Indlæser kataloget…
Indlæser kataloget…
OpenAIs flagskibsmodel med lukkede vægte og ræsonnering med et kontekstvindue på 1,05 millioner tokens og obligatorisk ræsonnering på hver forespørgsel.
Oversigt. GPT-6 Astra er OpenAIs flagskibsmodel med lukkede vægte og ræsonnering, udgivet i september 2026 som efterfølgeren til GPT-5.6-serien. Den kombinerer et kontekstvindue på 1.050.000 tokens med obligatorisk ræsonnering på hver forespørgsel, modtager tekst, billeder og filer som inddata og returnerer tekst. Udviklere vælger den, når en opgave kræver vedvarende, bevidst ræsonnering over meget store dokumenter eller kodebaser frem for et hurtigt svar med lavt ræsonneringsniveau.
Vigtigste styrker. GPT-6 Astras ræsonnering kan ikke slås fra — hver forespørgsel kører gennem OpenAIs ræsonneringsproces, hvor ræsonneringsniveauet kan indstilles fra `low` til `max`. Dens kontekstvindue på 1,05 millioner tokens er det største i kataloget, og dens inddatamodaliteter rækker ud over tekst og billeder til filuploads, hvilket understøtter indbygget dokumentforståelse. Uafhængige målinger placerer den som OpenAIs nye flagskibsmodel på frontniveau, og den er rapporteret som den første OpenAI-model, der er vurderet til niveauet 'Critical' under OpenAIs egen Preparedness Framework for cybersikkerhedsegenskaber — en markør for, hvor langt dens rå ræsonnering rækker, sammen med de overvejelser om misbrugsrisiko, der følger med.
Anvendelsesområder. Brug GPT-6 Astra til ræsonneringstungt arbejde — kompleks analyse, problemløsning i mange trin eller agentiske flows med verktøjskald via Responses-API'et — hvor kvalitet betyder mere end rå hastighed. Dens vindue på 1,05 millioner tokens og understøttelse af fil-inddata gør den velegnet til ræsonnering over lange dokumenter, store kodebaser eller researchopgaver med flere dokumenter i én enkelt kørsel. Ved at sætte ræsonneringsniveauet til lavt holdes den anvendelig med en interaktiv svartid på få sekunder; højere indstillinger bytter svartid for dybere ræsonnering på sværere problemer.
Begrænsninger. GPT-6 Astra understøtter ikke brugerdefineret temperature, top_p eller logprobs — udformningen af uddata sker kun gennem indstillinger for ræsonneringsniveau, ikke klassiske samplingskontroller. Verktøjskald kræver OpenAIs Responses-API frem for Chat Completions, så integrationer bygget mod det ældre API skal opdateres. Som en model med lukkede vægte har OpenAI ikke oplyst dens parametertal eller arkitektur, og dens træningsdata slutter den 30. april 2026.
Bemærkning om suverænitet. GPT-6 Astra er skabt af OpenAI, en amerikansk virksomhed, så forespørgsler kan være underlagt CLOUD Act frem for udelukkende EU-jurisdiktion. Undersøgelser har ikke bekræftet specifikke detaljer om dataplacering eller politik for ingen træning på dine data for dette endepunkt, så der gøres ikke yderligere krav her.
| Inferensleverandør | Suverænitet | Kører i | Ind / ud per 1 mio. | Status | Fastgør |
|---|---|---|---|---|---|
| L0 | 9,07 / 45,37€+9 betingede priser | Online |
40 anvendelsesområder klassificeret af redaktøren. Noten forklarer hvorfor.
Værktøjskald muliggør handlinger i kodningsmiljøer, og udvidet tænkning plus et kontekstvindue på 1,05 millioner tokens understøtter komplekse opgaver på repository-niveau.
Værktøjskald er en eksplicit egenskab, hvilket giver en direkte arkitektonisk pasform til applikationer, der kalder funktioner og handler på strukturerede resultater.
Udvidet tænkning understøtter sporing af komplekse fejlårsager, og det store kontekstvindue kan rumme omfattende kode, logfiler og diagnostiske beviser.
Billedforståelse er en eksplicit egenskab, der direkte understøtter fortolkning af indhold i screenshots og brugerfladens tilstand.
Kontekstvinduet på 1,05 millioner tokens understøtter forklaringer baseret på store repositories, og udvidet tænkning kan forbinde adfærd på tværs af filer.
Kontekstvinduet på 1,05 millioner tokens kan rumme store kodebaser eller omfattende diffs, mens udvidet tænkning understøtter ræsonnering på tværs af ændringer.
Værktøjskald muliggør arbejdsflow med browserhandlinger, mens udvidet ræsonnering understøtter udførelse i flere trin; der er ikke oplyst nogen browserspecifik benchmark eller egenskab.
Værktøjskald understøtter integrationer med supportsystemer, og den store kontekst kan rumme betydelig kunde- eller produktkontekst; der er ikke oplyst nogen supportspecifik vurdering.
Udvidet tænkning og værktøjskald understøtter analytiske arbejdsflow, der bruger eksterne værktøjer, men profilen indeholder ingen benchmark for dataanalyse eller detaljer om egenskaber for udførelse.
Billedforståelse understøtter behandling af dokumentbilleder, men profilen fastslår ikke OCR-specifik nøjagtighed eller benchmarkresultater.
Udvidet ræsonnering understøtter udarbejdelse af udkast baseret på detaljerede instruktioner og kontekst, mens værktøjskald kan forbinde til workflow-applikationer; der er ikke oplyst nogen benchmark for skrivning.
Billedforståelse giver et direkte grundlag for at tolke diagrambilleder, hvor udvidet tænkning understøtter forklaringer; der er ikke anført nogen diagramspecifik benchmark.
Tal fra eksterne kilder, ikke vores egne vurderinger. Percentiler er målt mod hele Stav-kataloget.
Beregnet ud fra aa-intelligence-index, gpqa-diamond, aa-engineering-index, aa-coding-index, livecodebench, terminal-bench-v4, aa-lcr.
curl https://api.stav.ai/v1/chat/completions \
-H "Authorization: Bearer $STAV_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "openai/gpt-6-astra",
"reasoning_effort": "high",
"messages": [{"role": "user", "content": "Hello!"}]
}'→ X-Stav-Request-Id · X-Stav-Model · X-Stav-Provider → X-Stav-Sovereignty-Level — det niveau, forespørgslen blev betjent på