Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
medium.com15. September 2026 · Q010873

GPT-6 Astra: The First Time an AI Actually Did the Job

medium.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Autor berichtet, Astra habe eine mehrstufige Tabellenaufgabe in 40 Minuten selbstständig erledigt und schneide bei Benchmarks zur Computerbedienung besser ab als das Vorgängermodell. Er sieht den Nutzen vor allem bei langen Automatisierungen, weist aber auf höhere Kosten, schwächere beziehungsweise ähnliche Ergebnisse in allgemeinen Coding- und Intelligenztests sowie die laut OpenAI kritische Cybersicherheitsfähigkeit hin.

Mittel

Der Autor berichtet von einer Woche mit GPT-6 Astra und beschreibt es als KI, die Computeraufgaben selbst ausführt. In seinem Versuch habe Astra Daten aus einem unübersichtlichen Ordner gesammelt, bereinigt und in eine formatierte Tabelle übertragen. Die Arbeit sei in 40 Minuten ohne laufende Korrekturen erledigt gewesen, gegenüber ungefähr zwei Stunden eigener Arbeit. Als Benchmarks nennt der Beitrag 72,6 Prozent bei OSWorld 2.0 und 92,7 Prozent bei ScreenSpot Pro; bei AutomationBench seien die Ergebnisse gegenüber dem Vorgängermodell mehr als doppelt so hoch ausgefallen.

Der Autor grenzt den Vorteil ein: In allgemeinen Intelligenz- und Coding-Agent-Bewertungen liege Astra laut den zitierten unabhängigen Tests hinter Claude Fable 5.1 oder etwa auf ähnlichem Niveau wie andere Spitzenmodelle. Auch sei Astra teuer; bei voller Schlussfolgerungsleistung lägen die Gesamtkosten laut einer unabhängigen Schätzung etwa 75 Prozent höher. Der Beitrag hält das Modell daher vor allem für lange, mehrstufige Automatisierungsaufgaben geeignet. Außerdem berichtet er, Astra überschreite OpenAIs kritische Cybersicherheitsschwelle und könne mit entsprechendem Zugriff Sicherheitslücken finden und ausnutzen. Die Versuchsergebnisse und Wertungen werden vom Autor berichtet; eine unabhängige Prüfung beschreibt der Text nicht.

Ausführlich lesen

Der Autor Mike von „Claude Cost Tests“ berichtet, GPT-6 Astra eine Woche lang mit alltäglichen Aufgaben am Computer ausprobiert zu haben. Anlass sei die Aussage gewesen, Astra könne Computerarbeit selbstständig erledigen. Der Beitrag beschreibt das Modell als „Computeroperator“: Es könne den Bildschirm bedienen, Apps und Browser öffnen, Schaltflächen anklicken und Dateien verschieben. Der Autor stellt dies dem üblichen Chatbot-Modell gegenüber, bei dem die KI zwar antworte, die Arbeitsschritte aber beim Menschen blieben.

Als Beleg für Astra nennt der Beitrag OSWorld 2.0, einen Test mit Aufgaben in Desktop-Anwendungen. Dort habe Astra 72,6 Prozent erreicht, gegenüber 65,7 Prozent für GPT-5.6 Sol. Für die durchschnittliche Aufgabe werden etwa 40 statt 75 Minuten angegeben. Der Autor betont, die kürzere Bearbeitungszeit sei für delegierte Computerarbeit besonders relevant.

Sein eigener Versuch betraf das Auslesen und Bereinigen von Daten aus einem unübersichtlichen Dateiordner und deren Übertragung in eine formatierte Tabelle. Astra habe die Dateien geöffnet und verarbeitet, zwei übersehene Zeilen erkannt und die Tabelle wie gewünscht erstellt. Laut Autor sank der Aufwand von ungefähr zwei Stunden über einen ablenkungsreichen Nachmittag auf 40 Minuten ohne laufende Eingriffe. Er beschreibt, Astra sei dabei auf Kurs geblieben und habe verstanden, wann die Aufgabe erledigt war.

Für die Bedienung einzelner Bildschirmelemente verweist der Text auf ScreenSpot Pro: Astra habe 92,7 Prozent erreicht, Sol 76,9 Prozent. Bei AutomationBench, das mehrstufige Abläufe prüfe, seien die Werte von 18,1 auf 41,4 Prozent gestiegen. Der Autor sieht deshalb die stärksten Vorteile bei wiederholten, mehrstufigen Computeraufgaben und längeren Browser- oder Terminalabläufen.

