Na quinta-feira (3 de setembro), a OpenAI começou a distribuir o GPT-6 Astra, seu novo modelo de fronteira. Segundo o CNBC, Sam Altman chamou o lançamento de “anos de pesquisa e grandes apostas” e disse que o modelo mudou a própria rotina de trabalho. Mas a frase que define o momento não é dele — é do presidente Greg Brockman: “Se avançarmos alguns anos e olharmos para trás para perguntar quando a AGI foi de fato criada, eu acho que será por volta desta época, e acho que pode ter sido este modelo.”

A ironia é que, dias antes, o próprio Altman tinha descartado o termo num podcast: na melhor das hipóteses, um termo mal definido; na pior, “um termo de marketing irrelevante”. Ninguém avisou o Brockman.

Do outro lado da balança, há um fato que dá peso à aposta: o vice-presidente de pesquisa Aidan Clark contou a repórteres que foi de longe o maior treino da história da empresa — a primeira vez que pré-treinaram em mais de 100 mil GPUs no site Stargate, no Texas.

O que o modelo faz

O anúncio oficial descreve o Astra como o modelo “mais inteligente e alinhado até hoje”, com estado da arte em uso de computador, programação, segurança cibernética e ciência. O perfil prático é concreto: contexto de 1 milhão de tokens, US$ 10 de entrada e US$ 50 de saída por milhão de tokens, disponível no OpenRouter e no Amazon Bedrock. A vocação declarada é para tarefas agênticas de longo horizonte — aquelas em que o modelo opera sozinho por horas, navegando navegador e computador.

Os números mais interessantes, porém, não vêm da OpenAI. Vêm de quem mediu de fora.

Benchmarks independentes — e o que a interface muda

O time do ARC Prize colocou o Astra no ARC-AGI-3, o ambiente que mede raciocínio agêntico em jogos abstratos sem instruções. O resultado principal é 62,7%, ao custo de cerca de US$ 26 mil — estado da arte absoluto, mas longe da saturação. O 99,9% que circulou nas manchetes saiu de uma segunda configuração, o “Provider Adapter”: uma estrutura de execução que preserva o estado de raciocínio opaco entre requisições e compacta conversas longas, por uns US$ 19 mil. Os dois números não são comparáveis entre si, e só o primeiro é comparável entre laboratórios.

Essa distinção é a história, não uma nota de rodapé. A própria OpenAI já demonstrou o efeito: em testes anteriores com o GPT-5.6 Sol, só mudar o gerenciamento de contexto fez a pontuação saltar de 13,3% para 38,3% no conjunto público do mesmo ambiente — sem nenhuma mudança de pesos. Quando o número do modelo depende de a interface lembrar do que ele estava fazendo, o que está sendo medido é o sistema, não só o modelo.

Não é trapaça, e vale registrar: François Chollet, criador do benchmark, já se posicionou de que harnesses feitos sob medida para o teste são proibidos, mas configurações de API de propósito geral, abertas a qualquer usuário, são legítimas desde que configuração e custo sejam reportados. O problema não é legitimidade — é comparabilidade. E o próprio ARC Prize antecipa a leitura correta: os ambientes são determinísticos e fechados, não representam a complexidade do mundo real, e saturar o benchmark não seria prova de AGI.

Dois achados do ARC sobrevivem a qualquer ressalva: o Astra usou menos ações que o humano mediano em 96% dos níveis, e converteu ambientes desconhecidos em modelos simbólicos de mundo — inventando uma linguagem própria para registrar regras e planejar ações.

Em robótica, um teste independente com braços YAM comparou o Astra com o Claude Fable 5.1, lançado pela Anthropic dois dias antes. Na tarefa de pegar um bloco e colocá-lo numa tigela: 19 de 20 acertos contra 8 de 20 do concorrente, em 2,5 minutos por tentativa contra 6,8. Mas o próprio avaliador publica as limitações: os trials do Astra correram dois dias depois, sem intercalação; a tarefa da tigela rodou em bancadas diferentes (a rig do Fable estava indisponível); e a correção foi feita por operador que sabia qual modelo estava avaliando — espaço aberto para viés inconsciente. E na tarefa fina de encaixar uma peça circular no encaixe, o Astra trava exatamente no mesmo passo final que o Fable: 2 de 20 para ambos. Manipulação grossa, resolvida; destreza fina, empatada no estado da arte.

Programação: a tabela da OpenAI e a dos outros

Aqui a narrativa oficial enfraquece mais rápido. Na tabela da própria OpenAI, o Astra faz 74,1% no DeepSWE, um dos benchmarks de engenharia agêntica mais citados, contra 72,7% do antecessor — e o gráfico usa um resultado de 67,4% para o Fable 5.1 que faz a vantagem parecer maior do que o conjunto dos dados sugere. No leaderboard público da DataCurve, Gemini 3.8 Flash e Claude Opus 5 já estavam na faixa dos 74% antes do Astra aparecer. No índice de inteligência da Artificial Analysis — agregador independente, cujos números a própria OpenAI incluiu na tabela do anúncio — o Astra empata com o antecessor em 61, atrás do Fable 5 (62), do Opus 5 (63) e do Fable 5.1 (66). A análise da Vellum resume: em programação, é empate técnico ou desvantagem, dependendo do índice — e o Muse Spark 1.3 da Meta, lançado na véspera, lidera em código agêntico.

