GPT-۶ Astra چیست؟ معرفی کامل قابلیت‌ها، مشخصات و تفاوت با نسل‌های قبل

GPT-۶ Astra دقیقاً چیست؟

GPT-۶ Astra یک مدل استدلالی و عامل‌محور از خانواده GPT است. تفاوت مهم آن با
نسل‌هایی که بیشتر به‌عنوان یک دستیار گفت‌وگویی شناخته می‌شدند این است که
Astra برای انجام یک کار از ابتدا تا انتها آموزش دیده است. یعنی می‌تواند مسئله
را تحلیل کند، در صورت نیاز ابزار مناسب را صدا بزند، در مرورگر یا محیط
کامپیوتری جلو برود، نتیجه ابزارها را بخواند، مسیر را اصلاح کند و در پایان
خروجی قابل استفاده تحویل دهد.

این ویژگی در کارهای حرفه‌ای معنی بیشتری پیدا می‌کند. تصور کنید کاربر از مدل
می‌خواهد یک گزارش بازار تهیه کند، داده‌های چند فایل را مقایسه کند، یک جدول
نهایی بسازد و نتایج را در قالب ارائه مرتب کند. مدل‌های قدیمی‌تر ممکن بود هر
بخش را جداگانه خوب انجام دهند، اما نگه‌داشتن هدف اصلی در یک فرایند طولانی،
هماهنگ‌کردن ابزارها و رعایت همه محدودیت‌های کار دشوارتر بود. OpenAI می‌گوید
Astra در همین نوع کار چندمرحله‌ای پیشرفت اصلی خود را نشان می‌دهد.

GPT-۶ Astra چه زمانی منتشر شد و چه کسانی به آن دسترسی دارند؟

OpenAI در ۳ سپتامبر ۲۰۲۶، برابر با ۱۲ شهریور ۱۴۰۵، GPT-۶ Astra را معرفی کرد.
عرضه در روز نخست محدود بود و ابتدا گروهی از سازمان‌ها و مشتریان مورد اعتماد
به مدل دسترسی گرفتند. طبق اعلام رسمی، دسترسی برای کاربران ChatGPT Plus، Pro،
Business و Enterprise و همچنین API طی روزهای بعد گسترش پیدا می‌کند.
Microsoft Azure و AWS Bedrock نیز در برنامه عرضه قرار دارند.

این نکته برای کاربری که بلافاصله پس از معرفی مدل به تنظیمات ChatGPT سر می‌زند
مهم است: اگر Astra را در فهرست مدل‌های حساب نمی‌بینید، لزوماً مشکلی در حساب
شما وجود ندارد. عرضه مرحله‌ای است. در اطلاعیه فعلی نام پلن Free در فهرست
دسترسی اعلام‌شده Astra دیده نمی‌شود. برای Enterprise نیز مدیر فضای کاری باید
مدل را فعال کند و این دسترسی در شروع عرضه به‌صورت پیش‌فرض خاموش است.

OpenAI همچنین از GPT-۶ Astra Pro برای کاربران Pro، Business و Enterprise نام
برده است، اما جزئیات عمومی نسخه Pro هنوز محدود است.

مهم‌ترین پیشرفت GPT-۶ Astra نسبت به GPT-۵.۶ Sol چیست؟

بزرگ‌ترین تغییر Astra را نمی‌توان با یک عدد توضیح داد. جهش اصلی در ترکیب
استدلال، کار با ابزار، حفظ جهت کار و اجرای عملی دیده می‌شود. GPT-۵.۶ Sol در
بسیاری از مسائل تحلیلی و کدنویسی مدل قدرتمندی بود، اما Astra در ارزیابی‌های
رسمی روی استفاده از کامپیوتر، اتوماسیون، برنامه‌نویسی عامل‌محور، علم، زمینه
طولانی و کنترل رفتار نتایج بهتری ثبت کرده است.

این اعداد را باید با دقت خواند. خود OpenAI توضیح داده که نتایج بنچمارک در
محیط تحقیقاتی یا API گرفته شده‌اند و ممکن است با تجربه واقعی ChatGPT فرق
داشته باشند. ابزارهای در دسترس، پیام‌های سیستمی، سطح reasoning و تنظیمات محیط
روی نتیجه اثر می‌گذارند. در ARC-AGI-۳ نیز امتیاز ۹۹٫۹ درصد با Provider
Adapter ثبت شده است؛ ARC Prize در اجرای Standard Harness امتیاز ۶۲٫۷ درصد را
گزارش می‌کند. پس یک عدد بدون دانستن روش اجرا، تصویر کاملی از توان مدل نمی‌دهد.

