Conteúdo de apoio para o vídeo
GPT-6 Astra em cinco pilares.
Abra cada pilar, use a tela cheia e navegue pelas fontes durante a gravação.
Guia completo
O GPT-6 Astra é o modelo mais capaz da OpenAI para os trabalhos mais difíceis de ponta a ponta. Ele foi posicionado para raciocínio complexo, pesquisa, programação, criação de documentos e uso do computador. A diferença que importa não é apenas a qualidade de uma resposta isolada, mas a capacidade de continuar trabalhando até produzir algo útil.
Há uma distinção de nomes importante: GPT-6 Astra é o modelo usado em Work, Codex e API; no ChatGPT tradicional, a experiência de nível superior pode aparecer como GPT-6 Pro. A disponibilidade depende do plano e do avanço do rollout. Para evitar confusão no vídeo, faça a comparação somente quando o seletor identificar claramente o modelo usado.
A seguir estão os cinco pilares da apresentação, com fontes oficiais para abrir durante a gravação e aprofundar os recursos, o comportamento e o posicionamento do modelo.
De resposta isolada a trabalho de ponta a ponta
O Astra foi construído para fluxos multietapas que atravessam código, navegador e software profissional. Isso muda a unidade de valor: em vez de medir apenas se uma resposta parece inteligente, passa a fazer sentido medir quanto trabalho foi concluído, quantas decisões coerentes foram tomadas e se o resultado final pode ser usado.
Esse tipo de tarefa exige memória do objetivo, coordenação de ferramentas, capacidade de revisar o próprio caminho e persistência. O modelo pode pesquisar, produzir um primeiro artefato, testar, incorporar um resultado intermediário e continuar. Nem toda tarefa precisa desse nível de capacidade; o ganho aparece quando o problema é longo, aberto e difícil de decompor manualmente.
Os casos de visualização arquitetônica e criação de jogos publicados pela OpenAI ajudam a mostrar isso de forma concreta: um briefing inicial evolui por várias iterações até virar um artefato técnico que pode ser inspecionado e refinado.
Computer Use: o computador vira uma ferramenta
Computer Use permite que um modelo opere interfaces de navegador e desktop. O ambiente fornece capturas de tela e resultados; o modelo interpreta o estado atual e decide quais ações executar em seguida. Isso pode ser usado para preencher formulários, testar fluxos ou completar tarefas em aplicativos por meio da interface.
A capacidade não é mágica nem ilimitada. O modelo precisa receber um ambiente, ferramentas e permissões adequadas. A aplicação que integra o recurso continua responsável por executar as ações e por aplicar controles de segurança. Em atividades sensíveis, aprovações humanas e limites claros continuam sendo importantes.
No vídeo, observe se o modelo realmente usa a interface para avançar ou se apenas entrega instruções para você executar. Essa diferença separa assistência de execução.
Mudar o plano sem perder o trabalho
Mid-turn steering é a capacidade de enviar uma nova instrução enquanto a execução ainda está em andamento. A documentação do Astra descreve cenários como correção, mudança de requisito e pergunta lateral. Em conexões WebSocket com a Responses API, o trabalho já concluído é preservado e a atualização é incorporada à continuação.
Isso é especialmente útil em missões longas, nas quais você descobre uma restrição tarde demais ou percebe que o agente tomou uma direção pouco interessante. O objetivo é tratar a execução como colaboração contínua, e não como um prompt imutável que precisa ser cancelado e refeito.
Na prática, você pode acrescentar uma nova restrição no meio da tarefa e observar se o modelo reorganiza a estratégia sem desperdiçar tudo que ainda serve.
Autonomia com bom senso
Autonomia útil fica entre dois extremos ruins. De um lado, a IA pergunta cada detalhe e devolve para você o trabalho de decidir tudo. Do outro, ela inventa informações críticas para continuar. O comportamento desejado é usar o contexto disponível para preencher lacunas rotineiras e pedir ajuda quando a resposta realmente pode mudar o resultado.
Em uma missão aberta, informações como “nenhuma audiência” e “nenhum produto definido” podem ser ambiguidades intencionais. O modelo deve pesquisar alternativas atuais, comparar evidências e escolher um caminho razoável. Ele não precisa saber sua cor favorita ou o nome da futura marca para começar, mas pode precisar interromper se uma decisão depender de habilidade, disponibilidade regional ou restrição legal que não foi informada.
Também vale observar transparência: suposições importantes devem aparecer como suposições. Isso permite corrigir o plano sem tratar inferência como fato.
Preço: capacidade maior precisa justificar o custo
Na tarifa Standard de contexto curto, o GPT-6 Astra custa US$ 10 por milhão de tokens de entrada, US$ 1 por milhão de tokens de entrada em cache e US$ 50 por milhão de tokens de saída. Isso o coloca acima de Sol, Terra, Luna e também do GPT-5.5 em preço por token.
O ponto mais interessante é a segmentação. Luna atende volume e custo baixo; Terra busca equilíbrio; Sol ocupa o trabalho profissional complexo; Astra fica no topo para missões difíceis e autônomas. Portanto, “modelo mais inteligente” não significa “modelo certo para tudo”. Em tarefas simples e repetitivas, usar Astra pode ser desperdício.
A comparação por token também não encerra a conta. A OpenAI afirma que o Astra consegue concluir algumas tarefas com menos tokens de saída do que modelos anteriores, o que pode reduzir o custo total por tarefa apesar da tarifa mais alta. A forma correta de comparar é preço multiplicado pelo consumo real para chegar a um resultado aceitável.
Os valores desta página foram consultados em 6 de setembro de 2026. O preço promocional do GPT-5.6 Sol — US$ 4 de entrada e US$ 20 de saída por milhão de tokens — está garantido pelo menos até 21 de novembro de 2026. Tarifas de contexto longo, cache write, Fast, Batch e processamento regional podem ser diferentes.