Der Beitrag schränkt den Anspruch eines allgemeinen Leistungssprungs jedoch ein. Laut den dort angeführten unabhängigen Bewertungen liege Astra im Artificial Analysis Intelligence Index mit etwa 61 hinter Claude Fable 5.1 mit ungefähr 66; auch im Index für Coding-Agenten führe Fable. Für allgemeines Programmieren, kurze Antworten und einzelne Aufgaben sei Astra demnach etwa gleichauf mit oder etwas hinter anderen Spitzenmodellen. Der Beitrag ordnet seinen Vorteil enger ein: beim tatsächlichen Steuern eines Computers und beim Verketteten von Arbeitsschritten.

Auch die Kosten sprächen nicht für jeden Einsatz. Genannt werden 10 US-Dollar je Million Eingabetokens und 50 US-Dollar je Million Ausgabetokens. Trotz besserer Token-Effizienz schätze ein unabhängiger Test die Gesamtkosten bei voller Schlussfolgerungsleistung um rund 75 Prozent höher ein. Der Autor hält Astra bei langen Automatisierungsaufgaben wegen der Zeitersparnis für lohnend, bei schneller Programmierung, günstigen Antworten oder hohem Anfragevolumen hingegen eher nicht.

Schließlich hebt der Autor einen Sicherheitsaspekt hervor: Astra überschreite laut OpenAIs eigenem Rahmen erstmals die kritische Schwelle bei Cybersicherheit. Mit geeignetem Zugriff könne das Modell demnach unbekannte Sicherheitslücken finden und weitgehend selbstständig Angriffsmethoden entwickeln. Diese Fähigkeit sei zum Start durch ein zugangsbeschränktes Programm abgesichert worden. Insgesamt argumentiert der Beitrag, dass die praktische Ausführung von Aufgaben künftig wichtiger bewertet werden könnte als die Qualität bloßer Antworten. Die Zahlen und Versuchsergebnisse werden im Text berichtet; eine unabhängige Überprüfung der Angaben oder eine breitere Versuchsreihe legt der Beitrag nicht dar.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Stufen wurden unabhängig vom Bericht vergeben; Lunas Anteilswerte wurden nicht übernommen. Die Einordnung stützt sich ausschließlich auf den Textinhalt des Berichts.

Im Bericht, aber nicht in der Zusammenfassung

  • Der Werbehinweis auf das kostenpflichtige Produkt „The Claude Playbook“ (27 $) und den Newsletter des Autors
  • Der Zugang zur Cybersicherheitsfähigkeit ist laut Bericht bewusst hinter einem gesperrten Programm verschlossen
  • Der Vergleich im Intelligence Index (Astra etwa 61, Claude Fable 5.1 etwa 66) fehlt
  • Die Ergebnisse stammen aus einem Einzelversuch des Autors mit einer einzigen Aufgabe

In der Zusammenfassung, laut Prüfung nicht im Bericht belegt

  • Die Aussage, der Text beschreibe keine unabhängige Prüfung, ist falsch: Der Bericht zitiert Artificial Analysis, unabhängige Tests und eine unabhängige Kostenschätzung.

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
Fähigkeiten messen
  1. SF-F1 Wie misst man gefährliche Fähigkeiten eines Modells, vor allem im Cyberbereich, mit gemeinsam anerkannten, wiederholbaren Tests, die keine Sprache, Kultur oder Seite bevorzugen?
    • clef 30 %nur am Rande erwähnt
    • Luna 58 %nur am Rande erwähnt
    • JEV 44 %einzelne zitierbare Belege
    • amos 38 %gleiches Oberthema, hilft nicht
    • SubQ 37 %nur am Rande erwähnt
    • drex 29 %einzelne zitierbare Belege
    • d3-ultra 45 %nur am Rande erwähnt
  2. SF-F2 Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
    • clef 22 %nur am Rande erwähnt
    • Luna 30 %einzelne zitierbare Belege
    • JEV 51 %einzelne zitierbare Belege
    • amos 29 %einzelne zitierbare Belege
    • SubQ 36 %nur am Rande erwähnt
    • drex 42 %gleiches Oberthema, hilft nicht
    • d3-ultra 54 %gleiches Oberthema, hilft nicht

