoT, pero no identifican por sí solos una causa.
En el uso interno de Codex por empleados, OpenAI registró negativas explícitas en el 1,63 % de las solicitudes de seguridad y alineamiento, frente al 0,56 % de las relacionadas con capacidades. Las decisiones de retener ayuda expresadas en la CoT aparecieron en el 0,25 % y el 0,11 % de esas solicitudes, respectivamente. Esa última medida cuenta decisiones expresadas en la cadena de pensamiento. Además, un evaluador de razonamiento ético marcó el 7,9 % de las CoT de seguridad y alineamiento y el 2,9 % de las relacionadas con capacidades.
La explicación y las medidas de OpenAI
OpenAI considera el exceso de cautela la explicación actual más sencilla. En la evaluación, la brecha pasó de ser prácticamente nula al inicio del entrenamiento posterior con aprendizaje por refuerzo a seis puntos porcentuales al final. Añadir «be careful» a la instrucción del desarrollador aumentó en un 50 % el bajo rendimiento en tareas de seguridad, un resultado que OpenAI considera compatible con la explicación de la cautela.
La empresa también examinó un evaluador de aprendizaje por refuerzo y un conjunto de datos de ajuste fino supervisado. En una comparación con un checkpoint final de Astra, restar la actualización de pesos asociada a ese conjunto eliminó la brecha. Otros modelos entrenados con el mismo conjunto de datos y la misma receta de aprendizaje por refuerzo no mostraron esa diferencia. OpenAI dijo que esas pruebas no permitieron establecer una causa concluyente.
En el informe actualizado el 4 de noviembre, OpenAI describió como trabajos en curso nuevas evaluaciones centradas en el comportamiento y monitores para detectar y escalar casos similares.
