GPT-6 Astra: Wie nah sind wir an AGI?

Die KI spielt mit. Und baut sich die Werkzeuge dazu.

Ein unbekanntes Labyrinth. Bewegliche Patrouillen. Regeln, die erst entdeckt werden müssen. In einem von ARC Prize untersuchten Aufbau mit Codezugriff entwickelte Astra eigene Programme für Navigation, Kampfregeln und Patrouillen. Es prüfte seine Vorhersagen anschließend gegen den beobachteten Spielzustand. [3]

Das ist der interessante Moment: Aus einer Beobachtung wird ein Modell der Welt, daraus ein Plan und daraus ein selbst gebautes Hilfsmittel. Genau diese Verbindung macht die AGI-Frage so faszinierend. Wie weit lässt sich das auf neue Aufgaben übertragen?

AGI steht für künstliche allgemeine Intelligenz. Gemeint ist ein weitreichender Anspruch an das Erlernen und Anwenden von Fähigkeiten. Unsere Einordnung: Astra liefert dafür bemerkenswerte Anschauungsbeispiele. Eine abgeschlossene Prüfung universeller Intelligenz ist damit noch nicht erreicht.

Vom Prompt zum eigenen Spiel

OpenAIs Vorstellung zeigt unter anderem ein Kart-Rennspiel, ein Raumschiff-Beispiel sowie Arbeiten in Unreal Engine und Blender. Mit Sites kann Astra laut OpenAI Websites, Web-Apps und Spiele aus einem Prompt erstellen, hosten und teilen. Die gezeigten Demos sind Herstellerbeispiele. [1]

Für einen eigenen Versuch muss es kein riesiges Spiel werden. Spannend wird es schon mit einem Auftrag wie diesem:

Baue ein spielbares Browser-Rennspiel mit einer Strecke, Tastatursteuerung, Rundenzeit und Neustart. Teste Start, Kollisionen und Zielankunft. Verbessere anschließend die zwei größten Schwächen der Spielbarkeit.

Das ist unser Beispielprompt, kein dokumentierter Testlauf. Sein Reiz liegt im vollständigen kleinen Ergebnis: Man kann es öffnen, spielen und beurteilen. Dieselbe Idee funktioniert für einen Produktkonfigurator, eine interaktive Erklärung oder einen ersten App-Prototyp.

99,9 %: Was der AGI-Test tatsächlich zeigt

ARC‑AGI‑3 konfrontiert Agenten mit unbekannten interaktiven Umgebungen. Sie müssen diese erkunden, Regeln verstehen und Handlungen planen. Im Provider-Adapter-Aufbau erreichte Astra bei „high“ verifiziert 99,95 %; OpenAI nennt 99,9 %. Im Standardaufbau liegt der beste verifizierte Wert bei 62,71 %, mit „max“. [2] [3]

Die Differenz ist selbst eine Nachricht. Der Provider Adapter erhält internen Denkzustand und nutzt Compaction für lange Verläufe. Der Standardaufbau verlangt vom Modell, wichtige Informationen in sichtbaren Notizen mitzuführen. [3] Für praktische KI-Systeme heißt das: Es zählt auch, wie gut frühere Arbeit erhalten bleibt.

ARC Prize berichtet außerdem, dass Astra bei „max“ mit Provider Adapter auf 96 % der Level weniger Aktionen benötigte als die menschliche Vergleichsbasis. [3] Ein starkes Signal für das Lernen in diesen Umgebungen – und eine präzisere Aussage als „in allem schlauer als Menschen“.

Die Zahlen hinter dem Wow

Terminal‑Bench: Kann die KI am Rechner wirklich etwas erledigen? Ein Terminal ist die textbasierte Steuerzentrale des Computers. Der Benchmark gibt Agenten praktische Aufgaben in einer solchen Umgebung, etwa Software zu bauen, Daten zu verarbeiten oder Probleme zu beheben. Tests prüfen das Ergebnis. [12] Astras 57,9 % in Version 4.0 sind deshalb ein Maß für erledigte Aufgaben unter diesem Testaufbau.

SWE: Software Engineering. Bei SWE-Bench bekommt eine KI Probleme aus echten Softwareprojekten und soll den Code passend ändern. [11] SWE‑Bench Pro umfasst besonders aufwendige Aufgaben, die Änderungen an mehreren Dateien erfordern können. [13] DeepSWE ist eine eigene Evaluation; die 74,1 % dürfen nicht als SWE‑Bench-Pro-Ergebnis gelesen werden.