استفاده از کامپیوتر و مرورگر، مهم‌ترین قابلیت عملی Astra

اگر بخواهیم یک ویژگی را به‌عنوان مشخصه اصلی GPT-۶ Astra انتخاب کنیم، استفاده
از کامپیوتر انتخاب منطقی‌تری از «چت بهتر» است. OpenAI نمونه‌هایی مانند
پرکردن فرم‌های آنلاین، به‌روزرسانی رکوردهای CRM، سامان‌دادن تقویم، تحقیق
آنلاین، کار با نرم‌افزارهای تخصصی، نصب و آزمایش نرم‌افزار و بررسی کیفیت رابط
کاربری یک سایت را برای Astra نشان داده است.

در ارزیابی OSWorld ۲.۰، Astra با امتیاز ۷۲٫۶ درصد در حدود ۴۰ دقیقه به‌ازای هر
کار آزمایشی عمل کرده، در حالی که GPT-۵.۶ Sol با امتیاز ۶۵٫۷ درصد نزدیک ۷۵
دقیقه زمان داشته است. OpenAI این اختلاف را حدود ۴۷ درصد زمان کمتر به‌ازای هر
کار اعلام می‌کند. ترکیب Astra با نسخه به‌روزشده محیط Codex نیز در Mind2Web
به تکمیل حدود ۱٫۹ برابر سریع‌تر کارها نسبت به تجربه قبلی Sol رسیده است.

معنای عملی این پیشرفت برای کاربر این است که مدل در محیط‌های پیچیده کمتر فقط
توضیح می‌دهد و بیشتر می‌تواند اقدام کند. البته انجام عمل واقعی به محیط و
مجوزهای در اختیار مدل وابسته است. اگر ChatGPT یا برنامه‌ای که از API استفاده
می‌کند ابزار مرورگر، Computer Use یا دسترسی مناسب نداشته باشد، خود مدل به شکل
جادویی نمی‌تواند بیرون از همان محیط کاری انجام دهد.

توانایی Astra در برنامه‌نویسی و توسعه نرم‌افزار

OpenAI GPT-۶ Astra را بهترین مدل خود برای مهندسی نرم‌افزار تا زمان انتشار
معرفی کرده است. این ادعا فقط به نوشتن چند تابع یا توضیح خطای کد محدود نیست.
Astra برای کار روی مخزن‌های بزرگ، اجرای تست، استفاده از ترمینال، بررسی خروجی
در مرورگر، مهاجرت دیتابیس و اصلاح چندمرحله‌ای پروژه طراحی شده است.

در Terminal-Bench ۴.۰ امتیاز Astra از ۳۷٫۳ درصد در GPT-۵.۶ Sol به ۵۷٫۹ درصد
رسیده است. در ارزیابی داخلی Database Migration نیز Astra امتیاز ۶۳٫۹ درصد
داشته و Sol به ۴۲٫۷ درصد رسیده است. این اختلاف‌ها نشان می‌دهند پیشرفت نسل
جدید در کارهای مهندسی که نیاز به تعامل با محیط دارند بیشتر از بهبودهای کوچک
در تکمیل متن است.

یک قابلیت تازه در Codex نیز به حفظ اطلاعات پروژه‌های طولانی مربوط می‌شود. در
گذشته وقتی زمینه مکالمه پر می‌شد، سیستم با compaction بخشی از گفت‌وگو را خلاصه
می‌کرد و ممکن بود دلیل شکست یک راه‌حل یا جزئیات یک تست در خلاصه نهایی از دست
برود. Astra در Codex می‌تواند یادداشت‌هایی را بین پنجره‌های زمینه نگه دارد و
زمینه‌های قبلی را برای پیدا کردن جزئیات جست‌وجو کند. این قابلیت در زمان معرفی
هنوز آزمایشی است و قرار است به‌تدریج به رفتار پیش‌فرض تبدیل شود.

برای تیم‌های توسعه وب، چنین مدلی می‌تواند در بررسی پروژه‌های وردپرس،
فرانت‌اند، API، تست ریسپانسیو و تحلیل خطا مفید باشد. در تابان استودیو نیز
استفاده از مدل‌های عامل‌محور زمانی ارزش واقعی دارد که کنار فرایند کنترل نسخه،
تست، بازبینی انسانی و قواعد امنیتی قرار بگیرد. تولید سریع کد به‌تنهایی معادل
کد آماده انتشار نیست.

تولید اسناد، فایل‌های حرفه‌ای و خروجی‌های قابل استفاده

یکی از جهت‌گیری‌های روشن Astra، خروج از پاسخ متنی ساده و نزدیک‌شدن به کار
حرفه‌ای است. OpenAI می‌گوید مدل برای پیروی از قالب‌های موجود و ساخت گزارش،
سند، ارائه و صفحه گسترده آموزش بیشتری دیده است. هدف این است که مدل فقط محتوا
ندهد، بلکه خروجی را با ساختار و سبک سازمان هماهنگ کند.

این توانایی برای تحلیل داده، گزارش مدیریتی، مستندسازی پروژه و ساخت ارائه
کاربرد دارد. Astra تلاش می‌کند فقط زمینه مرتبط را وارد خروجی کند؛ چون خروجی
طولانی همیشه خروجی بهتر نیست.

OpenAI در ChatGPT قابلیت Sites را هم در کنار Astra معرفی کرده است. با این
قابلیت، مدل می‌تواند سایت، وب‌اپ و بازی را از روی توضیح کاربر بسازد، میزبانی
کند و به اشتراک بگذارد. این امکان را باید از توان خام API مدل جدا دانست. در
API، ابزارها و محیط اجرایی مشخص می‌کنند Astra تا چه مرحله‌ای از ساخت و انتشار
را می‌تواند انجام دهد.

مدیریت بهتر دستورها، اصلاح مسیر و سؤال‌پرسیدن در زمان مناسب

مدل‌های قبلی در کارهای طولانی گاهی با یک پیام اصلاحی، هدف اصلی را گم
می‌کردند. کاربر درباره بخشی از پروژه سؤال می‌پرسید و مدل همان سؤال فرعی را به
هدف جدید تبدیل می‌کرد. OpenAI می‌گوید Astra در حفظ جهت کار بهتر شده است. اگر
کاربر محدودیت جدیدی اضافه کند یا بخواهد بخشی از تصمیم قبلی تغییر کند، مدل باید
آن را در همان کار اصلی ادغام کند.

Astra همچنین بین کمبود اطلاعات معمولی و تصمیمی که نتیجه را عوض می‌کند تفاوت
بیشتری قائل می‌شود. برای جزئیات کم‌خطر می‌تواند با فرض معقول جلو برود، اما
وقتی پاسخ کاربر روی نتیجه نهایی اثر جدی دارد سؤال دقیق‌تری می‌پرسد. در Codex
حتی می‌تواند سؤال را به‌صورت غیرهمزمان مطرح کند و تا زمانی که منتظر پاسخ است
بخش‌های مستقل پروژه را ادامه دهد.

در API نیز قابلیت Mid-turn Steering اضافه شده است. توسعه‌دهنده می‌تواند وقتی
مدل هنوز مشغول کار است دستور تازه‌ای ارسال کند. سیستم کار انجام‌شده را حفظ
می‌کند و تغییر جدید را در ادامه مسیر اعمال می‌کند. این برای عامل‌هایی که چند
دقیقه یا بیشتر روی یک پروژه کار می‌کنند، تفاوت مهمی با الگوی قدیمی «درخواست،
انتظار، پاسخ نهایی» دارد.

پنجره زمینه ۱٫۰۵ میلیون توکنی چه کاربردی دارد؟

پنجره زمینه GPT-۶ Astra برابر با ۱٬۰۵۰٬۰۰۰ توکن اعلام شده است. این ظرفیت برای
تحلیل مجموعه بزرگی از اسناد، مخزن کد، تاریخچه طولانی پروژه یا داده‌های متنی
حجیم مناسب است. حداکثر خروجی مدل نیز ۱۲۸٬۰۰۰ توکن است که برای تولید اسناد
طولانی یا خروجی‌های ساختاریافته فضای زیادی در اختیار توسعه‌دهنده قرار می‌دهد.

پنجره بزرگ به معنی حافظه بی‌نقص نیست. آزمون‌های Long Context نشان می‌دهند
Astra نسبت به GPT-۵.۶ Sol در پیدا کردن اطلاعات پراکنده در متن‌های بسیار طولانی
بهتر شده است. در بخش ۵۱۲ هزار تا یک میلیون توکن MRCR v2، امتیاز Astra ۹۶٫۳
درصد و Sol برابر ۷۳٫۸ درصد بوده است. با این حال در پروژه واقعی همچنان معماری
ورودی، نام‌گذاری فایل‌ها، تفکیک داده‌ها و دادن دستور روشن اهمیت دارد.

وقتی ورودی از ۲۷۲ هزار توکن عبور کند، نرخ API برای همان درخواست افزایش پیدا
می‌کند. پس پنجره یک میلیون توکنی به این معنی نیست که همیشه باید همه اسناد را
یک‌جا فرستاد. File Search و بازیابی هدفمند در بسیاری از کاربردها اقتصادی‌تر
هستند.

GPT-۶ Astra در API چه قابلیت‌هایی دارد؟

مدل Astra در API از Responses API و قابلیت‌های متداول توسعه عامل پشتیبانی
می‌کند. سطح استدلال آن با reasoning.effort روی حالت‌های
low، medium، high،
xhigh و max تنظیم می‌شود. حالت none
برای این مدل پشتیبانی نمی‌شود. توسعه‌دهنده می‌تواند در میانه یک گفت‌وگو سطح
استدلال را تغییر دهد و در عین حال بخش قابل کش پرامپت را حفظ کند.

از قابلیت‌های مهم API می‌توان به Async Tool Calling اشاره کرد. مدل می‌تواند
یک ابزار زمان‌بر را فراخوانی کند و در همان زمان روی بخش دیگری از مسئله فکر
کند یا پاسخ قسمت مستقلی را آماده کند. این معماری برای گردش‌کارهای طولانی
مناسب‌تر از حالتی است که مدل پس از هر فراخوانی ابزار کاملاً متوقف شود.

طبق صفحه رسمی مدل، ابزارهای Web Search، File Search، Image Generation، Code
Interpreter، Hosted Shell، Apply Patch، Skills، Computer Use، MCP و Tool
Search با Astra در Responses API پشتیبانی می‌شوند. Streaming، Function
Calling و Structured Outputs نیز پشتیبانی می‌شوند. Fine-tuning در زمان انتشار
برای این مدل فعال نیست.

در بخش ورودی و خروجی خام مدل، متن هم ورودی و هم خروجی است و تصویر به‌عنوان
ورودی پشتیبانی می‌شود. Audio و Video به‌عنوان modality مستقیم این مدل در صفحه
API پشتیبانی‌شده اعلام نشده‌اند. این موضوع را نباید با امکانات کلی ChatGPT
اشتباه گرفت؛ ChatGPT می‌تواند از مدل‌ها و ابزارهای جداگانه برای صدا، تصویر یا
ویدئو استفاده کند.

قیمت GPT-۶ Astra در API چقدر است؟

قیمت استاندارد API برای GPT-۶ Astra در زمان انتشار ۱۰ دلار به‌ازای هر یک
میلیون توکن ورودی و ۵۰ دلار به‌ازای هر یک میلیون توکن خروجی است. ورودی
کش‌شده ۱ دلار و نوشتن کش ۱۲٫۵ دلار به‌ازای هر یک میلیون توکن قیمت‌گذاری شده
است. Batch و Flex با نصف نرخ استاندارد ارائه می‌شوند و Fast Mode دو برابر نرخ
مربوط را هزینه دارد.

برای درخواست‌هایی با بیش از ۲۷۲ هزار توکن ورودی، OpenAI نرخ بالاتری اعمال
می‌کند: ورودی و کش برای کل درخواست دو برابر و خروجی ۱٫۵ برابر محاسبه می‌شود.
این جزئیات برای اپلیکیشن‌هایی که قرار است اسناد بسیار طولانی را در هر درخواست
ارسال کنند مهم است. همچنین Fast Mode برای Astra با EU Data Residency در زمان
معرفی در دسترس نیست.

