Your privacy choices

Allow optional cookies for referral attribution, visit analytics, and Google Ads purchase measurement.

Voltar ao blog

Análise do GPT-6.2 Astra: abre vantagem em ciência e entrega profissional, mas o índice de agentes de programação da AA fica igual ao da geração anterior

GPT-6.2 AstraOpenAIanálise de modelosciência3D

No mesmo dia, o mesmo modelo ocupa posições diferentes conforme o ranking: primeiro no Vals Science Index, segundo no índice de inteligência da Artificial Analysis (daqui em diante, AA) e sétimo no índice geral da Vals. O Vals Science Index e o índice geral da Vals são dois rankings da mesma instituição. A diferença de posição pode vir de condições de teste, composição de tarefas e critérios de pontuação distintos, e não convém reduzir um único ranking, nem as três posições, a uma conclusão geral sobre a capacidade do modelo.

A OpenAI lançou o GPT-6.2 Astra e o GPT-6.2 Sol em 17 de novembro de 2026. Segundo a empresa, o Astra é o modelo de fronteira para os "projetos mais difíceis", enquanto o Sol cuida do trabalho do dia a dia e dos agentes em grande escala. Este artigo trata só do Astra: em quais áreas há evidência independente a favor e onde ele não acompanhou.

O texto reúne informações públicas e não é um teste realizado pela Guishu Intelligence. Cada número indica fonte e condições, e dados de instituições diferentes não são misturados numa só tabela.

Primeiro, as conclusões

  • Ciência: o Vals Science Index, o Epoch ECI e as tarefas científicas de terminal da AA dão sinais positivos.
  • Entrega profissional: pelo conjunto de tarefas profissionais da Surge, o Astra é o modelo da OpenAI que mais vale a pena usar hoje, mas ainda não alcançou o modelo da Anthropic que lidera. Esse é o julgamento da Surge.
  • 3D: lidera na pontuação humana do AA-3D, e as demonstrações de 3D e jogos de vários testadores antecipados também são fortes.
  • Agentes de programação: só o índice de agentes de programação da AA fica igual ao do GPT-6 Astra; FrontierCode e outros resultados de programação sobem um pouco.
  • Ranking geral: sétimo no índice geral da Vals.
  • Direito: o resultado do modelo base nos rankings jurídicos da Vals não se destaca.

Como a OpenAI posiciona o Astra

Conforme a documentação de modelos da OpenAI, o ID de API do Astra é gpt-6.2-astra. Ele aceita texto e imagem na entrada e devolve texto; não suporta áudio nem vídeo. A janela de contexto é de 1.050.000 tokens, com entrada máxima de 922.000 e saída máxima de 128.000. A data de corte de conhecimento é 18 de maio de 2026. A API não aceita reasoning effort = none.

A disponibilidade segue o ChatGPT Learn: o modelo está no ChatGPT Work, no Codex e na API da OpenAI. No ChatGPT é preciso ativar o Work primeiro; a documentação não diz que ele chegue à janela de conversa comum. No Enterprise e no Edu, um administrador precisa ativar.

Ciência: três fontes independentes apontam na mesma direção

Vals Science Index. Este índice é a média de três testes: BioMysteryBench, MysteryMechanism e Terminal-Bench-Science. Pela página da Vals (atualizada em 16 de novembro), o Astra é o primeiro, com 68,44%; o GPT-6 Astra tem 65,09% e o Claude Fable 5.2, 63,74%.

Epoch AI. A página do modelo na Epoch mostra um ECI de 174 para o Astra, empatado em primeiro com o Fable 5.2 (entre 241 modelos); o GPT-6 Astra tem 169. No subconjunto Erdős do FrontierMath, o Astra acertou 7/68; o recorde anterior era o 3/68 do GPT-6.1 Sol. Segundo o The Decoder, que cita o system card, uma dessas questões não tinha solução conhecida.

Tarefas científicas de terminal da AA. Com o harness padrão da AA, segundo dados da Artificial Analysis reunidos pela Handy AI, no Terminal-Bench Science o Astra faz 78,1%, o Fable 5.2 73,3% e o GPT-6 Astra 63,3%. Nos gráficos da própria OpenAI, o mesmo teste dá 77,1% contra 68,1%, a partir de material de lançamento da OpenAI (reunido pela VentureBeat). Harness e amostragem são diferentes, então as duas séries não cabem na mesma tabela.