    • SF-F2-T01 Wenn ein Ministerium ein Modell als Beleg nennt, dass eine Schwelle überschritten ist: Veröffentlicht das Ministerium die Tests, die Modellversion und was es gemessen hat, und veröffentlicht das Labor die Cyber-Prüfung dieser Version auch in der Sprache des Ministeriums? Und welches Ergebnis würde das Ministerium dazu bringen, seine Behauptung zurückzunehmen? Luna: Stufe 3 · 29 % · Hintergrund, keine Belege
    • SF-F2-T03 Ein Minister beschreibt Risiken durch Spionage und Datenabfluss, etwa über quelloffene KI-Agentenwerkzeuge, und durch ein Ungleichgewicht in der technologischen Entwicklung, das Monopole und Technologiebeschränkungen verschärfen. Welche veröffentlichten Belege würden diese Risiken an der Fähigkeit eines Modells statt an seiner Herkunft festmachen? Luna: Stufe 4 · 38 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 4 · einzelne zitierbare Belege
  3. SF-F5 Wie gehen Staaten gemeinsam gegen KI-gestützte Cyberangriffe vor und verhindern Eskalation zwischen autonomen Systemen, ohne die Verteidigung zu behindern?
    • clef 100 %kein Bezug
    • Luna 62 %Hintergrund, keine Belege
    • JEV 46 %nur am Rande erwähnt
    • amos 39 %gleiches Oberthema, hilft nicht
    • SubQ 71 %gleiches Oberthema, hilft nicht
    • drex 58 %gleiches Oberthema, hilft nicht
    • d3-ultra 60 %gleiches Oberthema, hilft nicht

    • SF-F5-T02 Könnten Staaten gemeinsame rote Linien vereinbaren, die den Einsatz KI-verstärkter Cyberfähigkeiten gegen kritische zivile Infrastruktur strikt verbieten? Luna: Stufe 3 · 45 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
Unabhängig prüfen
  1. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 24 %gleiches Oberthema, hilft nicht
    • Luna 57 %einzelne zitierbare Belege
    • JEV 46 %einzelne zitierbare Belege
    • amos 31 %Hintergrund, keine Belege
    • SubQ 38 %gleiches Oberthema, hilft nicht
    • drex 29 %einzelne zitierbare Belege
    • d3-ultra 50 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung Hintergrund, keine Belege

    • SF-P3-T01 Welcher gemeinsame Rahmen für Labore macht Selbstüberwachung überprüfbar, ohne geschütztes geistiges Eigentum offenzulegen, und welche unabhängigen Verfahren Dritter, falls es sie gibt, bestätigen, dass die Selbstüberwachung riskantes Verhalten vor der Freigabe wirklich findet und nicht nur Schein ist? Luna: Stufe 3 · 23 % · Hintergrund, keine Belege
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 21 %gleiches Oberthema, hilft nicht
    • Luna 37 %einzelne zitierbare Belege
    • JEV 21 %Hintergrund, keine Belege
    • amos 28 %einzelne zitierbare Belege
    • SubQ 33 %nur am Rande erwähnt
    • drex 28 %nur am Rande erwähnt
    • d3-ultra 59 %gleiches Oberthema, hilft nicht

    • SF-T1-T05 Welche messbaren Vergleichswerte würden zeigen, dass die Ausrichtung der Modelle eines Labors an den vorgesehenen Zielen und Werten schneller vorankommt, als ihre Fähigkeiten wachsen, über das Fehlen öffentlicher Fehlschläge hinaus? Luna: Stufe 3 · 31 % · Hintergrund, keine Belege
  2. SF-T2 Woran erkennen andere, dass ein Labor wirklich bremst?
    • clef 26 %Hintergrund, keine Belege
    • Luna 100 %kein Bezug
    • JEV 31 %gleiches Oberthema, hilft nicht
    • amos 39 %gleiches Oberthema, hilft nicht
    • SubQ 64 %gleiches Oberthema, hilft nicht
    • drex 58 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  3. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 39 %gleiches Oberthema, hilft nicht
    • Luna 28 %Hintergrund, keine Belege
    • JEV 30 %gleiches Oberthema, hilft nicht
    • amos 38 %gleiches Oberthema, hilft nicht
    • SubQ 55 %gleiches Oberthema, hilft nicht
    • drex 64 %gleiches Oberthema, hilft nicht
    • d3-ultra 72 %gleiches Oberthema, hilft nicht
Vertrauen in Modelle
  1. SF-V1 Was zählt als Beleg für die Werte eines Modells, wenn sein sichtbares Denken und seine Selbstauskünfte allein nicht genügen?
    • clef 36 %gleiches Oberthema, hilft nicht
    • Luna 36 %Hintergrund, keine Belege
    • JEV 38 %einzelne zitierbare Belege
    • amos 34 %gleiches Oberthema, hilft nicht
    • SubQ 59 %gleiches Oberthema, hilft nicht
    • drex 55 %gleiches Oberthema, hilft nicht
    • d3-ultra 62 %gleiches Oberthema, hilft nicht

