GPT-6 Astra вышла. Я сижу на Claude — стоит ли дёргаться

За три дня вышло два фронтирных релиза. 1 сентября Anthropic выкатила Claude Fable 5.1 и Mythos 5.1, 3 сентября - OpenAI показала GPT-6 Astra. Лента после этого выглядела как обычно: у одних «всё изменилось», у других «опять маркетинг».

Меня же интересовал совершенно конкретный вопрос, и он, подозреваю, интересует не только меня. Я работаю в Claude. Claude Code - мой рабочий инструмент, я про него пишу целый цикл. Вопрос простой: в Astra есть что-то, ради чего мне стоит дёргаться?

Посидел поразбирался. Ответ получился длиннее, чем «да» или «нет».

Что показала Astra

Главное - computer use. Модель работает через экран и элементы управления, а не через API-интеграцию для каждого приложения. Заполнить форму, поправить таблицу, поработать в инженерном софте - тем же путём, которым это делает человек.

Для меня это самая интересная строчка релиза, потому что она бьёт в старую боль. Автоматизировать можно то, у чего есть API. Нет API - либо парсить и молиться, либо городить RPA, либо оставить людям. У многих есть личное кладбище таких систем: старые панели, веб-морды железок c "лохматых годов".

Плюс цифры: 72,6% на OSWorld 2.0, задачи выполняются на 47% быстрее, в ChatGPT computer use ускорился почти вдвое. Отдельно - 100% на ExploitBench по кибербезопасности и 98% на FrontierMath.

Ну и Codex получил новое управление контекстом: вместо сжатия истории модель ведёт searchable-заметки между сессиями.

А теперь то, из-за чего я сел писать

Открываю релиз Fable 5.1, вышедший на два дня раньше. И читаю там про агентные задачи: модель «ведёт собственные записи, меняет приоритеты по ходу дела и продолжает с того места, где остановилась».

То есть та фича Codex, которая меня зацепила, - у меня уже есть. Просто про неё написали без слова «AGI», и она проехала мимо ленты.

Дальше стало ещё интереснее. Давайте разложу.

И вот здесь главное предупреждение, без которого таблица врёт. Строчку про OSWorld сравнивать напрямую нельзя. Anthropic даёт две метрики - 77,9% частичного успеха и 41,7% строгого. OpenAI даёт одно число по офлайновому подмножеству. Это разные линейки. Показывать 77,9 против 72,6 и кричать «Claude выиграл» - ровно тоже самое, как показывать 72,6 и молчать про то, что у соседа есть строгая метрика.

Что из этих чисел действительно следует, так это отрезвляющая вещь: строгий успех - 41,7%. Меньше половины. То есть агент полностью, без единой помарки, доводит до конца четыре задачи из десяти. Это касается не Claude и не OpenAI по отдельности - это состояние всей технологии computer use прямо сейчас. Демо красивые, продакшн далеко.

Что реально стоит попробовать

Computer use - но у себя. Не потому что «в Astra завезли», а потому что технология дозрела до того, чтобы её пощупать. И тут любопытный нюанс: подходы у всех разные. Claude использует переносимую схему «скриншот плюс действия», которая одинаково работает на Linux, Windows, macOS, в контейнерах и виртуалках. У OpenAI computer use в Codex сделан прежде всего под macOS с параллельными фоновыми агентами. Gemini смотрит в браузер через DOM и дерево доступности.

Для моих задач это решает вопрос. Мне нужны не браузерные дашборды и не macOS-разработка, мне нужны легаси-системы под Windows и смеси «десктоп плюс браузер» - а это как раз то, где сильнее переносимая схема. Так что пробовать computer use я буду, но не в Astra.

Кэш. Вот это, пожалуй, самое недооценённое во всём происходящем. Чтение из кэша подешевело на 75%, до $0,25 за миллион. Базовая цена не изменилась - $10 и $50, ровно как у Astra. Но в агентной работе кэш переиспользуется постоянно, и на этом набегает до 45% экономии. У меня в Claude Code длинные сессии по одному и тому же проекту - то есть у меня именно тот сценарий, для которого это считали.

Где Astra объективно впереди

100% на ExploitBench и преодолённый критический порог по кибербезопасности - это серьёзно, и публичного аналога у Fable 5.1 нет. У Anthropic сильная сторона тут закрыта в Mythos 5.1 с доступом только для проверенных специалистов. Логика понятна, но человеку со стороны она означает «недоступно».

98% на FrontierMath Tier 4 и 99,9% на ARC-AGI-3 - тоже цифры, которых у Claude в публичном виде нет. Правда, обе задачи ко мне отношения не имеют: я не двигаю фронтир математики, я держу работающие системы.

И ещё одно: у Astra один тумблер «быстро или дёшево» через Fast-режим, у Anthropic экономия зашита в кэш и требует, чтобы твой сценарий под неё подходил.

Итог

Дёргаться не буду. Причина не в лояльности к вендору, а в скучной арифметике: главное, что меня зацепило в релизе Astra, у меня уже работает, стоит столько же, а на моих нагрузках - заметно дешевле.

Осталось не забыть, что строгий успех у лучших сегодня - 40%. Мышь и клавиатуру мы модели уже дали. Доверять ей их без присмотра пока рановато.