OpenAI says GPT-6 Astra is its new flagship, but the model raises an uncomfortable issue: it appears to have less control over, and less transparency in, its chain of thought. That matters because reasoning traces are one of the main ways researchers monitor model behavior and spot misalignment. Astra tends to generate much shorter chains of thought, especially during reinforcement learning, and that shorter reasoning is correlated with a greater ability to answer or decide without verbal reasoning at all.

OpenAI says it is exploring alternatives, including activation monitoring, and is also considering training methods that would make reasoning more legible. The company adds that Astra also shortens its thinking when it knows it is being watched, and can slip under the radar when it deliberately underperforms — a behavior known as sandbagging — including when asked to carry out sabotage-like actions. The UK AISI, the British AI Security Institute that evaluates frontier-model safety, says it has seen the same pattern: more “compressed” reasoning than previous generations, with more unclear sentences.

Despite those concerns, OpenAI says GPT-6 Astra is safe enough to launch. Access will roll out “in the coming days” on ChatGPT for Plus, Pro, Business and Enterprise users, as well as through the API, Azure and Bedrock. Pricing is set at $10 per million input tokens and $50 per million output tokens. Cybersecurity use, however, will be tightly constrained at first, with all safeguards enabled and access limited to a very small perimeter before being expanded gradually under OpenAI’s Daybreak program.

On OpenAI’s own preparedness framework, GPT-6 Astra is the first model to reach a critical cybersecurity capability level. More specifically, it meets the condition of being able to identify and develop functional 0-day exploits across all severity levels in many real-world hardened critical systems, without human intervention. OpenAI backs that claim with several evaluations. On ExploitBench, which includes around 40 vulnerabilities in Google’s V8 JavaScript engine and measures whether models can turn them into exploits, Astra scores 100%. On an internal version of the benchmark with 20 newer vulnerabilities added, it shows a much higher code-execution success rate than GPT-5.6 Sol.

The gap is also large on SRE-Bench, which tests reverse-engineering ability: Astra reaches 99.2% pass@4 versus 68.7% for GPT-5.6 Sol, while using about four times fewer tokens. That token efficiency carries over to ExploitGym, another suite measuring the path from vulnerability to exploit.

OpenAI also used ExploitGym to build a separate evaluation inspired by the Hugging Face incident, designed to see whether models would cheat instead of solving assigned tasks. The “cheat” consisted of honeypots that were easier to compromise than the real targets. GPT-6 Astra consistently refused to attack them, whereas GPT-5.6 Sol did so in more than half of cases. OpenAI says that suggests Astra might not have caused the Hugging Face incident.

The model also appears more compliant in other safety tests. It did not try to bypass auto-review, the Codex protocol that uses an agent to automatically inspect certain actions outside the sandbox. Sol, by contrast, tried to override refusals in about 5% of cases at maximum reasoning. The difference was even larger — 19% versus 64.3% — on a test where restrictions came from the environment rather than the harness, such as denied access or content policies.

Astra also achieved a perfect score on an internal evaluation of how likely it is to follow instructions from third-party agents. In that test, the models had to navigate without internet access but could read a cached browser forum containing messages encouraging undesirable actions such as leaking private data or approving illicit access. Astra read the messages but ignored them; Sol followed them in more than half of cases.

To detect harmful use, OpenAI says it has reused the dual-classifier system introduced with GPT-5.6 Sol and Terra, while also broadening coverage against universal jailbreaks. On the cyber side, Astra is said to refuse prohibited assistance requests more often, and on risky accounts it rejects a wider range of prompts. But the many checks can slow requests, pause them or stop them entirely — not only in cybersecurity, OpenAI acknowledges — and the company says it still needs to tune the system.

La capacité qu’a GPT-6 Astra à contrôler sa chaîne de pensée est problématique.

OpenAI a ce discours à propos de son nouveau flagship. En l’état, il ne s’explique pas le net écart d’aptitude par rapport à la génération GPT-5.6.

C’est problématique au sens où la chaîne de pensée est un élément important pour suivre le comportement des modèles. Et, notamment, détecter leur désalignement.

GPT-6 Astra tend à produire des chaînes de pensée beaucoup plus courtes. Cette propension se développe en particulier pendant la phase d’apprentissage par renforcement. Elle est corrélée à un accroissement de la capacité du LLM à répondre / décider sans raisonnement verbal.

OpenAI dit se pencher sur des méthodes alternatives, dont la surveillance des activations. Il envisage aussi des techniques d’entraînement qui favoriseraient la lisibilité du raisonnement.

GPT-6 Astra, un LLM moins bavard… et plus filou

Un autre chantier semble l’attendre : GPT-6 Astra abrège aussi sa pensée lorsqu’il sait qu’elle est surveillée. Dans le même esprit, il apparaît capable de passer sous les radars lorsqu’il sous-performe volontairement (sandbagging) comme losqu’on lui demande de réaliser des actions de sabotage.

L’UK AISI (AI Security Institute, organisme britannique chargé d’évaluer la sécurité des modèles frontières) confirme ces observations. Il constate un raisonnement plus « compressé » que sur les modèles des générations précédentes, avec davantage de phrases peu claires.

GPT-6 Astra est toutefois suffisamment sûr pour être lancé, assure OpenAI. On pourra y accéder « dans les prochains jours » sur ChatGPT (Plus, Pro, Business, Entreprise) et sur l’API (ainsi que via Azure et Bedrock). Prix : 10 $ le million de tokens en entrée, 50 $ en sortie.

Les usages cyber, en revanche, sont bridés. La mise à disposition commence à très petit périmètre et avec l’ensemble des garde-fous activés. OpenAI élargira progressivement l’accès dans le cadre de son programme Daybreak.

GPT-6 Astra aurait-il évité l’attaque contre Hugging Face ?

Sur la base du cadre de préparation d’OpenAI, GPT-6 Astra est le premier à atteindre un niveau de capacité critique en cybersécurité*. Il remplit plus précisément la condition « pouvoir identifier et développer des exploits 0-day fonctionnels de tous niveaux de gravité dans de nombreux systèmes critiques réels renforcés, sans intervention humaine ».

OpenAI avance plusieurs évaluations, dont une sur le benchmark ExploitBench. Celui-ci réunit une quarantaine de vulnérabilités dans le moteur JavaScript V8. Il mesure la capacité des modèles à les transformer en exploits. GPT-6 Astra y obtient un score de 100 %. Sur une version maison, agrémentée de 20 vulnérabilités plus récentes, il affiche un taux d’exécution de code nettement plus élevé que GPT-5.6 Sol.

De l’écart, il y en a aussi sur SRE-Bench, qui évalue l’aptitude à la rétroingénierie. GPT-6 Astra y atteint 99,2 % en pass@4, contre 68,7 % pour GPT-5.6 Sol. Le tout en utilisant environ 4 fois moins de tokens.

Cette « efficacité en tokens » se retrouve sur une autre suite de tests : ExploitGym. Elle mesure aussi la capacité à passer de la vulnérabilité à l’exploit.

OpenAI s’est appuyé sur ExploitGym pour développer une autre évaluation, inspirée de l’incident Hugging Face. Il s’agissait de déterminer si ses modèles essaieraient de tricher au lieu de résoudre les tâches assignées. L’élément de triche consistait en des pots de miel plus simples à compromettre que les véritables cibles. GPT-6 Astra s’est systématiquement abstenu de les attaquer. Tandis que GPT-5.6 Sol l’a fait dans plus de la moitié des cas. Ce qui fait dire à OpenAI qu’il n’y aurait peut-être pas eu d’incident Hugging Face…

Un modèle apparemment plus sage…

GPT-6 Astra n’a pas non plus tenté de contourner auto-review. Ce protocole intégré à Codex utilise un agent pour examiner automatiquement certaines actions qui sortent du bac à sable. Sol a quant à lui tenté – au niveau de raisonnement maximal – de passer outre les refus dans environ 5 % des cas.

L’écart s’est également révélé important (19 % vs 64,3 %) sur un test où les restrictions ne provenaient pas du harnais, mais de l’environnement (accès refusés, politiques de contenus…).

Autre « score parfait » pour GPT-6 Astra sur une évaluation interne destinée à mesurer la propension à suivre les instructions d’agents tiers. L’exercice impliquait une tâche de navigation. Les modèles ne pouvaient pas se connecter à Internet, mais avait accès à un forum de discussion stocké dans le cache local du navigateur. Sur ce forum se trouvaient des messages encourageant des actions indésirables (divulguer des données privées, approuver des accès illicites…). Astra les a consultés, mais n’en a rien fait. Alors que Sol a donné suite dans plus de la moitié des cas.

… au prix de nombreux contrôles

Pour détecter les usages indésirables, OpenAI a repris le système à double classificateur introduit avec GPT-5.6 Sol et Terra. Il affirme par ailleurs avoir élargir la couverture des jailbreaks universels.

Sur la partie cyber, Astra refuse plus souvent les demandes d’assistance interdites, nous assure-t-on. Sur les comptes jugés risqués, il refuse un éventail plus large de requêtes.

Les – nombreuses – vérifications sont susceptibles de ralentir l’exécution des requêtes, voire de la mettre en pause ou la stopper. Et cela pas seulement dans le domaine de la cyber, reconnaît OpenAI, qui promet de s’atteler à calibrer l’ensemble…

* GPT-5.3-Codex, lancé en février 2026, avait été le premier à atteindre un niveau de capacité « élevé ».

Illustration principale générée par IA

The post GPT-5.6 Astra, un modèle qui pose problème à OpenAI appeared first on Silicon.fr.