GPT-6 Astra od OpenAI: co zmienia w pracy z kodem?

GPT-6 Astra to nowy flagowy model OpenAI do złożonych zadań. Poznaj parametry, koszty, nowe funkcje i plan bezpiecznego pilota w zespole.

GPT-6 Astra nie wygląda jak kolejna wersja modelu, którą warto oceniać wyłącznie na podstawie jakości pojedynczej odpowiedzi. OpenAI przedstawia go jako swój najmocniejszy model do najtrudniejszych zadań realizowanych od początku do końca: programowania, pracy z komputerem, researchu i tworzenia dokumentów.

Dla zespołu technicznego ważniejsze od samego numeru generacji są trzy rzeczy. Astra ma utrzymywać pracę nad długim, wieloetapowym zadaniem, korzystać z wielu narzędzi i przyjmować nowe instrukcje już w trakcie działania. To przesuwa punkt ciężkości z pytania “jak dobrze model pisze kod?” na pytanie “jak dobrze dowozi sprawdzony rezultat w naszym środowisku?”.

Poniżej oddzielam parametry potwierdzone w oficjalnej dokumentacji GPT-6 Astra od praktycznych wniosków, które zespół powinien zweryfikować we własnym repozytorium.

GPT-6 Astra w skrócie

Najważniejsze parametry modelu:

Parametr	GPT-6 Astra
Identyfikator API	`gpt-6-astra`
Okno kontekstu	1 050 000 tokenów
Maksymalna odpowiedź	128 000 tokenów
Poziomy rozumowania	`low`, `medium`, `high`, `xhigh`, `max`
Dane wejściowe	tekst i obrazy
Wyjście	tekst
Wybrane narzędzia	web search, file search, code interpreter, shell, apply patch, computer use, MCP
Fine-tuning	brak wsparcia

Duże okno kontekstu pozwala pracować z obszerną dokumentacją, historią zadania i większym fragmentem systemu. Nie oznacza jednak, że warto automatycznie ładować cały projekt. OpenAI wprost zaleca przegląd instrukcji, skills i plików AGENTS.md, ponieważ nadmiar kontekstu może spowalniać pracę i wprowadzać sprzeczne reguły. Większy kontekst jest pojemnością, a nie zamiennikiem selekcji informacji.

Co jest naprawdę nowe?

1. Asynchroniczne wywołania narzędzi

Astra może kontynuować rozumowanie, odpowiadać na niezależną część zadania albo uruchamiać kolejne narzędzia, gdy aplikacja nadal wykonuje wcześniejsze wywołanie. Dla systemów agentowych oznacza to mniej sztucznego czekania na wolne API, długi raport lub proces działający w tle.

To nie jest automatyczna równoległość całej aplikacji. Program nadal odpowiada za wykonanie narzędzia, przechowanie oczekującego wywołania i zwrócenie wyniku z właściwym call_id. Zyskujemy nowy mechanizm orkiestracji, ale nadal potrzebujemy kontroli stanu, timeoutów i obsługi błędów.

2. Sterowanie w trakcie pracy

Przez połączenie WebSocket można przekazać modelowi korektę lub nowe wymaganie, zanim zakończy całą odpowiedź. Responses API zachowuje wykonaną część pracy i uwzględnia zmianę w kontynuacji.

W praktyce pasuje to do długich zadań programistycznych. Jeśli agent analizuje migrację, a w połowie pracy pojawia się nowy warunek zgodności albo informacja o ograniczeniu produkcyjnym, nie trzeba zawsze zaczynać od zera. Funkcja ma największy sens tam, gdzie użytkownik widzi postęp i może świadomie zmienić kierunek.

3. Zmiana poziomu rozumowania bez utraty cache

Nowy element configuration_update pozwala zmieniać poziom reasoning.effort w ramach rozmowy. Rutynowe kroki mogą działać na low, a analiza architektury lub trudna diagnoza na high, xhigh albo max. Wspólny początek promptu pozostaje w cache.