Inteligência geral. Índice de inteligência da AA v5.0, nível de raciocínio max: Astra 62,1, em segundo, atrás apenas dos 64,6 do Fable 5.2, acima dos 60,0 do Gemini 4 Carbon (nível high) e dos 59,1 do Claude Opus 5.5, e 5,2 pontos acima dos 56,9 do GPT-6 Astra.

Uma dúvida que vale manter: as tarefas de pesquisa próprias da Epoch

Na avaliação pré-lançamento, a Epoch também rodou tarefas de pesquisa reais próprias. Segundo o The Decoder, que resume essa avaliação, o Astra quase não melhora em relação ao GPT-6 Astra e fica abaixo do Fable 5.2: sai do assunto em perguntas de pesquisa simples, gira em falso quando não consegue consertar um problema e, numa pesquisa sobre data centers, foi conservador demais e pulou estimativas essenciais. Na escrita foi relativamente forte frente a outros modelos testados, mas ainda abaixo do padrão da própria Epoch.

Por isso, "forte em ciência" precisa de limite: vale para testes científicos verificáveis, com resposta definida. Em pesquisa aberta, a evidência não é consistente.

Entrega profissional: o conjunto de tarefas profissionais da Surge

Em 18 de novembro, a Surge publicou uma avaliação independente com 11 tarefas de "dia de trabalho comum" desenhadas por médicos, contadores, advogados e engenheiros seniores (post original de @HelloSurgeAI). O resultado tem dois lados:

  • O Astra é o primeiro no Chartography, com 90,7% (Sol 87,7%, GPT-6 Astra 71,0%).
  • No sudo L7, o Astra faz 38,3%, o melhor resultado da OpenAI até agora, mas ainda abaixo do Fable (52,2%), do Sonnet (50,6%) e do Opus (46,1%).
  • O julgamento geral da Surge (não é conclusão deste artigo) é que este é o modelo da OpenAI mais adequado hoje para trabalho profissional, mas os primeiros lugares de cada ranking continuam sendo principalmente da Anthropic e do Google.

Quando a Surge publicou, as tarefas financeiras do Astra ainda estavam em execução, por isso não citamos pontuações que não foram divulgadas.

3D: onde a evidência mais se concentra

O AA-3D é um Elo de pontuação humana: Astra 1318, Fable 5.2 1271, Sol 1259. A AA tem ainda uma avaliação de robótica, o AA-Robotics v0.1, com Astra 79, Sol 78 e Fable 75, mas é uma prévia de pesquisa com tarefas simples, e a diferença não deve ser superinterpretada.

Os testes pessoais vão na mesma direção, mas é preciso ver quem fez e em que condições:

  • Kazike e AIZ Xiaozhu, no artigo do WeChat, pediram ao Astra um jogo de parkour em primeira pessoa, uma estação de trem outonal em Three.js e um mundo da Grécia Antiga. A experiência deles foi que tarefas 3D saem bem; o caso da Grécia Antiga impressionou o autor depois de ele alimentar o modelo com capturas de tela e iterar por cerca de uma hora. É um experimento do próprio autor, não um ranking.
  • A APPSO, num teste publicado com autorização da 36Kr, rodou um jogo de exploração submarina, uma animação de passeio de bicicleta no campo e uma cena WebGL básica, e concluiu que as críticas do primeiro dia foram um pouco exageradas.
  • Ethan Mollick (@emollick) testou antes do lançamento uma cena de elevador espacial, jogável no navegador, mas disse ao mesmo tempo que o modelo é mais difícil de conduzir e que ele não o escolheria primeiro.

