GPT-6 Astra: एक क्रांति या AI के विकास में एक और कदम?

GPT-6 Astra को 3 सितंबर 2026 को OpenAI द्वारा आधिकारिक रूप से पेश किया गया। कंपनी इसे अपने सबसे उन्नत मॉडल के रूप में प्रस्तुत करती है और कंप्यूटर उपयोग (computer use), इंटरनेट ब्राउज़िंग, प्रोग्रामिंग, साइबर सुरक्षा, सीखने और पेशेवर कार्य में क्षमताओं के नए स्तरों की ओर इशारा करती है। यह महत्वपूर्ण है, लेकिन तथ्यों को मार्केटिंग शब्दावली से अलग करना भी उतना ही महत्वपूर्ण है। Astra "AGI का प्रमाण" नहीं है। इसके बजाय, यह एक विशिष्ट, सार्वजनिक रूप से वर्णित फ्रंटियर मॉडल है जो तर्क (reasoning) को बहु-चरणीय कार्यों के निष्पादन के साथ जोड़ता है। सबसे बड़ा बदलाव यह है कि OpenAI केवल Astra को एक प्रश्नोत्तर प्रणाली के रूप में वर्णित नहीं करता है। इस मॉडल को कंप्यूटर, ब्राउज़र, कोड, दस्तावेज़ों और विशिष्ट उपकरणों का उपयोग करके कार्य करने हैं। व्यवहार में, इसका अर्थ "मेरे लिए उत्तर लिखें" मॉडल से "मेरे लिए प्रक्रिया पूरी करें" की ओर बदलाव है। TechSociety का संपादकीय चित्रण: GPT-6 Astra तर्क, एजेंटों, कंप्यूटर उपयोग और साइबर सुरक्षा के संयोजन के रूप में। 1.

GPT-6 Astra अब OpenAI का आधिकारिक मॉडल है Astra के बारे में पिछली जानकारी एक विकास परियोजना से संबंधित थी। 3 सितंबर 2026 को OpenAI ने आधिकारिक तौर पर GPT-6 Astra पेश किया। इस मॉडल को चरणों में तैनात किया जा रहा है: शुरू में यह संगठनों के एक सीमित समूह के पास पहुँचा, और फिर इसे ChatGPT Plus, Pro, Business और Enterprise उपयोगकर्ताओं के साथ-साथ API के माध्यम से उपलब्ध कराया जाएगा। OpenAI ने Microsoft Azure और Amazon Bedrock को भी वितरण चैनलों के रूप में निर्दिष्ट किया है। डेवलपर डॉक्यूमेंटेशन में, यह मॉडल gpt-6-astra पहचानकर्ता के तहत उपलब्ध है। OpenAI ने इसके लिए 1,050,000 टोकन का कॉन्टेक्स्ट विंडो, 128,000 टोकन का अधिकतम आउटपुट और 30 अप्रैल 2026 की नॉलेज कटऑफ बताई है। मॉडल reasoning effort के स्तरों: low, medium, high, xhigh और max को सपोर्ट करता है। यह महत्वपूर्ण है क्योंकि GPT-6 नाम अब केवल मीडिया द्वारा Astra नाम की व्याख्या नहीं है। OpenAI आधिकारिक तौर पर अपने संचार और API डॉक्यूमेंटेशन दोनों में "GPT-6 Astra" नाम का उपयोग करता है। 2.

दस लाख से अधिक कॉन्टेक्स्ट टोकन Astra की सबसे विशिष्ट विशेषताओं में से एक 1.05 मिलियन टोकन का कॉन्टेक्स्ट है। यह आकार मॉडल को एक ही कार्य के भीतर बहुत व्यापक सामग्री के साथ काम करने की अनुमति देता है: बड़े रिपॉजिटरी, डॉक्यूमेंटेशन, प्रोजेक्ट हिस्ट्री, कई दस्तावेजों या विस्तृत डेटासेट के साथ। केवल कॉन्टेक्स्ट का आकार गुणवत्ता की गारंटी नहीं देता है। सूचनाओं का चयन, प्रॉम्प्ट बनाने का तरीका, खोज, उपकरण और गणना की लागत अभी भी महत्वपूर्ण हैं। हालांकि, एजेंट वर्क में बड़ा विंडो विशेष रूप से महत्वपूर्ण है, क्योंकि एक लंबे कार्य के लिए बड़ी संख्या में पिछले निर्णयों, परीक्षण परिणामों और बाधाओं को बनाए रखने की आवश्यकता हो सकती है। OpenAI ने MRCR v2 8-needle टेस्ट में Astra के उच्च परिणाम रिपोर्ट किए हैं। 256K–512K कॉन्टेक्स्ट के लिए मॉडल ने 100% प्राप्त किया, और 512K–1M के लिए 96.3%। GPT-5.6 Sol ने क्रमशः 91.5% और 73.8% प्राप्त किए। ये परिणाम OpenAI द्वारा प्रकाशित किए गए हैं और एक विशिष्ट बेंचमार्क कार्यप्रणाली से संबंधित हैं। 3.