To daje podstawę do sterowania kosztem na poziomie etapów workflow, zamiast przypisywania jednego, wysokiego poziomu rozumowania do całej sesji. Astra nie obsługuje poziomu none.

4. Większa wrażliwość na instrukcje projektu

Przewodnik po modelu podkreśla lepsze wykonywanie instrukcji i większą wrażliwość na reguły zapisane w skills oraz AGENTS.md. To dobra wiadomość, jeśli repozytorium ma krótkie, aktualne i niesprzeczne zasady. Stary plik z dziesiątkami historycznych wyjątków może natomiast wpływać na model mocniej niż wcześniej.

OpenAI rekomenduje ponowne przejrzenie takich plików: instrukcje powinny wskazywać, kiedy dana procedura naprawdę ma zastosowanie, a materiały pomocnicze powinny być ładowane dopiero wtedy, gdy są potrzebne. Dobrym punktem startu jest oficjalny tekst o skills, promptach i AGENTS.md.

Ile kosztuje Astra?

Według cennika API z 11 września 2026 roku GPT-6 Astra kosztuje 10 USD za milion tokenów wejściowych, 1 USD za milion tokenów z cache i 50 USD za milion tokenów wyjściowych. Dla promptów przekraczających 272 tys. tokenów obowiązują wyższe mnożniki dla całego żądania. Batch i Flex kosztują połowę stawki Standard, a Fast mode dwa razy więcej.

Dla porównania:

Model	Rola według OpenAI	Wejście / 1 mln	Wyjście / 1 mln	Kontekst
GPT-6 Astra	najtrudniejsze zadania od początku do końca	10 USD	50 USD	1,05 mln
GPT-5.6 Sol	złożona praca profesjonalna	4 USD	20 USD	1,05 mln
GPT-5.6 Terra	równowaga możliwości i kosztu	2 USD	12 USD	1,05 mln

Są to ceny API, a nie prosty przelicznik limitów w ChatGPT lub Codexie. Aktualne wartości warto sprawdzać na stronie porównania modeli OpenAI.

Astra jest 2,5 raza droższa od GPT-5.6 Sol zarówno na wejściu, jak i wyjściu. OpenAI deklaruje jednocześnie, że w jego ewaluacjach model osiąga lepsze wyniki przy mniejszej liczbie tokenów wyjściowych, co może obniżać koszt całego zadania. Tego wniosku nie należy przenosić w ciemno na własny produkt. Liczy się koszt zaakceptowanego rezultatu, uwzględniający powtórki, poprawki i czas człowieka.

Jak zacząć przez API?

Najprostsze wywołanie w TypeScripcie korzysta z Responses API:

import OpenAI from "openai";

const openai = new OpenAI();

const response = await openai.responses.create({
  model: "gpt-6-astra",
  reasoning: { effort: "high" },
  input: `
    Przeanalizuj plan migracji tego modułu.
    Najpierw wskaż ryzyka i kryteria odbioru.
    Nie zmieniaj publicznego API bez wyraźnego uzasadnienia.
  `,
});

console.log(response.output_text);

OpenAI rekomenduje Responses API szczególnie dla pracy z narzędziami. Przy migracji trzeba też sprawdzić parametry żądania: Astra nie obsługuje między innymi temperature, top_p i top_logprobs. Jeśli dotychczasowy system używał none lub minimal jako poziomu rozumowania, punktem startu powinno być low.

Samą zmianę nazwy modelu można zrobić w minutę. Bezpieczna migracja wymaga jednak porównania zachowania na realnych zadaniach, limitów dostępu oraz kosztu całego przebiegu.

Gdzie Astra jest dostępna?

Dostęp zależy od konkretnego produktu i sposobu logowania. Ustawienie modelu w workspace ChatGPT nie przenosi się automatycznie do Codexa w aplikacji desktopowej, Codex CLI, rozszerzenia IDE, Codex Cloud ani Platform API.

W początkowym wdrożeniu Enterprise organizacja musi mieć dostęp do Daybreak, zanim administrator włączy Astrę użytkownikom lub grupom. Przez pierwsze dwa tygodnie od premiery model jest w ChatGPT Enterprise domyślnie wyłączony. Dostęp przez klucz API zależy osobno od organizacji i projektu API. Szczegóły opisuje dokumentacja dostępności modeli w workspace.