De onde vem a ideia de "desempenho irregular"

O artigo de Kazike usa no título a palavra "偏科" (ir bem em umas matérias e mal em outras), com a ideia de que a OpenAI vem ficando cada vez mais desequilibrada. Os argumentos dele nem todos vêm de rankings:

  • Pergunta de planejamento: o autor deu um prompt simples, "adicionar ao AIHOT uma função de comentários com moderação". O Gemini 4 Carbon entregou em cerca de 5 minutos um plano claro e executável; o Astra levou cerca de 24 minutos, com um texto curto mas difícil de ler, e recomendou moderação humana no início, o que o autor descartou.
  • Estética fora do 3D: com o mesmo prompt de vídeo dinâmico, o autor ficou muito insatisfeito com o resultado do Astra.
  • Revisão de código: num conjunto de avaliação simples criado pelo próprio autor, o GPT-6.1 Sol encontrou 65% dos problemas, o GPT-6.2 Sol 84% e o GPT-6.2 Astra 96%, todos em nível xhigh. É um conjunto de avaliação simples criado pelo autor; as questões e o tamanho da amostra não foram divulgados, e não é um benchmark do setor.

São experiências de um único autor em condições específicas. Apontam na mesma direção dos rankings e servem de apoio, mas não como conclusão quantitativa.

Índice de agentes de programação da AA: igual ao da geração anterior

O índice de agentes de programação da AA usa o harness do Codex e o nível max: o Astra faz 53, igual ao GPT-6 Astra. Na mesma página, o Astra tem 42 no FrontierCode-AA 2.0, 64 no Terminal-Bench 4.1 e 55 no SWE-Atlas-QnA-AA, com média de cerca de 25,1 minutos por tarefa.

O FrontierCode 2.0 dá três números conforme as condições: 44,2% no gráfico oficial da OpenAI (GPT-6 Astra 42,8%), 45,4% nas condições padrão da AA (Fable 5.2: 48,8%) e 42 com o harness do Codex na página de agentes de programação da AA. O nome é o mesmo, as condições não, e por isso os números também não.

No índice geral da Vals (a OfficeChai repassa dados da Vals; este artigo não verificou diretamente o ranking geral da Vals), o Astra tem 67,66% e é o sétimo, a apenas 1,6 ponto dos 66,06% do Sol (nono). Segundo a mesma fonte, o Astra é o que gera menos tokens de saída em média entre os dez primeiros (cerca de 91.000), mas leva 52 minutos e 16 segundos por teste, cerca de 19 minutos a mais que o GPT-6 Astra.

Direito: não atribua ao modelo base o que é da versão especializada

Pelo ranking jurídico da Vals resumido pelo The Decoder, os dois modelos base obtêm no HLAB cerca do dobro da geração anterior, mas ficam só em 11º e 21º; no Legal Research, em 30º e 52º. A OpenAI informa, no Harvey LAB-AA, 15,0% para o Astra e 8,6% para o GPT-6 Astra, e diz que a taxa de aprovação é mais que o dobro da do Fable 5.2; esse é o número do material de lançamento da OpenAI e não usa o mesmo sistema de pontuação do ranking da Vals. Há ainda o Astra for Law, com configuração de busca jurídica, que é o sexto no Legal Research; é uma versão especializada e não conta como resultado do modelo base.

Alucinação e capacidade de monitoramento

No AA-Omniscience, nível max, a taxa de alucinação do Astra é 59% e a do Sol 55% (quanto menor, melhor). É um conjunto de perguntas muito difícil e não representa a taxa de alucinação nas conversas do dia a dia.

O system card revela ainda dois pontos: o Astra é o primeiro modelo lançado a atingir o patamar "High" de autoaperfeiçoamento, e os dois modelos têm mais tendência a omitir obstáculos conhecidos ao relatar o trabalho. Este último é desenvolvido à parte no artigo sobre programação e agentes.

O que dizem os gráficos da própria OpenAI

Todos os números abaixo vêm de material de lançamento da OpenAI, reunido pela VentureBeat. É preciso lembrar que os gráficos oficiais costumam usar o "melhor ponto", e testes diferentes podem corresponder a níveis de raciocínio diferentes. Astra contra GPT-6 Astra:

  • Agents' Last Exam: 78,3% contra 73,1%. A OpenAI afirma estar cerca de 5,5 pontos à frente do Fable 5.2.
  • Terminal-Bench-Science: 77,1% contra 68,1%.
  • BenchCAD 2.1 Core: 82,5% contra 62,6%, o maior salto.
  • AutomationBench (gráfico oficial): 52,4% contra 41,4%.
  • LifeVal: 86,1% contra 79,8%.
  • GDPval v2 (interno da OpenAI): o texto oficial dá +6,2 pontos e 22% menos tokens de saída.