FrontierMath und MRCR: Die erste Zeile dieser beiden steht für schwierige Mathematik, die zweite für das Wiederfinden relevanter Informationen in langem Kontext. OpenAI rundet den Mathematikwert im Einführungstext auf 98 %. [1] Die praktische Frage hinter langem Kontext: Findet die KI eine wichtige Vorgabe auch dann wieder, wenn inzwischen sehr viel Arbeit dazwischenliegt?

Eine Session, die über sich hinauswächst

Ein großes Vorhaben besteht aus vielen kleinen Entscheidungen. Eine erste Lösung scheitert, ein Test zeigt die Ursache, eine neue Anforderung kommt hinzu. Damit eine KI lange selbstständig arbeiten kann, muss sie diese Geschichte sinnvoll weiterverwenden.

Astra unterstützt asynchrone Werkzeugaufrufe und Korrekturen während laufender API-Arbeit. Eine passende Anwendung kann also unabhängige Schritte weiterführen, während ein Werkzeug noch beschäftigt ist. [9] [10] Für längere Verläufe kann Compaction relevanten Zustand verdichten und in die nächsten Schritte übernehmen. [8]

Das macht längere autonome Arbeitsphasen technisch möglich. Ihre Dauer hängt vom Auftrag, den Werkzeugen, den Limits und notwendigen Rückfragen ab. Ein spannender eigener Test ist ein vollständiges kleines Projekt: bauen lassen, ausprobieren, gezielt verbessern lassen – und beobachten, wie oft Sie eingreifen müssen.

Der Codex-Schalter, den man leicht übersieht

Notizen über Kontextfenster hinweg – plus durchsuchbare frühere Arbeit. Die Codex-Referenz dokumentiert dafür ein experimentelles Kontextmanagement. Es soll angesammelte Details mit Notizen und durchsuchbarer Historie erhalten. Laut Dokumentation ist es standardmäßig aus und setzt eine ChatGPT-Anmeldung mit Plus, Pro oder Pro Lite voraus. [6]

In der persönlichen Datei ~/.codex/config.toml lässt es sich so aktivieren. Bestehende Einstellungen vorher sichern und eine bereits vorhandene Tabelle ergänzen: [7]

[features.context_management]
experimental_mode = true

Danach eine neue Astra-Session starten. Es handelt sich um eine experimentelle Funktion; Zugang und Client müssen sie unterstützen. Zum Zurücksetzen den Wert auf false stellen. Der Schalter ändert die Verwaltung des Kontexts und hebt keine Nutzungsgrenzen auf. [6]

Auch die Fenstergröße lässt sich konfigurieren. Astra dokumentiert 1.050.000 Tokens Kontext. [4] Für unterstützte lokale Codex-Clients wäre dies ein eigenes Testbeispiel; 900.000 ist eine gewählte Verdichtungsschwelle, keine offizielle Empfehlung:

# Auf oberster Ebene, vor TOML-Tabellen eintragen
model = "gpt-6-astra"
model_context_window = 1050000
model_auto_compact_token_limit = 900000

Die beiden Kontextwerte sind dokumentiert, erweitern aber keine serverseitige Kapazität. Ohne Bedarf können die Modellvorgaben bestehen bleiben. [6] Mehr Platz ist vor allem dann interessant, wenn er wichtige Zusammenhänge erhält.

Was würden Sie bauen, wenn der erste Entwurf leichter wird?

Ein Spiel für eine Kampagne. Ein Konfigurator für ein erklärungsbedürftiges Produkt. Ein Werkzeug, das einen lästigen Arbeitsschritt abnimmt. Solche Projekte machen die Entwicklung anschaulich: Man sieht direkt, ob die Idee trägt.

Ein technischer Hinweis für große API-Versuche: Oberhalb von 272.000 Eingabetokens steigen bei Astra die Eingabe- und Cache-Sätze auf das Doppelte und die Ausgabesätze auf das 1,5-Fache für die ganze Anfrage. Das ist keine Aussage über die Abrechnung eines Codex-Abonnements. [4]

Die AGI-Debatte darf groß sein. Der erste eigene Versuch darf klein anfangen. Mit nVisions.de eine Idee zum Leben bringen →