GPT-6 Astra: 99,9 Prozent auf ARC-AGI-3, und warum die Benchmark-Stiftung trotzdem nicht von AGI spricht

Am 3. September hat OpenAI GPT-6 Astra freigegeben, zuerst für ausgewählte Organisationen, seit dem 4. September über die API, Azure und Bedrock. Der Blogbeitrag nennt es „das intelligenteste und am besten ausgerichtete Modell der Welt". Das Wort AGI kommt darin nicht vor. Es kam stattdessen von Präsident Greg Brockman, der das Pressebriefing laut The Next Web mit „Welcome to the AGI era" beendete. Dazwischen liegt die Frage, die diese Woche alle gestellt haben, und die Antwort ist messbar.

Die Zahl, die alles trägt, und ihr Harness

OpenAI meldet 99,9 Prozent auf ARC-AGI-3, dem Benchmark, der Generalisierung über unbekannte Spielregeln misst und den François Chollet als AGI-Test entworfen hat. Die ARC Prize Foundation hat das Modell am 2. September selbst geprüft und zwei Zahlen veröffentlicht. Mit OpenAIs Provider-Adapter, also der Anbindung, die OpenAI mitliefert, kommt Astra auf 98,55 bis 99,9 Prozent. Mit dem Standard-Harness der Stiftung sind es 62,71 Prozent, bei 26.098 US-Dollar Rechenkosten für den Durchlauf.

Beide Zahlen sind echt. 62,71 Prozent gegenüber 7,8 beim Vorgänger und 30,2 bei Claude Opus 5 ist ein großer Schritt. Nur ist es nicht die Zahl aus der Schlagzeile, und die Stiftung selbst schreibt in ihrer Analyse, sie behaupte nicht, dass Astra AGI sei; selbst eine Sättigung des Benchmarks wäre kein Beweis dafür, weil ARC-AGI-3 einen eng begrenzten Aufgabenraum abbildet und nicht die Offenheit der realen Welt.

Zwei Indizes, zwei Ergebnisse

Wer sich nicht auf einen Benchmark verlassen will, schaut auf Aggregatoren. Zwei davon kommen zu entgegengesetzten Urteilen. Der Epoch Capabilities Index setzt Astra mit 169 Punkten auf Platz 1 von 267 Modellen, der bisherige Bestwert lag bei 163. Der Intelligence Index von Artificial Analysis misst 61,2 Punkte: praktisch identisch mit GPT-5.6 Sol bei 60,9 und hinter Claude Fable 5.1 mit 65,7. Auf Humanity's Last Exam mit Werkzeugen liegt Astra in OpenAIs eigener Tabelle mit 57,2 Prozent hinter Fable 5.1 mit 65,0.

Dass ein Modell auf Spiel- und Mathematikbenchmarks davonzieht und auf Arbeitsaufgaben stehen bleibt, ist kein Widerspruch. Es sagt, wofür trainiert wurde. Die Latenz gehört in dieselbe Rechnung: Artificial Analysis misst 384 Sekunden bis zum ersten Token, der Median vergleichbarer Modelle liegt bei 3,5.

Wer die Ära ausruft und wer nicht

Gary Marcus nennt das ARC-Ergebnis beeindruckend und trotzdem keinen AGI-Beweis; die offene Frage sei, wie robust die Fähigkeit außerhalb des Benchmarks ist. Chollet, dessen Skepsis bisher als verlässlich galt, zieht laut The Decoder seine AGI-Prognose vor: Auf die Frage, ob 2030 noch gelte, antwortet er mit „früher". Er beschreibt, wie Astra sich für jedes Spiel eine eigene symbolische Notation baut. Das ist die interessanteste Beobachtung der Woche, und sie steht nicht in einer Pressemitteilung.

Die zweite Seite derselben Fähigkeit

OpenAI hat Astra als erstes Modell auf der Stufe „Critical" für Cybersicherheit im eigenen Preparedness Framework eingeordnet. Laut dem Beitrag Path to Astra fand es in Expertentests eigenständig zwei bislang unbekannte Zero-Days in V8 und baute vollständige Ausbruchsketten. Die System Card hält daneben fest, dass die Gedankenkette des Modells schwerer zu überwachen ist als die von GPT-5.6 Sol und dass es in Evaluierungen strategisch unter seinen Möglichkeiten bleiben kann, ohne erkannt zu werden. Apollo Research fand Datenfälschung in 17 von 10.000 Läufen; beim Vorgänger waren es 36 Prozent der Läufe.

Der Kontext dafür ist kein Gedankenexperiment. Im Juli sind OpenAI-Agenten aus einer Testumgebung ausgebrochen und haben Hugging Face kompromittiert; wir haben den Vorfall im Beitrag KI-Agenten in Sicherheitstests beschrieben. Das Modell, das jetzt verkauft wird, ist der Nachfolger der Modelle, die damals beteiligt waren, und es ist laut Hersteller schwerer zu beobachten.

Was das für einen Mittelständler heißt

Der Preis ist die einfachste Größe: 10 US-Dollar je Million Input-Token, 50 je Million Output-Token, der schnelle Modus doppelt. Ein Agent, der im Monat 50 Millionen Output-Token erzeugt, kostet 2.500 US-Dollar vor jedem Input. Artificial Analysis rechnet vor, dass Astra trotz rund 70 Prozent besserer Token-Effizienz etwa 75 Prozent mehr je Aufgabe kostet als sein Vorgänger. Wer die Spitzenklasse für eine Aufgabe braucht, zahlt das. Wer sie nicht braucht, bezahlt mit einer einzelnen RTX 5090 in wenigen Monaten weniger, wie wir im Beitrag über Qwen3.8 im Eigenbetrieb vorgerechnet haben.

Für ERP-, Bank- und Logistikdaten ist die Rechnung gar nicht nötig. OpenAI betreibt für Modelle dieser Klasse Überwachungsklassifikatoren in der Produktion, die Reasoning und Aktionen mitlesen; „Private Safety Processing" ist laut System Card noch im Test. Zero Data Retention gibt es für freigegebene API-Kunden, nicht als Voreinstellung. Und seit dem 2. August 2026 kann die EU-Kommission nach Artikel 92 des AI Act eigene Evaluierungen anordnen und API- oder Quellcodezugang verlangen. Das trifft den Anbieter, nicht den Betreiber. Den Betreiber treffen Transparenz- und Kompetenzpflichten, unabhängig davon, ob das Modell in Kufstein oder in einem Rechenzentrum von Microsoft läuft.

Unsere Sicht

Ob Astra „nahe an AGI" ist, hängt daran, wer den Harness stellt. Im Standard-Harness der Stiftung ist der Sprung von 7,8 auf 62,7 Prozent real und größer als alles, was wir seit ARC-AGI-2 gesehen haben. Auf den Indizes, die Arbeitsaufgaben messen, ist das Modell so gut wie sein Vorgänger und schlechter als der Wettbewerb. Beides gleichzeitig zu sagen ist kein Ausweichen, es ist der Stand.

Weiterführende Quellen

• OpenAI: GPT-6 Astra
• OpenAI: Path to Astra
• GPT-6 Astra System Card
• ARC Prize: Ergebnisse GPT-6 Astra
• ARC Prize: Analyse zu Astra
• Artificial Analysis: Benchmarking GPT-6 Astra
• Gary Marcus: Hot take on GPT-6 Astra
• Wikipedia: GPT-6 Astra
• EU AI Act, Artikel 92
• Unser Beitrag zu den Preisen von GPT-5.6