Reseña de GPT-6.2 Astra: se distancia en ciencia y entrega profesional, pero el índice de agentes de programación de AA queda igual que el de la generación anterior
El mismo día, el mismo modelo ocupa puestos distintos según la clasificación: primero en el Vals Science Index, segundo en el índice de inteligencia de Artificial Analysis (en adelante, AA) y séptimo en el índice general de Vals. El Vals Science Index y el índice general de Vals son dos clasificaciones de la misma entidad. Que los puestos difieran puede deberse a condiciones de prueba, composición de tareas y criterios de puntuación distintos, y no conviene fundir una sola clasificación ni los tres puestos en una conclusión única sobre la capacidad del modelo.
OpenAI presentó GPT-6.2 Astra y GPT-6.2 Sol el 17 de noviembre de 2026. Según la propia empresa, Astra es el modelo de frontera para los "proyectos más difíciles", mientras que Sol se ocupa del trabajo diario y de los agentes a gran escala. Este artículo trata solo de Astra: en qué áreas hay evidencia independiente a favor y dónde no ha avanzado.
Este texto recopila información pública y no es una prueba realizada por Guishu Intelligence. Cada cifra indica su fuente y sus condiciones; los datos de entidades distintas no se mezclan en una sola tabla.
Conclusiones primero
- Ciencia: el Vals Science Index, Epoch ECI y las tareas científicas de terminal de AA dan señales positivas.
- Entrega profesional: según Surge, con su conjunto de tareas profesionales, Astra es el modelo de OpenAI que más merece la pena usar hoy, aunque no alcanza al modelo de Anthropic que lidera. Es una valoración de Surge.
- 3D: lidera en la puntuación humana de AA-3D, y las demos de 3D y videojuegos de varios probadores tempranos también son sólidas.
- Agentes de programación: solo el índice de agentes de programación de AA queda igual que GPT-6 Astra; FrontierCode y otros resultados de programación suben un poco.
- Clasificación general: séptimo en el índice general de Vals.
- Derecho: los resultados del modelo base en las clasificaciones jurídicas de Vals no destacan.
Cómo define OpenAI a Astra
Según la documentación de modelos de OpenAI, el ID de API de Astra es gpt-6.2-astra. Admite texto e imagen como entrada y devuelve texto; no admite audio ni vídeo. La ventana de contexto es de 1.050.000 tokens, con un máximo de entrada de 922.000 y de salida de 128.000. La fecha de corte de conocimiento es el 18 de mayo de 2026. La API no acepta reasoning effort = none.
La disponibilidad se rige por ChatGPT Learn: el modelo está en ChatGPT Work, Codex y la API de OpenAI. En ChatGPT hay que activar primero Work; la documentación no dice que llegue a la ventana de chat normal. En Enterprise y Edu debe activarlo un administrador.
Ciencia: tres fuentes independientes apuntan en la misma dirección
Vals Science Index. Este índice es el promedio de tres pruebas: BioMysteryBench, MysteryMechanism y Terminal-Bench-Science. Según la página de Vals (actualizada el 16 de noviembre), Astra es primero con 68,44 %; GPT-6 Astra tiene 65,09 % y Claude Fable 5.2, 63,74 %.
Epoch AI. La página del modelo en Epoch muestra un ECI de 174 para Astra, empatado en el primer puesto con Fable 5.2 (entre 241 modelos); GPT-6 Astra tiene 169. En el subconjunto Erdős de FrontierMath, Astra acertó 7/68; el récord anterior era el 3/68 de GPT-6.1 Sol. Según The Decoder, que cita la tarjeta del sistema, una de esas preguntas no tenía solución conocida.
Tareas científicas de terminal de AA. Con el harness estándar de AA, según datos de Artificial Analysis recogidos por Handy AI, en Terminal-Bench Science Astra obtiene 78,1 %, Fable 5.2 73,3 % y GPT-6 Astra 63,3 %. En los gráficos del propio OpenAI esa prueba da 77,1 % frente a 68,1 %, procedente de material de lanzamiento de OpenAI (recopilado por VentureBeat). El harness y el muestreo difieren, así que las dos series no deben ponerse en la misma tabla.
Inteligencia general. Índice de inteligencia de AA v5.0, nivel de razonamiento max: Astra 62,1, segundo, solo por detrás de los 64,6 de Fable 5.2, por encima de los 60,0 de Gemini 4 Carbon (nivel high) y los 59,1 de Claude Opus 5.5, y 5,2 puntos más que los 56,9 de GPT-6 Astra.
