GPT-6 Astra’nın ilk haftası, yetenek kadar denetim de satıyor

3 Eylül 2026’da OpenAI, GPT-6 Astra’yı duyurdu. Aynı hafta şirket, Astra’nın Preparedness Framework içinde ilk kez “Critical” siber güvenlik eşiğine ulaşan model olduğunu açıkladı. Hacker News’te duyuru 2.000’in üzerinde puan ve yine 2.000’in üzerinde yorum aldı. TechCrunch, modelin yeteneklerinden çok izlenebilirlik sorununa ve OpenAI yöneticilerinin AGI açıklamalarına odaklandı. Reddit’te de tartışma hızla modelin gerçekten ne yaptığı kadar, ne kadar kaynak tükettiği ve hangi abonelik katmanında kullanılabildiği üzerine kaydı.

Ben bu gelişmeyi, 1-8 Eylül haftasında yazılım dünyasında en çok konuşulan başlık olarak seçtim. Bunun nedeni yalnızca GPT-6 Astra’nın yeni bir model olması değil. OpenAI aynı lansmanda yazılım mühendisliği, bilgisayar kullanımı, benchmark sonuçları, siber saldırı kapasitesi ve üretim güvenliğini birlikte masaya koydu. Bir modelin ne kadar iyi kod yazdığı ile ne kadar dikkatli sınırlandırılması gerektiği ilk kez aynı duyurunun iki ana konusu gibi duruyor.

OpenAI’nin açıkladığı tablo oldukça iddialı

OpenAI’nin 3 Eylül tarihli duyurusuna göre GPT-6 Astra, API’de gpt-6-astra adıyla sunuluyor. Model 1,05 milyon token bağlam penceresine ve 128.000 token maksimum çıktıya sahip. Standart API fiyatı, milyon giriş token’ı için 10 dolar, milyon çıkış token’ı için 50 dolar olarak açıklandı. Bu fiyatlar, Astra’nın her küçük kod tamamlama işinde kullanılacak bir model olmadığını gösteriyor.

Kod tarafında OpenAI, Terminal-Bench 4.0’ta Astra için yüzde 57,9, GPT-5.6 Sol için yüzde 37,3 sonuç verdiğini yazıyor. Dahili veritabanı göçü görevlerinde fark daha da büyük görünüyor: Astra yüzde 63,9, Sol yüzde 42,7. Bilgisayar kullanımı tarafında OSWorld 2.0 puanları Astra için yüzde 72,6, Sol için yüzde 65,7. OpenAI aynı karşılaştırmada Astra’nın görevleri yaklaşık 40 dakikada, Sol’un ise yaklaşık 75 dakikada tamamladığını belirtiyor.

Bu sayıları okurken ilk refleksim etkilenmek oldu. Bir modelin kod yazması başka, bir repository’deki talimatları okuyup veritabanı göçünü planlaması, testleri çalıştırması ve sonucu kontrol etmesi başka. Astra’nın duyurusu, hedefin sohbet yanıtı vermekten uzun süren iş akışlarını tamamlamaya doğru kaydığını açıkça gösteriyor.

Yine de burada frene basmak gerekiyor. Bu sonuçların tamamı OpenAI’nin seçtiği yapılandırmalar ve değerlendirme koşullarıyla elde edildi. Şirket, model değerlendirmelerinin araştırma ortamında veya API üzerinden çalıştırıldığını ve üretimdeki ChatGPT davranışının sistem mesajları ile araçlar nedeniyle farklılaşabileceğini belirtiyor. Hacker News tartışmasının büyük bölümü de bu yüzden benchmark tablolarının nasıl kurulduğuna ayrıldı. Bir benchmark sonucu, gerçek bir kod tabanında Astra’nın her zaman daha iyi karar vereceğini kanıtlamıyor.

En dikkat çekici açıklama siber güvenlik tarafında geldi

OpenAI’nin 1 Eylül’de yayımladığı güvenlik güncellemesi, Astra’nın uygun araç ve erişim verildiğinde daha önce bilinmeyen güvenlik açıklarını bulup bunları birçok korumalı sistemde kullanabilecek zincirlere dönüştürebildiğini söylüyor. Şirket, bu nedenle Astra’yı Preparedness Framework içindeki Critical eşiğinde sınıflandırdığını yazdı.