گران‌تر بودن هر توکن لزوماً به معنی گران‌تر بودن هر کار نیست. OpenAI می‌گوید
Astra در بعضی ارزیابی‌ها با خروجی کوتاه‌تر و دفعات تلاش کمتر به جواب می‌رسد و
در نتیجه هزینه تخمینی هر کار می‌تواند از مدل قبلی پایین‌تر شود. از طرف دیگر
Artificial Analysis، Astra را در میان مدل‌های رده‌بالا مدلی نسبتاً گران
ارزیابی کرده است. برای انتخاب مدل در محصول واقعی بهتر است هزینه «هر کار موفق»
اندازه‌گیری شود، نه فقط قیمت یک میلیون توکن.

استدلال علمی، ریاضی و پژوهش در GPT-۶ Astra

Astra در مجموعه‌ای از آزمون‌های علمی و ریاضی پیشرفت کرده است. امتیاز
FrontierMath Tier ۴ v2 به ۹۷٫۶ درصد رسیده، در حالی که GPT-۵.۶ Sol امتیاز ۸۳
درصد داشته است. در Terminal-Bench Science ۰.۱ اختلاف بیشتر است: ۶۴٫۶ درصد
برای Astra در برابر ۲۲٫۴ درصد برای Sol. در GPQA Diamond نیز Astra با ۹۶ درصد
کمی بالاتر از ۹۴٫۶ درصد Sol قرار گرفته است.

در ARC-AGI-۳، نتیجه Astra نیاز به توضیح دارد. OpenAI امتیاز ۹۹٫۹ درصد را اعلام
کرده است و ARC Prize نیز این نتیجه را با Provider Adapter تأیید می‌کند، اما
همان مدل با Standard Harness امتیاز ۶۲٫۷ درصد داشته است. ARC Prize گزارش
می‌کند Astra در ۹۶ درصد سطوح از میانه انسان‌های آزمایش‌شده از نظر تعداد عمل
کارآمدتر بوده است. این نتیجه جالب است، اما نباید آن را مساوی با اثبات «هوش
عمومی انسانی» دانست.

برای پژوهشگر، مزیت عملی Astra فقط پاسخ‌دادن به سؤال علمی نیست. ترکیب استدلال
با Computer Use اجازه می‌دهد مدل در نرم‌افزارهای تخصصی داده را بررسی کند،
نمودار بسازد یا خروجی ابزار را تحلیل کند. همچنان اعتبارسنجی انسانی ضروری است،
به‌خصوص در پزشکی، علوم زیستی و تصمیم‌هایی که خطا در آن‌ها هزینه بالایی دارد.

چرا قابلیت‌های امنیت سایبری Astra حساسیت بیشتری ایجاد کرده است؟

GPT-۶ Astra نخستین مدل OpenAI است که طبق Preparedness Framework این شرکت به
سطح Critical در توان سایبری رسیده است. OpenAI می‌گوید مدل بدون محافظ‌های
محصول در آزمون‌های تخصصی توان بالایی در شناسایی و بهره‌برداری از
آسیب‌پذیری‌های نرم‌افزاری نشان داده است. همین توان می‌تواند برای دفاع، بازبینی
کد و پیدا کردن ضعف‌ها مفید باشد، اما در صورت سوءاستفاده خطر بالاتری هم ایجاد
می‌کند.

به همین دلیل نسخه عرضه‌شده محدودیت‌های سخت‌تری برای وظایف پیشرفته سایبری
دارد. OpenAI می‌گوید Astra در نسخه عمومی می‌تواند در کارهایی مانند بازبینی
امن کد و اصلاح ضعف‌ها کمک کند، اما درخواست‌های پیشرفته برای ساخت exploit یا
بعضی اثبات‌های مفهومی را رد می‌کند. سامانه‌های نظارتی نیز رفتار عامل را بررسی
می‌کنند و در صورت تشخیص اقدام خارج از محدوده ممکن است اجرای کار متوقف یا برای
تأیید کاربر متوقف شود.