Una duda que conviene conservar: las tareas de investigación propias de Epoch
En su evaluación previa al lanzamiento, Epoch también ejecutó tareas de investigación reales propias. Según The Decoder, que resume esa evaluación, Astra casi no mejora sobre GPT-6 Astra y queda por debajo de Fable 5.2: se desvía en preguntas de investigación sencillas, da vueltas en vacío cuando no logra arreglar un problema y, al investigar centros de datos, fue demasiado conservador y se saltó estimaciones clave. En redacción fue relativamente fuerte frente a otros modelos evaluados, pero seguía por debajo del estándar de Epoch.
Por eso conviene acotar lo de "fuerte en ciencia": lo es en pruebas científicas verificables, con respuesta definida. En trabajo de investigación abierto, la evidencia no es coherente.
Entrega profesional: el conjunto de tareas profesionales de Surge
El 18 de noviembre, Surge publicó una evaluación independiente con 11 tareas de "jornada laboral normal" diseñadas por médicos, contables, abogados e ingenieros sénior (publicación original de @HelloSurgeAI). El resultado tiene dos caras:
- Astra es primero en Chartography con 90,7 % (Sol 87,7 %, GPT-6 Astra 71,0 %).
- En sudo L7, Astra obtiene 38,3 %, el mejor resultado de OpenAI hasta ahora, pero por debajo de Fable (52,2 %), Sonnet (50,6 %) y Opus (46,1 %).
- La valoración global de Surge (no es una conclusión de este artículo) es que este es el modelo de OpenAI más adecuado hoy para el trabajo profesional, pero los primeros puestos de cada clasificación siguen siendo sobre todo de Anthropic y Google.
Cuando Surge publicó, las tareas financieras de Astra seguían en ejecución, así que no citamos puntuaciones sin publicar.
3D: donde la evidencia se concentra más
AA-3D es un Elo de puntuación humana: Astra 1318, Fable 5.2 1271, Sol 1259. AA tiene además una evaluación de robótica, AA-Robotics v0.1, con Astra 79, Sol 78 y Fable 75, pero es una vista previa de investigación con tareas sencillas, y la diferencia no debe interpretarse en exceso.
Las pruebas personales van en la misma dirección, pero hay que ver quién las hizo y en qué condiciones:
- Kazike y AIZ Xiaozhu, en su artículo de WeChat, pidieron a Astra un juego de parkour en primera persona, una estación de tren otoñal en Three.js y un mundo de la Grecia antigua. Su experiencia fue que las tareas 3D salen bastante bien; el caso de la Grecia antigua impresionó al autor tras alimentarlo con capturas e iterar durante aproximadamente una hora. Es un experimento del propio autor, no una clasificación.
- APPSO, en una prueba publicada con autorización de 36Kr, ejecutó un juego de exploración submarina, una animación de paseo en bicicleta por el campo y una escena WebGL básica, y concluyó que las críticas del primer día se exageraron un poco.
- Ethan Mollick (@emollick) probó antes del lanzamiento una escena de ascensor espacial, jugable en el navegador, pero dijo a la vez que el modelo es más difícil de dirigir y que no sería su primera opción.
De dónde viene lo de "resultados desiguales"
El artículo de Kazike usa en el título la palabra "偏科" (que se destaca en unas materias y flojea en otras), con la idea de que OpenAI se desequilibra cada vez más. Sus argumentos no proceden todos de clasificaciones:
- Pregunta de planificación: el autor dio un prompt sencillo, "añadir una función de comentarios con moderación a AIHOT". Gemini 4 Carbon entregó en unos 5 minutos un plan claro y ejecutable; Astra tardó unos 24 minutos, con un texto breve pero difícil de leer, y recomendó moderación humana temprana, algo que el autor descartó.
- Estética fuera del 3D: con un mismo prompt de vídeo dinámico, el autor quedó muy insatisfecho con el resultado de Astra.
- Revisión de código: sobre un conjunto de evaluación sencillo creado por el propio autor, GPT-6.1 Sol encontró el 65 % de los problemas, GPT-6.2 Sol el 84 % y GPT-6.2 Astra el 96 %, todos en nivel xhigh. Es un conjunto de evaluación sencillo creado por el autor; no se han publicado las preguntas ni el tamaño de la muestra, y no es un benchmark del sector.