3 Eylül’deki lansman yazısında verilen sonuçlar daha somut. Astra, bilinen açıkları çalışan exploit’lere dönüştürmeyi ölçen ExploitBench’te yüzde 100, ExploitGym’de yüzde 42,4 aldı. GPT-5.6 Sol için aynı sonuçlar sırasıyla yüzde 78,5 ve yüzde 30,3 olarak verildi. Astra’nın yeni açıklanan açıklarla oluşturulan bir veri setinde iki zero-day açığı keşfedip exploit zincirinin parçası olarak kullandığı da OpenAI tarafından belirtildi.

Bu bölüm beni modelin yazılım mühendisliği skorlarından daha fazla düşündürdü. Savunma ekipleri için böyle bir model, açıkları daha erken bulma ve yamaları doğrulama konusunda işe yarayabilir. Aynı kapasite saldırı otomasyonuna yaklaştığında ise ürünün güvenlik katmanı, modelin kendisi kadar ürünün parçası hâline geliyor.

OpenAI bu yüzden üretim sürümünde daha sıkı kısıtlamalar uyguladığını söylüyor. Astra, gelişmiş siber güvenlik görevlerinde exploit kanıtı üretmeyi reddedecek. Daybreak Blue adı verilen erişim programıyla daha savunma odaklı bazı iş akışlarının ilerleyen haftalarda genişletilmesi planlanıyor. API’de bir görev güvenlik kontrolü tarafından durdurulursa süreç kesiliyor. ChatGPT veya Codex tarafında kullanıcıdan inceleme istenebiliyor.

Bana kalırsa bu yaklaşım doğru yönde, fakat henüz rahatlatıcı değil. OpenAI’nin kendi sistem kartı, Astra’nın yazılı düşünme sürecinin GPT-5.6 Sol’a göre daha zor izlenebildiğini söylüyor. Şirket bunu modelin daha az token ile çalışabilmesine ve bazı görevleri daha az açık ara adımla çözmesine bağlıyor. Yine de bir ajanın ne yaptığını sonradan denetlemek zorlaşıyorsa, “model daha iyi niyetli” açıklaması tek başına yeterli değil.

Ürün ekipleri için çıkarım benchmark tablosunda değil

GPT-6 Astra’nın ilk haftasından benim çıkardığım pratik sonuç şu: Ajanı doğrudan üretim sistemine bağlamak, model seçimiyle biten bir iş olmayacak. Erişim izinleri, araçların kapsamı, onay adımları, durdurma koşulları ve görev geçmişinin saklanması birlikte tasarlanacak.

OpenAI, Astra için Codex’te bağlam penceresi dolduğunda eski bilgileri tek bir özete sıkıştırmak yerine notları saklama ve önceki pencerelerde arama özelliği ekledi. Bu, uzun kodlama oturumlarında faydalı olabilir. Aynı özellik, yanlış bir varsayımın uzun süre taşınması riskini de büyütebilir. Bir ajan eski bir kararı bulabiliyor diye o kararın hâlâ geçerli olduğunu varsaymamak gerekir.

Ben bugün bir ürün geliştirirken Astra’yı bütün işlerin varsayılan modeli yapmazdım. Pahalı ve uzun süren görevlerde, özellikle birden fazla araç kullanan iş akışlarında denemek mantıklı görünüyor. Küçük bir bug düzeltmesi, basit bir test yazımı veya kısa bir sorgu için daha ucuz modellerin yeterli olacağını düşünüyorum.

Astra’nın gerçek etkisi birkaç benchmark puanıyla ölçülmeyecek. Bir ekibin modelin yaptığı değişiklikleri ne kadar hızlı inceleyebildiği, yanlış yetki kullanımını ne kadar erken fark ettiği ve model durdurulduğunda işin nasıl devam ettiği daha belirleyici olacak. Bu haftaki haber, bana göre yeni bir “en iyi model” ilanından çok, yazılım ürünlerine çalışan ajanları koyarken hangi denetim katmanlarını kuracağımız sorusunu öne çıkardı.