Dla zespołów z rezydencją danych w UE ważne jest dodatkowe ograniczenie: Fast mode nie jest dostępny dla GPT-6 Astra w tym wariancie. Przed pilotażem warto więc potwierdzić nie tylko obecność modelu na liście, ale też licencję, sposób rozliczania i wymagania dotyczące danych.

Astra a Codex i Claude Code

Tu łatwo pomieszać trzy różne warstwy:

GPT-6 Astra jest modelem OpenAI.
Codex jest środowiskiem agentowym, które może udostępniać Astrę do pracy nad kodem.
Claude Code jest agentem programistycznym Anthropic i korzysta z modeli Claude.

Dlatego porównanie “Astra czy Claude Code” nie powinno kończyć się na jednym benchmarku modelu. W codziennej pracy wynik zależy również od narzędzi, zarządzania kontekstem, uprawnień, instrukcji repozytorium, jakości testów i sposobu pracy człowieka z agentem.

Astra jest istotna dla użytkowników Claude Code właśnie dlatego, że pokazuje kierunek całej kategorii: agent ma nie tylko generować kod, lecz także planować, przeglądać pliki, uruchamiać narzędzia, poprawiać własny rezultat i reagować na zmianę wymagań. Zespół powinien porównywać kompletne workflowy na tym samym repozytorium, z tymi samymi kryteriami odbioru.

Jak przeprowadzić sensowny pilot w zespole?

Wybierz zadanie z wyraźnym końcem

Dobry pilot to na przykład naprawa błędu obejmującego kilka modułów, migracja biblioteki albo przygotowanie niewielkiej funkcji z testami. Słaby pilot to ogólne polecenie “ulepsz projekt”, którego nie da się jednoznacznie odebrać.

Mierz rezultat, a nie wrażenie z rozmowy

Przed startem zapisz kryteria:

czy build i testy przechodzą,
ile poprawek człowieka było potrzebnych,
czy agent zmienił tylko uzgodniony zakres,
ile trwała praca od zlecenia do akceptacji,
jaki był koszt całego zadania.

Przejrzyj instrukcje i uprawnienia

Usuń nieaktualne reguły, rozdziel instrukcje globalne od procedur używanych tylko w wybranych zadaniach i ogranicz dostęp do narzędzi. Większa skuteczność modelu nie zastępuje sandboxa, approval workflow ani przeglądu kodu.

Porównaj co najmniej dwa poziomy modelu

Rutynowe zadania warto równolegle sprawdzić na tańszym modelu, na przykład GPT-5.6 Terra lub Sol. Astra ma uzasadnienie wtedy, gdy wyższy koszt zmniejsza liczbę nieudanych podejść, skraca udział człowieka albo pozwala dowieźć zadanie, na którym tańszy wariant się zatrzymuje.

Czy warto przejść na GPT-6 Astra?

Tak, jeśli zespół ma trudne, wieloetapowe zadania i potrafi mierzyć jakość ich wykonania. Nie, jeśli plan sprowadza się do ustawienia najdroższego modelu jako domyślnego dla każdego prostego polecenia.

Najciekawsze w Astrze nie jest samo okno 1,05 mln tokenów. Ważniejsza jest próba połączenia długiego horyzontu pracy, narzędzi, sterowania w trakcie zadania i zmiennego poziomu rozumowania. To zestaw funkcji projektowany pod agentów, którzy mają doprowadzać pracę do końca.

Z perspektywy lidera technicznego najlepszym następnym krokiem nie jest natychmiastowa migracja całego zespołu. Jest nim kontrolowany pilot na jednym realnym repozytorium, z testami odbiorowymi i porównaniem kosztu zaakceptowanego rezultatu.

Jeśli chcesz zaprojektować taki pilot albo porównać Codex z Claude Code na procesie Twojego zespołu, umów 30-minutową rozmowę kwalifikacyjną.