Computer use: कंप्यूटर मॉडल का उपकरण बन जाता है इस लॉन्च का सबसे व्यावहारिक तत्व 'computer use' है। OpenAI, Astra को एक ऐसे मॉडल के रूप में वर्णित करता है जो ऑनलाइन फॉर्म भरने, CRM में ग्राहकों के रिकॉर्ड अपडेट करने, कैलेंडर व्यवस्थित करने, ऑनलाइन रिसर्च करने, ईमेल और डॉक्यूमेंट एडिटर्स में सारांश तैयार करने, वैज्ञानिक डेटा का विश्लेषण करने, चार्ट बनाने, वेबसाइट बनाने और फ्रंटएंड QA करने जैसे कार्यों को करने में सक्षम है। यह मॉडल सॉफ्टवेयर इंस्टॉल और टेस्ट कर सकता है और स्क्रीन पर दिखने वाली समस्याओं के निदान में मदद कर सकता है। यह अब केवल टेक्स्ट या कोड जेनरेट करना नहीं है। मॉडल को परिवेश को देखने और अगले कदम उठाने की क्षमता प्राप्त होती है। OSWorld 2.0 बेंचमार्क में, OpenAI ने Astra के लिए 72.6% और GPT-5.6 Sol के लिए 65.7% का परिणाम दिया। लेटेंसी सिमुलेशन में, Astra ने प्रति कार्य लगभग 40 मिनट में बेहतर परिणाम प्राप्त किया, जबकि Sol को लगभग 75 मिनट लगे। OpenAI इसे एक साथ उच्च स्कोर के साथ लगभग 47% कम समय के रूप में वर्णित करता है। 4.

ScreenSpot-Pro और इंटरफ़ेस की समझ ScreenSpot-Pro में, बिना किसी टूल का उपयोग किए, GPT-6 Astra ने OpenAI के अनुसार 92.7% प्राप्त किया, जबकि GPT-5.6 Sol ने 76.9% । यह परीक्षण यूजर इंटरफेस तत्वों को समझने से संबंधित है। यह परिणाम एजेंटों के लिए महत्वपूर्ण है, क्योंकि किसी ऐप में काम करने के लिए स्क्रीन के तत्वों की सही पहचान आवश्यक है। एजेंट को पता होना चाहिए कि सही बटन, फ़ील्ड, मेनू या इंटरफ़ेस तत्व कहाँ स्थित है। केवल टेक्स्ट जेनरेट करने की क्षमता ऐसे कार्य को पूरा करने के लिए पर्याप्त नहीं है। 5.

AutomationBench: प्रक्रियाओं को निष्पादित करने की बेहतर क्षमता AutomationBench में GPT-6 Astra ने 41.4% प्राप्त किया। तुलना के लिए, OpenAI ने GPT-5.6 Sol के लिए 18.1%, Claude Fable 5.1 के लिए 31.4%, Claude Fable 5 के लिए 17.4% और Claude Opus 5 के लिए 26.9% बताया है। इस परिणाम का अर्थ "Astra 41.4% व्यावसायिक प्रक्रियाओं को स्वचालित करता है" के रूप में नहीं निकाला जाना चाहिए। बेंचमार्क कार्यों के एक विशिष्ट सेट को मापता है। हालांकि, यह इस बात का एक महत्वपूर्ण संकेतक है कि Astra को कई कार्यों से बनी प्रक्रिया को निष्पादित करने के लिए अनुकूलित किया गया है। 6.

Agents’ Last Exam Agents’ Last Exam में Astra ने 59.3% प्राप्त किया, GPT-5.6 Sol ने 53.6%, Claude Opus 5 ने 55.5%, और OpenAI द्वारा प्रस्तुत तुलना में Claude Fable 5 ने 48.7% हासिल किया। इस प्रकार का परीक्षण महत्वपूर्ण है क्योंकि केवल एक एकल उत्तर की सटीकता ही नहीं, बल्कि पूरी प्रक्रिया को पूरा करने की एजेंट की क्षमता भी तेजी से महत्वपूर्ण होती जा रही है। व्यावसायिक अभ्यास में यही बात तय करती है कि AI केवल एक सहायक है या वास्तव में यह किसी प्रक्रिया के हिस्से को संभाल सकता है। 7.

प्रोग्रामिंग: Astra को कार्य निष्पादित करने चाहिए, न कि केवल कोड लिखने के लिए OpenAI ने GPT-6 Astra को सॉफ्टवेयर इंजीनियरिंग के लिए अब तक के अपने सबसे अच्छे मॉडल के रूप में परिभाषित किया है। इस मॉडल को एजेंट वर्क के लिए तैयार किया गया है, जिसमें कोडिंग एक बड़ी प्रक्रिया का हिस्सा है जिसमें रिपॉजिटरी का विश्लेषण, टर्मिनल का उपयोग, परीक्षण चलाना और परिणामों में बार-बार सुधार करना शामिल है। Codex में महत्वपूर्ण बदलावों में से एक लंबे सत्रों के दौरान संदर्भ (context) को रखने का तरीका है। पहले, अगले संदर्भ विंडो को सारांशों में संकुचित किया जाता था। Astra विंडो के बीच नोट्स रख सकता है, और पिछली विंडो खोज योग्य बनी रहती हैं। इसके कारण मॉडल आवश्यकताओं, परीक्षण परिणामों या पिछले कार्यों पर वापस जा सकता है, भले ही वे संक्षिप्त सारांश में शामिल न हों। यह बड़े रिफैक्टरिंग (refactoring), माइग्रेशन और लंबे कार्यों के लिए महत्वपूर्ण है। ऐसे वातावरण में मॉडल का मूल्यांकन केवल "क्या इसने सही कोड उत्पन्न किया?" प्रश्न से नहीं, बल्कि "क्या इसने पूरे कार्य को एक कार्यात्मक परिणाम तक पहुँचाया?" प्रश्न से किया जाना चाहिए। 8.