Juntando tudo, aparece um padrão: os benchmarks que a OpenAI escolhe são sobretudo de ciência, CAD e automação de escritório, tarefas de pontuação automática que são justamente os pontos fortes do Astra. O índice de agentes de programação da AA não mostra melhora na mesma magnitude. É a parte mais bem fundamentada do julgamento de "desempenho irregular" na próxima seção, mas cobre apenas esse índice e não pode ser estendida a toda a capacidade de programação.

Por que "irregular" não é "pior"

No primeiro dia surgiram frases como "o pior de todos os tempos" e "inutilizável" (o artigo sobre as reações lista os posts originais um a um). Ao colocá-las ao lado dos rankings, chega-se a uma explicação mais contida:

  1. Os benchmarks medem tarefas com resposta padrão; a interação cotidiana mede comunicação, julgamento e paciência. Não são a mesma coisa.
  2. Segundo o system card e os dados da Epoch citados pelo The Decoder, o número de passos de raciocínio em série que o Astra consegue concluir com um único token e sem cadeia de pensamento é 12,3, contra 10,5 do GPT-6 Astra e 8,3 do GPT-6.1 Sol. O system card aponta que isso afeta a capacidade de monitoramento.
  3. Quanto mais tempo o modelo trabalha de forma autônoma, mais se expõe o problema de não relatar com sinceridade um obstáculo. Isso vem do system card e é desenvolvido no artigo de programação.

Ou seja, o mesmo modelo pode ser o primeiro no ranking científico da Vals e, ao mesmo tempo, ser considerado difícil de usar por um usuário intenso. As duas coisas podem ser verdade.

Três regras ao ler esses números

Primeira: com o mesmo nome de benchmark, outra instituição dá outro número. O Terminal-Bench-Science é 77,1% no gráfico da OpenAI e 78,1% no harness padrão da AA; a diferença é de um ponto, mas não é o mesmo teste. O AutomationBench tem um problema parecido: no gráfico oficial o Astra marca 52,4%, e o AutomationBench-AA usa outro critério, que este artigo não cita para evitar confusão.

Segunda: separe posição e pontuação. O primeiro lugar no Vals Science Index vem de suas três subtarefas serem de pesquisa científica; o sétimo no índice geral da Vals vem de esse ranking incluir mais categorias de programação, direito, finanças etc. Rankings que cobrem tarefas diferentes dão posições diferentes.

Terceira: o "melhor ponto" não equivale à experiência padrão. Os gráficos oficiais mostram o teto e costumam usar níveis de raciocínio altos; a configuração padrão na API ou a seleção automática do Work podem gastar menos tokens, ou render menos. Para reproduzir, é preciso fixar o mesmo nível.

Quando serve e quando não serve

Casos em que vale testar o Astra primeiro: cálculo científico com resposta verificável, protótipos que precisam de 3D ou cenas interativas, e documentos e gráficos profissionais complexos.

Casos que pedem cautela: tarefas de programação longas sem supervisão, textos de planejamento em que a legibilidade importa e consulta jurídica (distinguindo modelo base e versão especializada). É um julgamento baseado na evidência pública citada. O que realmente serve à sua equipe precisa ser validado com as suas próprias tarefas.

Como validar com as suas tarefas

Se for avaliar o Astra, prepare primeiro de vinte a cinquenta tarefas que realmente aconteceram no seu negócio e divida em três tipos: com resposta padrão (cálculo, processamento de dados), que exigem um entregável (documentos, gráficos, 3D ou páginas de front-end) e de execução longa (corrigir problemas de um repositório, migrações em várias etapas). Em cada tipo, registre se foi concluída, o tempo, os tokens de saída e quantas vezes foi preciso corrigir à mão. O Astra produz pouco por tentativa e pensa por muito tempo, então olhar só para "quão rápido responde" leva a conclusões muito distorcidas.

Fixe também o nível de raciocínio, peça ao modelo que liste no relatório os obstáculos encontrados e confira-os manualmente. O system card indica que o modelo omite com mais facilidade os obstáculos conhecidos, e essa etapa não deve ser pulada.

Fontes

Dados de 18 de novembro de 2026, com apenas um dia desde o lançamento; os rankings ainda vão mudar. Tudo o que está acima são dados públicos de terceiros e testes pessoais, não resultados de testes da Guishu Intelligence.