    • SF-V1-T02 Welche Belege würden Vertrauen in ein KI-System rechtfertigen, über seine flüssigen Erklärungen hinaus? Luna: Stufe 4 · 46 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 4 · einzelne zitierbare Belege
    • SF-V1-T07 Lieber ein Modell, das immer seinen Lösungsweg zeigen muss, oder eines, das im Stillen mehr kann: Welches Risiko nimmt man in Kauf? Luna: Stufe 3 · 39 % · Hintergrund, keine Belege
  2. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 38 %gleiches Oberthema, hilft nicht
    • JEV 31 %einzelne zitierbare Belege
    • amos 30 %nur am Rande erwähnt
    • SubQ 57 %gleiches Oberthema, hilft nicht
    • drex 67 %gleiches Oberthema, hilft nicht
    • d3-ultra 68 %gleiches Oberthema, hilft nicht
  3. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 32 %nur am Rande erwähnt
    • JEV 51 %beantwortet teilweise oder widerspricht
    • amos 45 %gleiches Oberthema, hilft nicht
    • SubQ 60 %gleiches Oberthema, hilft nicht
    • drex 57 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

  4. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 26 %gleiches Oberthema, hilft nicht
    • Luna 42 %einzelne zitierbare Belege
    • JEV 34 %einzelne zitierbare Belege
    • amos 27 %Hintergrund, keine Belege
    • SubQ 41 %gleiches Oberthema, hilft nicht
    • drex 29 %gleiches Oberthema, hilft nicht
    • d3-ultra 57 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt

Agenten und vernetzte Systeme
  1. SF-A1 Welche Befugnisse darf ein KI-Agent haben, also eine KI, die selbstständig mit Werkzeugen handelt? Wer entzieht sie ihm, und wie prüft man, dass er in seinem Auftrag bleibt?
    • clef 22 %Hintergrund, keine Belege
    • Luna 44 %einzelne zitierbare Belege
    • JEV 39 %beantwortet teilweise oder widerspricht
    • amos 30 %einzelne zitierbare Belege
    • SubQ 33 %gleiches Oberthema, hilft nicht
    • drex 26 %nur am Rande erwähnt
    • d3-ultra 39 %Hintergrund, keine Belege
    • Haiku-Prüfung beantwortet teilweise oder widerspricht

  2. SF-A2 Lassen sich KI-Systeme sicher anhalten, zurücksetzen, abschotten oder drosseln, und wer darf das anordnen?
    • clef 35 %gleiches Oberthema, hilft nicht
    • Luna 26 %Hintergrund, keine Belege
    • JEV 34 %nur am Rande erwähnt
    • amos 32 %nur am Rande erwähnt
    • SubQ 42 %gleiches Oberthema, hilft nicht
    • drex 37 %gleiches Oberthema, hilft nicht
    • d3-ultra 77 %gleiches Oberthema, hilft nicht
Modelle teilen und schützen
Frieden und Sicherheit
Offenlegung und Rechenschaft
  1. SF-O2 Was sollten Regierungen, Labore und Prüfer über ihre Gespräche, Zusagen, Prüfungen und Eingriffe offenlegen?
    • clef 29 %gleiches Oberthema, hilft nicht
    • Luna 37 %nur am Rande erwähnt
    • JEV 56 %einzelne zitierbare Belege
    • amos 33 %gleiches Oberthema, hilft nicht
    • SubQ 82 %gleiches Oberthema, hilft nicht
    • drex 46 %gleiches Oberthema, hilft nicht
    • d3-ultra 61 %gleiches Oberthema, hilft nicht
Beteiligung und Gemeinwohl
  1. SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
    • clef 31 %gleiches Oberthema, hilft nicht
    • Luna 46 %Hintergrund, keine Belege
    • JEV 49 %einzelne zitierbare Belege
    • amos 40 %gleiches Oberthema, hilft nicht
    • SubQ 71 %gleiches Oberthema, hilft nicht
    • drex 72 %gleiches Oberthema, hilft nicht
    • d3-ultra 73 %gleiches Oberthema, hilft nicht
Wirtschaft und Haftung
Information und Öffentlichkeit

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →