GPT-6 Astra cruza Critical: el salto es real y la tabla tiene trampa

OpenAI lanzó GPT-6 Astra el 3 de septiembre de 2026 con una frase de camiseta: "welcome to the AGI era". Lo recoge The New Stack. Esa línea no trae un dato detrás. Lo que sí trae dato es otra cosa, y no es pequeña.

Según el Preparedness Framework de la propia OpenAI, un modelo llega al umbral Critical si puede encontrar y crear exploits funcionales de día-cero para muchos sistemas críticos reforzados sin intervención humana, o desarrollar y ejecutar una estrategia de ciberataque novedosa de extremo a extremo con solo un objetivo de alto nivel. Incrypted cubre esa definición y el anuncio: OpenAI presenta a Astra como el primer modelo que cruza ese listón.

Un modelo alcanza Critical si encuentra y monta exploits de día-cero contra sistemas reforzados, sin que nadie le lleve de la mano.

Durante esa evaluación, Astra descubrió y explotó dos vulnerabilidades zero-day del motor V8 como parte de una cadena. OpenAI dice que está pasando los detalles a los maintainers del software afectado. Lo cuenta Cybersecurity News. Por el nivel de capacidad, retrasó semanas parte del desarrollo y del lanzamiento para reforzar protecciones contra el mal uso ciber. Avisa, de paso, de que esas salvaguardas pueden marcar actividad legítima como abuso y frenar, pausar o detener la tarea.

Eso es el hito. Un modelo que, en las condiciones de su propio laboratorio, ya no solo razona: encuentra agujeros que nadie había documentado y los encadena. No hace falta ponerle la medalla de AGI para que importe.

Lo que dice la tabla

La comparativa difundida con el lanzamiento, recogida por OfficeChai y The New Stack, pone a Astra por encima de Claude Fable 5.1 en todas las filas donde existe un número rival. Los deltas son exactos respecto a esa tabla, no mediciones de un tercero.

Benchmark	Astra	Fable 5.1	Delta
FrontierMath Tier 4 (v2)	97,6%	87,8%	+9,8 pp
GPQA Diamond	96,0%	93,7%	+2,3 pp
AutomationBench	41,4%	31,4%	+10,0 pp
Terminal-Bench Science 0.1	64,6%	52,6%	+12,0 pp
BenchCAD	95,9%	84,3%	+11,6 pp
DeepSWE v1.1	74,1%	67,4%	+6,7 pp
HealthBench Professional	63,4%	56,6%	+6,8 pp

Frente a GPT-5.6 Sol, FrontierMath sube +14,6 pp (83,0% → 97,6%). En HealthBench, Fable 5.1 (56,6%) queda por detrás de Fable 5 (60,9%); Astra saca +2,5 pp sobre esa versión anterior.

Traducción para quien no vive en un leaderboard. FrontierMath Tier 4 es matemáticas de nivel investigación: el 97,6% es el número que OpenAI quiere que recuerdes. GPQA Diamond son preguntas de doctorado; ahí el margen es fino, +2,3 puntos. AutomationBench, Terminal-Bench Science 0.1 y BenchCAD miden si el modelo termina trabajo de verdad, flujos de negocio, investigación en terminal, mil ficheros de visión CAD, y ahí los saltos son de dos dígitos. DeepSWE v1.1 son 113 tareas de coding agéntico.

Fuera de esa comparativa directa, OpenAI se pone un 98,6% en ARC-AGI-3, un 100% en ExploitBench y un 99,2% en SRE-Bench a cuatro intentos. ExploitBench es "te doy un bug conocido, monta el exploit que funciona". SRE-Bench es el trabajo sucio de mantener sistemas en pie. ARC-AGI-3 es el test de abstracción que hasta hace poco partía la cara a cualquiera. Esos tres nombres son los que más ruido hacen. También son los que peor se leen si te quedas en el tweet.

En ciber, las evaluaciones internas añaden cifras que hay que mirar con la letra de condiciones controladas: ExploitBench, Internal Port con 20 vulnerabilidades high-severity de V8 divulgadas entre junio y agosto de 2026 (fuera de los datos de entrenamiento), donde Astra logra más ejecución arbitraria de código que Sol con menos tokens de salida; rechazo del 91,5% de las peticiones del set de cyber-jailbreaks frente al 59% de Sol (+32,5 pp); y un honeypot donde Astra no registra intentos exitosos de explotar sistemas de alrededor, frente al 56% de Sol sin salvaguardas de producción. Eso mide el delta del freno, no la capacidad pura en uso normal.

Dónde la tabla hace trampas

La primera es el harness. El 98,6% de ARC-AGI-3 se mide con el harness de Responses API de OpenAI: retiene razonamiento entre turnos y usa compactación. OpenAI admite que comparar entre harnesses no es manzanas con manzanas, y que esas decisiones de sistema suben la puntuación sin cambiar el modelo de debajo. Anthropic no tiene cifra publicada para Fable 5.1 ni Fable 5; el 30,2% que aparece es de Claude Opus 5 a esfuerzo alto, otro arnés. El sistema AVO de Nvidia anota el 100% del set público usando Claude Opus 5 como modelo base. El andamiaje suma 69,8 pp sobre ese mismo base; AVO queda 1,4 pp por encima de Astra. El gap bruto de +68,4 pp (3,26×) no demuestra que Astra sea más listo que Claude. Demuestra que el andamiaje manda, y OpenAI lo dice.

La segunda: cinco filas de la tabla no tienen puntuación publicada de Fable 5.1. ExploitBench (Astra 100%), SRE-Bench (99,2%, cuatro intentos), Agents' Last Exam, GeneBench Pro y MedChemBench. En esas casillas, "le gana a Claude" no está demostrado. Ausencia de cifra no es cifra peor; es imposibilidad de comparar. En las fuentes consultadas no consta una respuesta pública de Anthropic a la comparativa.

La tercera es quién pone las preguntas. FrontierMath Tier 4 tiene 43 problemas; 41 son privados (95,3% del tier; solo 2 públicos). Epoch AI opera el benchmark; The New Stack recoge que OpenAI financió su desarrollo y tiene acceso exclusivo a parte del set. El 97,6% no es directamente auditable por un tercero con lo publicado.

La cuarta está en el gráfico que OpenAI elige enseñar. En DeepSWE v1.1, Astra 74,1 frente a Fable 5.1 67,4 es el par de la foto. El gráfico excluye a Muse Spark 1.3 de Meta, que anota 75,4 y supera a Astra por 1,3 pp: el equivalente a una o dos tareas de 113, en la configuración máxima de Muse, bajo revisión de seguridad y sin disponibilidad general al lanzamiento. Gemini 3.8 Flash se queda en 73,7%, a 0,4 pp de Astra y +6,3 pp sobre Fable 5.1. El leaderboard público, según The New Stack, sitúa a Gemini y Opus 5 al 74% con rangos de incertidumbre solapados: sin líder claro.

Hay más letra que no cabe en un recorte de Twitter. El 77,9% de Fable 5.1 en OSWorld es de otro release del bench; no se compara con el 72,6% de Astra ni con el 65,7% de Sol (tiempo medio por tarea, de unos 75 minutos a 40: -46,7%). Mind2Web y ExploitGym son pares internos de OpenAI (1,9× más rápido con el nuevo harness de Codex; 42,4% vs 30,3% en ExploitGym con el límite de 6 horas quitado para ambos). Sirven para ver a Astra contra Sol. No sirven para coronar a nadie contra Anthropic.

Y el marco entero: en las fuentes consultadas no consta ninguna reproducción independiente de estos benchmarks. Todas las cifras son autoevaluaciones de OpenAI difundidas con el lanzamiento. Eso no las hace falsas. Tampoco las hace veredicto. La misma exigencia de auditoría externa se le puede pedir a las tablas de Fable 5.1, igual de autodeclaradas. La conclusión no es que Astra mienta. Es que esta tabla no basta para coronar a nadie.

El "welcome to the AGI era" de Brockman es exactamente eso: una etiqueta sin métrica. AGI no es un umbral que OpenAI pueda autocalificarse en un comunicado.

Lo que cambia de verdad

Astra no inaugura una era. Inaugura una conversación peor: un modelo frontier al que su propia empresa sitúa en el listón más alto de capacidad ofensiva, con dos zero-days reales en el expediente de evaluación y un salto de razonamiento que, donde hay rival publicado, gana de forma consistente.

The Decoder recoge cómo OpenAI lo llama su modelo más peligroso hasta la fecha, y al chief scientist Jakub Pachocki admitiendo que monitorizar la cadena de pensamiento es "frágil" y va "en dirección negativa". El freno de mano existe, rechazo de jailbreaks, honeypot a cero, semanas de retraso, y OpenAI avisa de que ese freno también puede parar trabajo limpio.

El precio de lista, en el cuerpo de The New Stack, es 10 dólares el millón de tokens de entrada y 50 el de salida: el mismo catálogo que Fable 5.1, 2,5 veces el precio promocional de Sol (implícito 4/20) y 13,33 veces Gemini 3.8 Flash (0,75/3,75). Más caro por token no implica factura mayor si termina en menos pasos; The New Stack dice que los datos de ese ahorro son demasiado escasos para confirmarlo. Quien contrate esto debería mirar el coste por trabajo terminado, no el eslogan de la tabla.

La pregunta que queda no es si OpenAI ha hecho un modelo más capaz. Los zero-days y el umbral Critical responden a eso. La pregunta es quién usa esa capacidad, con qué freno y con qué auditoría que no haya firmado el mismo que pone la nota.