این موضوع یکی از تفاوت‌های مهم نسل جدید عامل‌ها با چت‌بات‌های قدیمی است. وقتی
مدل می‌تواند در محیط واقعی عمل کند، «درست فهمیدن محدوده دستور» به اندازه توان
حل مسئله مهم می‌شود. OpenAI در ارزیابی داخلی گزارش کرده Astra در یک سنجش
ایمنی Computer Use، بدون لایه AutoReview، نرخ نتیجه ناهم‌راستا ۲٫۴ درصد داشته
و این عدد برای GPT-۵.۶ Sol برابر ۲۲ درصد بوده است. این نتایج داخلی هستند و
باید در کنار ارزیابی‌های بیرونی و تجربه عملی دنبال شوند.

GPT-۶ Astra تا چه حد قابل اعتماد است و آیا توهم کمتر شده؟

OpenAI یک ارزیابی داخلی برای سنجش ادعاهای نادرست مدل درباره قابلیت‌های خودش
منتشر کرده است. در این آزمون، نرخ خطا برای Astra ۴٫۲ درصد و برای GPT-۵.۶ Sol
برابر ۱۲٫۲ درصد بوده است. این کاهش مفید است، چون یک عامل خودکار اگر درباره
دسترسی، ابزار یا کاری که واقعاً انجام داده ادعای اشتباه کند می‌تواند کل
فرایند را خراب کند.

با این حال «توهم کمتر» به معنی «بدون خطا» نیست. مدل همچنان می‌تواند برداشت
اشتباه داشته باشد، منبع ضعیف را جدی بگیرد یا در یک مسئله تخصصی نتیجه نادرست
بدهد. OpenAI نیز در اسناد ایمنی خود به محدودیت monitorability اشاره کرده و
گفته بعضی شکل‌های reasoning نوشته‌شده Astra سخت‌تر از Sol قابل پایش بوده
است. این شرکت موضوع را یک حوزه فعال تحقیقاتی می‌داند.

برای استفاده سازمانی، رویکرد مناسب این است که سطح اختیار مدل با ریسک کار
هماهنگ شود. کارهایی مانند خلاصه‌سازی اسناد یا مرتب‌کردن داده‌ها می‌توانند
خودکارتر باشند. تغییر تنظیمات حساس سرور، انتشار کد در محیط Production، پرداخت
یا ارسال اطلاعات محرمانه نیاز به کنترل و تأیید قوی‌تری دارند.

GPT-۶ Astra چه چیزهایی نیست؟ چند برداشت اشتباه رایج

• Astra به معنی AGI اثبات‌شده نیست.
  امتیاز بالا در ARC-AGI یا سایر بنچمارک‌ها نشان‌دهنده عملکرد قوی در همان
  آزمون است، نه اثبات هوش عمومی انسانی در همه محیط‌ها.
• دانش داخلی آن تا امروز ادامه ندارد.
  Knowledge Cutoff مدل ۳۰ آوریل ۲۰۲۶ است. اطلاعات جدیدتر باید با ابزارهای
  به‌روز مانند Web Search دریافت شوند.
• پنجره یک میلیون توکنی حافظه بی‌نقص نیست.
  عملکرد Long Context بهتر شده، اما سازمان‌دهی ورودی همچنان مهم است.
• Computer Use بدون مجوز و ابزار کار نمی‌کند.
  مدل تنها در محدوده محیطی که برنامه در اختیارش قرار داده می‌تواند اقدام کند.
• Astra در API مدل صوتی یا ویدئویی مستقیم نیست.
  ورودی تصویر و متن را می‌پذیرد و خروجی مدل متن است؛ قابلیت‌های رسانه‌ای دیگر
  می‌توانند از ابزارهای جداگانه بیایند.
• دسترسی آن هنوز برای همه فوری نیست.
  در ۴ سپتامبر ۲۰۲۶ عرضه مرحله‌ای ادامه دارد.

GPT-۶ Astra برای چه کاربرانی بیشترین ارزش را دارد؟

توسعه‌دهندگان و تیم‌های فنی

تیم‌هایی که با کدبیس بزرگ، تست، ترمینال، مرورگر و چند ابزار هم‌زمان کار
می‌کنند بیشترین تفاوت را حس می‌کنند. Astra برای اصلاح چندفایلی، بررسی خطا،
مهاجرت دیتابیس و گردش‌کار عامل‌محور مناسب‌تر از استفاده صرف برای autocomplete
است.