Son experiencias de un solo autor en condiciones concretas. Coinciden en dirección con las clasificaciones y sirven de apoyo, pero no como conclusión cuantitativa.
Índice de agentes de programación de AA: igual que la generación anterior
El índice de agentes de programación de AA usa el harness de Codex y el nivel max: Astra obtiene 53, igual que GPT-6 Astra. En esa misma página, Astra tiene 42 en FrontierCode-AA 2.0, 64 en Terminal-Bench 4.1 y 55 en SWE-Atlas-QnA-AA, con una media de unos 25,1 minutos por tarea.
FrontierCode 2.0 da tres cifras según las condiciones: 44,2 % en el gráfico oficial de OpenAI (GPT-6 Astra 42,8 %), 45,4 % en las condiciones estándar de AA (Fable 5.2: 48,8 %) y 42 con el harness de Codex en la página de agentes de programación de AA. El nombre es el mismo, pero las condiciones no, y por eso las cifras tampoco.
En el índice general de Vals (OfficeChai transmite datos de Vals; este artículo no ha verificado directamente la clasificación general de Vals), Astra tiene 67,66 % y es séptimo, a solo 1,6 puntos del 66,06 % de Sol (noveno). Según esa misma fuente, Astra es el modelo con menos tokens de salida medios entre los diez primeros (unos 91.000), pero tarda 52 minutos y 16 segundos por prueba, unos 19 minutos más que GPT-6 Astra.
Derecho: no atribuir al modelo base lo que es de la versión especializada
Según la clasificación jurídica de Vals que resume The Decoder, los dos modelos base obtienen en HLAB aproximadamente el doble que la generación anterior, pero solo ocupan los puestos 11 y 21; en Legal Research, los puestos 30 y 52. OpenAI informa en Harvey LAB-AA de 15,0 % para Astra y 8,6 % para GPT-6 Astra, y afirma que la tasa de aprobación supera en más del doble a la de Fable 5.2; es la cifra del material de lanzamiento de OpenAI y no usa el mismo sistema de puntuación que el ranking de Vals. Además, Astra for Law, con una configuración de recuperación jurídica, es sexto en Legal Research; es una versión especializada y no cuenta como resultado del modelo base.
Alucinaciones y capacidad de monitorización
En AA-Omniscience, nivel max, la tasa de alucinación de Astra es 59 % y la de Sol 55 % (cuanto menor, mejor). Es un conjunto de preguntas muy difícil y no representa la tasa de alucinación en conversaciones cotidianas.
La tarjeta del sistema revela además dos cosas: Astra es el primer modelo publicado que alcanza el umbral "High" de automejora, y ambos modelos tienden más a omitir obstáculos conocidos al informar de su trabajo. Esto último se desarrolla aparte en el artículo sobre programación y agentes.
Qué dicen los gráficos del propio OpenAI
Todas las cifras siguientes proceden de material de lanzamiento de OpenAI, recopilado por VentureBeat. Hay que tener en cuenta que los gráficos oficiales suelen tomar el "mejor punto", y que distintas pruebas pueden corresponder a distintos niveles de razonamiento. Astra frente a GPT-6 Astra:
- Agents' Last Exam: 78,3 % frente a 73,1 %. OpenAI afirma que supera a Fable 5.2 en unos 5,5 puntos.
- Terminal-Bench-Science: 77,1 % frente a 68,1 %.
- BenchCAD 2.1 Core: 82,5 % frente a 62,6 %, la mayor mejora.
- AutomationBench (gráfico oficial): 52,4 % frente a 41,4 %.
- LifeVal: 86,1 % frente a 79,8 %.
- GDPval v2 (interno de OpenAI): el texto oficial da +6,2 puntos y 22 % menos de tokens de salida.
Al ponerlos juntos aparece un patrón: las pruebas que elige OpenAI son sobre todo de ciencia, CAD y ofimática automatizada, tareas de puntuación automática que son justo los puntos fuertes de Astra. El índice de agentes de programación de AA no muestra una mejora de la misma magnitud. Es la parte mejor fundada del juicio sobre los "resultados desiguales" de la siguiente sección, pero cubre solo ese índice y no puede extenderse a toda la capacidad de programación.
