Benchmarks GPT-6 Astra: tres pruebas donde pierde
GPT-6 Astra domina en matemáticas y razonamiento, pero pierde en tres pruebas clave frente a Claude. Te mostramos la tabla completa de resultados.
👁 120 lecturas
En cada lanzamiento de un modelo se repite el mismo ritual. El fabricante publica gráficos donde su novedad supera a todo, los medios copian las tres cifras más espectaculares, y una semana después resulta que la imagen era más compleja. Así que decidimos revisar la tabla completa de resultados de GPT-6 Astra, incluidas las posiciones que no aparecen en los titulares.
Empecemos con una afirmación honesta: en la mayoría de las pruebas la ventaja de este modelo es real y en algunos casos enorme. Pero hay tres lugares donde no gana, y precisamente esos dicen más sobre el mercado que los récords.
| Prueba | GPT-6 Astra | Fable 5.1 | Opus 5 | GPT-5.6 Sol |
|---|---|---|---|---|
| FrontierMath Tier 4 | 97,6% | 87,8% | 73,2% | - |
| ARC-AGI-3 | 99,9% | - | 30,2% | 7,8% |
| Terminal-Bench 4.0 | 57,7 | 55,8 | 52,3 | 37,3 |
| AutomationBench | 41,4 | 31,4 | 26,9 | 18,1 |
| ExploitBench | 100% | 70,0% | - | 78,5% |
| SRE-Bench | 88,0% | 12,5% | - | 55,9% |
| Humanity’s Last Exam (con herramientas) | 57,2% | 65,0% | 63,6% | - |
| FrontierCode 1.1 Extended | 64,5% | - | - | - |
| HealthBench Professional | 63,4% | 56,6% | - | 60,5% |
| MRCR v2, 8 agujas, 512K-1M | 96,3% | - | - | 73,8% |
Primera derrota: examen donde cuenta el conocimiento amplio
Humanity’s Last Exam es una prueba compuesta por preguntas muy difíciles de muchas disciplinas, diseñada para que no se pueda aprobar solo con habilidad de cálculo. En la variante con acceso a herramientas, Astra obtuvo 57,2 por ciento. Claude Fable 5.1 logró 65,0 por ciento, el anterior Fable 5 un 63,8 por ciento, y Opus 5 un 63,6 por ciento.
No es una diferencia en el margen de error, sino casi ocho puntos porcentuales en contra del modelo que en la misma tabla alcanza 97,6 por ciento en matemáticas del más alto nivel. En otras palabras, tenemos un modelo marcadamente especializado, no uno uniformemente mejor en todo.
Segunda derrota: el mismo examen, modelo a mitad de precio
En la misma prueba, a Astra no solo la supera el buque insignia de Anthropic. Claude Opus 5, vendido a 5 y 25 dólares, es decir, la mitad de la tarifa de Astra, obtuvo 63,6 por ciento, o sea también más de seis puntos más. Si tu trabajo consiste en responder preguntas difíciles de muchas disciplinas, y no en calcular, pagas el doble por un resultado peor.
Tercera derrota: código en versión extendida
En la prueba FrontierCode en su variante extendida, Astra obtuvo 64,5 por ciento, mientras que el anterior Claude Fable 5 logró 64,9 por ciento. La diferencia es simbólica, pero elocuente, porque hablamos de un modelo lanzado al mercado casi tres meses antes, al mismo precio.
La cifra que más impresiona, y no es matemáticas
Si tuviera que señalar un resultado de esta tabla que realmente cambia la forma de trabajar, no sería el 97,6 por ciento en matemáticas ni siquiera el 99,9 por ciento en razonamiento abstracto. Sería la prueba de encontrar ocho informaciones ocultas en un texto muy largo. En el rango de medio millón a un millón de tokens, Astra encontró el 96,3 por ciento de ellas, mientras que su predecesor alcanzaba allí el 73,8 por ciento.
Esta es la diferencia entre un modelo al que puedes darle un conjunto completo de documentación de proyecto y confiar en que no perderá nada, y un modelo con el que hay que dividir el material en trozos y vigilarlo manualmente. Para el trabajo diario con documentos largos, esto significa más que un récord en una olimpiada matemática.
La segunda cifra de la que nadie habla
En el conjunto de pruebas que verifican la honestidad del modelo hay una posición que mide con qué frecuencia el sistema intenta engañar a la tarea en lugar de ejecutarla, cuando se le da esa oportunidad. Astra obtuvo allí cero por ciento. Su predecesor, GPT-5.6 Sol, intentaba engañar en el 48,2 por ciento de los casos. De manera similar en la prueba de seguridad al controlar el ordenador: 2,4 por ciento frente a 22 por ciento.
Si estas cifras se confirman en la práctica, será el cambio más importante de este lanzamiento. Un modelo que realmente ejecuta la tarea en lugar de buscar atajos vale más que un modelo unos puntos mejor en el benchmark, pero que hace trampas a espaldas del usuario.
Google · Tus fuentesBrilla más alto en tu Google - con un solo clicAñadir a fuentes preferidas →Qué implica esto al elegir herramienta
Tres conclusiones. Astra es claramente la mejor en matemáticas, razonamiento abstracto, automatización y ciberseguridad, y allí su precio elevado tiene justificación. En tareas que requieren conocimiento general amplio, los modelos de Anthropic siguen ganando, a pesar de la tarifa idéntica. Y en la escritura y edición cotidiana, ninguno de estos dos modelos es necesario y es mejor gastar cinco veces menos.
Todas las cifras provienen de los materiales publicados en el lanzamiento del 3 de septiembre de 2026 y de recopilaciones preparadas por sitios independientes. Aún no hemos hecho nuestra propia medición porque el modelo no ha llegado a los intermediarios a través de los cuales probamos. La haremos en cuanto sea posible. Los datos completos del modelo los hemos recopilado en la guía sobre GPT-6 Astra.
More on this from FULGOR
revista·GPT-6 Astra: prueba en polaco, código y 150.000 caracteresProbamos GPT-6 Astra frente a Fable 5.1, Opus 5 y Gemini 3.8 Flash: seis tareas lingüísticas, código PHP y búsqueda en 150.000 caracteres.