تحلیلگران و تیم‌های عملیاتی

توانایی ساخت سند و صفحه گسترده، استفاده از نرم‌افزار و تحلیل مجموعه بزرگ
فایل‌ها، Astra را برای گزارش‌گیری، مقایسه داده و کارهای تکراری اداری مناسب
می‌کند. در این حوزه ارزش اصلی وقتی ایجاد می‌شود که مدل بتواند ابزارها را به هم
وصل کند و نتیجه نهایی را در قالب مورد انتظار سازمان تحویل دهد.

طراحان وب، متخصصان محتوا و سئو

Astra می‌تواند در تحقیق موضوع، تحلیل رقبا، ساخت ساختار محتوا، بررسی صفحات
سایت، کدنویسی فرانت‌اند و تست مرورگر کمک کند. برای کسب‌وکارهایی که می‌خواهند
فرایند طراحی سایت و سئو را با ابزارهای هوش مصنوعی ترکیب
کنند، مهم است AI به‌عنوان بخشی از فرایند کنترل‌شده دیده شود. تابان استودیو
در پروژه‌های طراحی سایت می‌تواند از چنین
ابزارهایی برای سرعت‌دادن به تحقیق، توسعه و کنترل کیفیت استفاده کند، اما
مسئولیت معماری، امنیت و تصمیم نهایی همچنان باید روشن باشد.

پژوهشگران و کاربران حرفه‌ای

زمینه طولانی، استدلال علمی و کار با نرم‌افزارهای تخصصی برای پژوهش کاربرد
دارد. در عین حال مدل جایگزین روش علمی، داوری تخصصی یا بررسی منابع نمی‌شود.
بهترین استفاده زمانی است که Astra نقش دستیار پژوهش را داشته باشد و نتیجه
نهایی با شواهد مستقل کنترل شود.

آیا GPT-۶ Astra برای استفاده روزمره هم انتخاب مناسبی است؟

برای سؤال‌های ساده، بازنویسی کوتاه یا کارهای روزمره ممکن است استفاده از
پرچم‌دار گران‌ترین یا سریع‌ترین انتخاب نباشد. خود OpenAI در فهرست مدل‌های API،
GPT-۵.۶ Terra را برای تعادل بین توان و هزینه و GPT-۵.۶ Luna را برای بارهای
کاری پرحجم و حساس به هزینه معرفی می‌کند. Astra بیشتر زمانی توجیه دارد که
مسئله سخت است، چند ابزار درگیر هستند یا اشتباه و تکرار کار هزینه بیشتری از
قیمت مدل دارد.

در ChatGPT نیز بهتر است Astra برای پروژه‌های دشوارتر استفاده شود، به‌خصوص اگر
حساب شما محدودیت مصرف داشته باشد.

جمع‌بندی: GPT-۶ Astra چه تغییری در استفاده از ChatGPT ایجاد می‌کند؟

GPT-۶ Astra بیش از آنکه یک نسخه با پاسخ‌های کمی بهتر باشد، تلاش OpenAI برای
تبدیل مدل زبانی به عامل کاری کامل‌تر است. استفاده سریع‌تر از کامپیوتر، اجرای
بهتر پروژه‌های چندمرحله‌ای، کدنویسی قوی‌تر، زمینه بسیار بزرگ، کنترل بهتر
تغییرات وسط کار و پیروی دقیق‌تر از محدوده دستورها مهم‌ترین تفاوت‌های آن با
GPT-۵.۶ Sol هستند.

با این حال Astra مدل بدون محدودیت یا بدون خطا نیست. عرضه آن هنوز مرحله‌ای
است، تاریخ دانش داخلی تا ۳۰ آوریل ۲۰۲۶ می‌رسد، Fine-tuning در API پشتیبانی
نمی‌شود و بعضی قابلیت‌های حساس سایبری عمداً محدود شده‌اند. نتایج بنچمارک‌ها
نیز به روش اجرا وابسته‌اند و نباید با تضمین عملکرد در هر پروژه یکی دانسته
شوند.

