Il 17 novembre 2026 OpenAI ha assegnato a GPT-6.2 Astra il livello High per la categoria AI Self-Improvement del suo Preparedness Framework; GPT-6.2 Sol è rimasto sotto quel livello. La classificazione riguarda la capacità di contribuire ad accelerare la ricerca sull’intelligenza artificiale. OpenAI definisce High un primo traguardo nella preparazione delle salvaguardie in vista di una possibile auto-miglioramento ricorsiva e completamente automatizzata. La scheda di sistema di GPT-6.2 Astra e Sol non attribuisce ad Astra la capacità di svolgere già da solo quel processo.

Per il contesto sul ruolo della supervisione nel modello precedente, puoi leggere anche l’analisi di NeoTeo su GPT-6 Astra. Qui il punto è il significato della classificazione successiva.

Per capire il livello High, considera insieme la definizione di OpenAI e le singole misure: descrivono capacità specifiche, non un’unica prova di autonomia.

Che cosa significa la classificazione High per GPT-6.2 Astra

Il livello High indica che OpenAI ha valutato l’aiuto che Astra può offrire nella ricerca sull’IA, compresa quella che mira a migliorare le capacità dei modelli. La definizione riguarda l’accelerazione del lavoro di ricerca; il traguardo di un sistema capace di condurre in modo completamente automatizzato un processo ricorsivo resta una possibilità futura.

OpenAI ha inoltre dichiarato di aver rafforzato il contenimento e ampliato il monitoraggio. La società descrive Control Room come un sistema che tiene traccia dei carichi di lavoro di ricerca e può interromperli quando emergono problemi di sicurezza o protezione.

Che cosa misurano i test della seconda fase

La valutazione comprende cinque prove di ricerca e ingegneria. Le prime due, Internal Research Debugging e KernelGen 1P, riguardano rispettivamente l’individuazione di problemi negli esperimenti di ricerca e la scrittura e ottimizzazione di kernel per l’hardware OpenAI. OpenAI riporta per Astra un credito medio secondo griglia dell’81,85% nel primo test e del 76,92% nel secondo.

Il percorso passa poi a tre prove secondarie quando una delle due prove iniziali raggiunge la relativa soglia indicativa. I tre risultati pubblicati per Astra misurano aspetti diversi, quindi le percentuali non sono confrontabili direttamente tra loro.

ValutazioneChe cosa misuraRisultato di GPT-6.2 AstraSoglia indicativa pubblicata
NanoGPTQuota media del tempo di addestramento di riferimento risparmiata42,87%80%
PostTrainBench LiteQuota media del divario di prestazioni colmata74,79%90%
MLE-Bench RevisedPercentile medio rispetto alle soluzioni di riferimento, su 72 competizioni96,0690° percentile

In MLE-Bench Revised, 96,06 è un percentile medio calcolato rispetto alle soluzioni di riferimento del benchmark nelle 72 competizioni. Non è una posizione in classifica tra tutti i partecipanti umani di Kaggle. NanoGPT, invece, misura il risparmio medio sul tempo di addestramento di riferimento; PostTrainBench Lite misura quanto del divario di prestazioni viene colmato.

Come leggere il risultato complessivo

OpenAI afferma che la classificazione tiene conto di tutte e cinque le valutazioni e definisce indicative le soglie dei test secondari. Astra ha superato quella pubblicata per MLE-Bench Revised, ma è rimasto sotto quelle di NanoGPT e PostTrainBench Lite. Il livello High non equivale quindi al superamento di ogni soglia secondaria.

La scheda non pubblica il peso assegnato ai cinque risultati nel calcolo complessivo. Di conseguenza, i punteggi riportati non permettono di ricostruire da soli il criterio che ha portato OpenAI alla classificazione High.