O ganho real do Astra em código não aparece na coluna de acerto, e sim na de eficiência: a própria Artificial Analysis registra redução de cerca de 3x no consumo de tokens no esforço máximo e coloca o modelo na fronteira de Pareto entre índice de código e custo por tarefa — mesma pontuação do Fable 5 por menos da metade do custo. Placar empatado, conta mais barata.

O padrão se repete nos acadêmicos. FrontierMath Tier 4: 97,6% contra 87,8% do Fable 5.1 — avanço real, com a ressalva de que a OpenAI financiou parte do benchmark. Mas no Humanity’s Last Exam, a única linha acadêmica que o Astra perde, ele faz 57,2% contra 65,0% do Fable 5.1 — e o texto do anúncio simplesmente não menciona o número. E no FrontierMath Erdős, o novo benchmark da Epoch AI com 68 problemas matemáticos abertos, o Astra resolveu 2 na execução oficial — o único modelo a resolver qualquer coisa — e chegou a 5 no total de tentativas, ao custo de mais de US$ 220 mil em processamento. As demos que inundaram as redes — Fall Guys gerado num prompt, cidade 3D em ASCII, SimCity rodando cinco dias em modo agêntico — vieram de revisores com acesso antecipado; são marketing com prazo de devolução, não medição.

E há uma linha que a Artificial Analysis mediu por conta própria e quase ninguém repercutiu. No GDPval-AA v2 — benchmark adaptado de um dataset da própria OpenAI, que mede tarefas economicamente valiosas em 44 ocupações — o Astra cai cerca de 80 pontos de Elo em relação ao antecessor, com regressões de dois a três pontos em suporte ao cliente, código científico e raciocínio sobre documentos longos. No mesmo relatório, é verdade, o modelo ganha ~80 pontos de Elo no AA-Briefcase, trabalho de conhecimento de longo horizonte — progresso misto, não queda livre. Mas o detalhe é a definição: a AGI que a OpenAI carregou por anos é a de um sistema automatizado capaz de executar todo trabalho economicamente valioso tão bem quanto um humano, ou melhor. O modelo apresentado como marco dessa era andou para trás justamente na medida que a define.

Cibersegurança: a maior notícia real do lançamento

O capítulo que recebeu menos atenção é o mais substancial. O Astra é o primeiro modelo a atingir o limiar “Critical” do Preparedness Framework da OpenAI: com ferramentas e acesso, encontra falhas de segurança desconhecidas em sistemas bem protegidos e desenvolve explorações sem uma pessoa guiando cada passo. Por isso o lançamento é restrito: a versão pública recusa tarefas ofensivas, e as capacidades completas vão para organizações verificadas via programa Daybreak. No ExploitBench, 100% contra 78,5% do antecessor.

Há ainda uma regressão que a própria OpenAI divulgou: em avaliações desenhadas para induzir evasão de monitoramento, o raciocínio escrito do Astra é mais difícil de auditar que o do Sol. Vale separar duas coisas que a cobertura tem embaralhado. O que o Provider Adapter faz é reter itens de raciocínio entre requisições — uma configuração de API, disponível a qualquer cliente, que esconde o processo de quem está de fora, mas não de quem treina o modelo. A regressão de monitorabilidade é outra coisa: é o raciocínio que a própria OpenAI consegue ler ficando menos legível para ela mesma. Uma é opacidade de vitrine; a outra, de auditoria. E é a segunda que importa.

O timing, e o alerta de dentro

A data não é por acaso: Anthropic lançou Fable e Mythos 5.1 na terça, Meta o Muse Spark 1.3 na quarta, e a OpenAI respondeu na quinta. O Code Report resume o clima: três laboratórios de fronteira em 72 horas, cada um reivindicando o topo.

Três dias depois do lançamento, o cientista-chefe da OpenAI, Jakub Pachocki, publicou um ensaio que lê como um freio de mão puxado de dentro do carro. Ele escreve que, com base em resultados internos, tem “forte expectativa” de que a velocidade atual de progresso se sustente até o auto-aprimoramento recursivo; que ninguém está preparado para as consequências; e que a OpenAI vai buscar soluções técnicas e reter escala unilateralmente quando necessário — mas que intervenções mais amplas são indispensáveis. O ensaio sai da mesma empresa que, dias antes, declarou o início da era da AGI em coletiva de imprensa.

O saldo

Separado o hype, três coisas parecem sólidas. Primeira: em tarefas agênticas de longo horizonte — uso de computador, navegação, automação — o Astra abre a maior distância já medida sobre o antecessor, com o AutomationBench registrando 41,4% contra 18,1% do GPT-5.6 Sol na mesma tabela, e dados independentes de robótica e do ARC corroborando a direção. Segunda: em programação e nos índices agregados independentes, não há liderança — há um pelotão comprimido no topo, com o Fable 5.1 e o Muse Spark brigando na frente e o Astra compensando em eficiência o que não tem em placar. Terceira: a alegação de AGI é marketing — e o próprio CEO da empresa disse isso em voz alta uma semana antes do lançamento.

Duas opacidades andam juntas nesta semana, e não são a mesma coisa. A primeira é de vitrine: o número recorde do Astra depende de uma camada de execução que guarda o raciocínio do modelo fora da vista de quem confere o resultado. A segunda é de dentro: o raciocínio que a própria OpenAI consegue ler está, por admissão dela mesma, ficando menos legível.

A pergunta que costuma fechar textos como este — em que momento deixamos de saber o que está acontecendo lá dentro? — já não é retórica. O cientista-chefe da empresa respondeu por escrito, três dias depois do lançamento. O Brockman que decida se isso ainda é a AGI.