برای کسب‌وکارها سؤال اصلی این نیست که «آیا Astra از همه مدل‌ها بهتر است؟»
سؤال مفیدتر این است که آیا می‌تواند یک فرایند واقعی را با کیفیت، هزینه و سطح
کنترل مناسب بهتر انجام دهد. اگر قصد دارید از هوش مصنوعی در طراحی سایت، توسعه،
اتوماسیون یا فرایندهای محتوایی استفاده کنید، می‌توانید از بخش
تماس و مشاوره تابان استودیو برای بررسی نیاز فنی پروژه
شروع کنید.

پرسش‌های متداول درباره GPT-۶ Astra

GPT-۶ Astra چیست؟

GPT-۶ Astra مدل پرچم‌دار جدید OpenAI است که برای استدلال پیچیده،
برنامه‌نویسی، استفاده از کامپیوتر، تحقیق، کار با اسناد طولانی و گردش‌کارهای
چندمرحله‌ای طراحی شده است.

GPT-۶ Astra چه تاریخی منتشر شد؟

OpenAI این مدل را در ۳ سپتامبر ۲۰۲۶ معرفی کرد. عرضه آن ابتدا محدود است و طی
روزهای بعد برای گروه‌های بیشتری از کاربران و توسعه‌دهندگان فعال می‌شود.

آیا GPT-۶ Astra برای ChatGPT Plus فعال است؟

Plus در فهرست پلن‌هایی قرار دارد که OpenAI برای دریافت Astra اعلام کرده است،
اما عرضه مرحله‌ای است. بنابراین ممکن است یک کاربر Plus هنوز مدل را در
انتخاب‌گر خود نبیند و چند روز بعد دسترسی دریافت کند.

آیا کاربران رایگان ChatGPT به Astra دسترسی دارند؟

در اطلاعیه اولیه OpenAI، Free در فهرست پلن‌های دریافت‌کننده Astra ذکر نشده
است. این وضعیت ممکن است در آینده تغییر کند و باید بر اساس اطلاعیه‌های بعدی
بررسی شود.

شناسه GPT-۶ Astra در API چیست؟

شناسه رسمی مدل در API برابر gpt-6-astra است.

پنجره زمینه GPT-۶ Astra چقدر است؟

پنجره زمینه رسمی ۱٬۰۵۰٬۰۰۰ توکن و حداکثر خروجی ۱۲۸٬۰۰۰ توکن است.

آیا GPT-۶ Astra از تصویر پشتیبانی می‌کند؟

بله. در API، متن و تصویر می‌توانند ورودی باشند. خروجی مستقیم مدل متن است.
ابزار Image Generation نیز می‌تواند در Responses API کنار مدل استفاده شود.

آیا GPT-۶ Astra برای کدنویسی بهتر از GPT-۵.۶ Sol است؟

در چند ارزیابی رسمی مهندسی نرم‌افزار، از جمله Terminal-Bench ۴.۰ و آزمون
داخلی مهاجرت دیتابیس، Astra امتیاز بالاتری از GPT-۵.۶ Sol گرفته است. تفاوت
اصلی در کارهای چندمرحله‌ای و استفاده از ابزارها بیشتر دیده می‌شود.

آیا GPT-۶ Astra به اینترنت دسترسی دارد؟

خود مدل را باید از ابزار جدا کرد. Astra می‌تواند با ابزار Web Search کار کند،
اما دسترسی واقعی به وب به محصول یا برنامه‌ای بستگی دارد که این ابزار را برای
مدل فعال کرده باشد.

آیا GPT-۶ Astra همان AGI است؟

هیچ مدرک رسمی وجود ندارد که انتشار Astra را اثبات AGI بداند. نتایج قوی در
ARC-AGI-۳ و سایر بنچمارک‌ها نشان‌دهنده توان بالا در همان ارزیابی‌ها هستند، نه
اثبات هوش عمومی انسانی در تمام وظایف.

منابع مبنای این مقاله

• OpenAI، معرفی رسمی GPT-۶ Astra
• OpenAI Developers، صفحه مدل GPT-۶ Astra و راهنمای استفاده از مدل
• OpenAI، گزارش ایمنی GPT-۶ Astra
• OpenAI Help Center، یادداشت انتشار ChatGPT در ۳ سپتامبر ۲۰۲۶
• ARC Prize Foundation، نتایج GPT-۶ Astra در ARC-AGI-۳
• Artificial Analysis، ارزیابی مستقل GPT-۶ Astra