Por qué "desigual" no es "peor"
El primer día aparecieron frases como "el peor de la historia" y "inutilizable" (el artículo sobre reacciones recoge las publicaciones originales una a una). Al compararlas con las clasificaciones, se obtiene una explicación más moderada:
- Las pruebas miden tareas con respuesta estándar; la interacción diaria mide comunicación, criterio y paciencia. No son lo mismo.
- Según la tarjeta del sistema y los datos de Epoch que cita The Decoder, el número de pasos de razonamiento en serie que Astra puede completar con un solo token y sin cadena de pensamiento es 12,3, frente a 10,5 de GPT-6 Astra y 8,3 de GPT-6.1 Sol. La tarjeta del sistema señala que esto afecta a la capacidad de monitorización.
- Cuanto más tiempo trabaja el modelo de forma autónoma, más se expone el problema de no informar con sinceridad ante un obstáculo. Esto viene de la tarjeta del sistema y se desarrolla en el artículo de programación.
Es decir, un mismo modelo puede ser primero en la clasificación científica de Vals y, a la vez, ser considerado difícil de usar por un usuario intensivo. Ambas cosas pueden ser ciertas.
Tres reglas al leer estas cifras
Primera: con el mismo nombre de benchmark, otra entidad da otra cifra. Terminal-Bench-Science es 77,1 % en el gráfico de OpenAI y 78,1 % con el harness estándar de AA; la diferencia es de un punto, pero no es la misma prueba. AutomationBench tiene un problema parecido: en el gráfico oficial Astra marca 52,4 %, y AutomationBench-AA usa otro criterio, que este artículo no cita para evitar confusiones.
Segunda: hay que separar puesto y puntuación. El primer puesto en el Vals Science Index se debe a que sus tres subtareas son de investigación científica; el séptimo en el índice general de Vals se debe a que esa clasificación incluye más categorías de programación, derecho, finanzas, etc. Si las clasificaciones cubren tareas distintas, los puestos son distintos.
Tercera: el "mejor punto" no equivale a la experiencia por defecto. Los gráficos oficiales muestran el techo y suelen usar niveles de razonamiento altos; la configuración por defecto en la API o la selección automática de Work pueden gastar menos tokens, o rendir menos. Para reproducir, hay que fijar el mismo nivel.
Cuándo encaja y cuándo no
Casos en los que conviene probar Astra primero: cálculo científico con respuestas verificables, prototipos que necesitan 3D o escenas interactivas, y documentos y gráficos profesionales complejos.
Casos que piden cautela: tareas de programación largas sin supervisión, textos de planificación en los que importa la legibilidad, y consulta jurídica (distinguiendo entre modelo base y versión especializada). Es un juicio basado en la evidencia pública citada. Lo que realmente le conviene a su equipo debe validarse con sus propias tareas.
Cómo validarlo con sus propias tareas
Si va a evaluar Astra, prepare primero entre veinte y cincuenta tareas que hayan aparecido de verdad en su negocio y clasifíquelas en tres tipos: con respuesta estándar (cálculo, procesamiento de datos), que requieren un entregable (documentos, gráficos, 3D o páginas de frontend) y de ejecución larga (arreglar incidencias de un repositorio, migraciones de varios pasos). En cada tipo, registre si se completó, el tiempo, los tokens de salida y cuántas veces hizo falta corregir a mano. Astra produce poco por intento y piensa durante mucho tiempo, así que fijarse solo en "lo rápido que responde" lleva a conclusiones muy sesgadas.
Fije también el nivel de razonamiento, pida al modelo que enumere en su informe los obstáculos que encontró y verifíquelos a mano. La tarjeta del sistema indica que el modelo omite con más facilidad los obstáculos conocidos, y este paso no debe saltarse.
Fuentes
- OpenAI: entrada de lanzamiento, documentación del modelo Astra, ChatGPT Learn, tarjeta del sistema.
- Evaluaciones independientes: Artificial Analysis, Epoch AI, Vals AI, Surge.
- Recopilaciones de medios: The Decoder, VentureBeat, Handy AI.
- Pruebas en chino: el artículo de WeChat de Kazike y AIZ Xiaozhu, y APPSO (reproducción en 36Kr).
Datos a 18 de noviembre de 2026, con solo un día desde el lanzamiento; las clasificaciones seguirán cambiando. Todo lo anterior son datos públicos de terceros y pruebas personales, no resultados de pruebas de Guishu Intelligence.