GPT-6 Astra fue lanzado recientemente. Obtuve acceso el viernes por la noche, hora europea, y lo he estado usando extensamente desde entonces. En este artículo, compartiré mis primeras impresiones del modelo y las técnicas que utilizo para sacar el máximo provecho del modelo y maximizar su efectividad. También compartiré algunos de los inconvenientes que he experimentado con el modelo y cómo intentaré abordarlos en las próximas semanas, cuando usaré el modelo cada vez más, y trataremos de maximizar mi productividad con él.

¿Por qué usar GPT-6 Astra? En primer lugar, siempre me gusta cubrir por qué deberías interesarte en el tema de un artículo. En este caso, es porque GPT-6 es el último lanzamiento de OpenAI, que es uno de los laboratorios frontera. Esto naturalmente lo convierte en uno de los LM que inmediatamente quieres probar para ver cómo funciona en mis flujos de trabajo. Mis flujos de trabajo consisten principalmente en tareas de codificación, aunque también tengo otras tareas como usar mi computadora, moverme en el navegador y hacer investigación, así que medir qué tan bien funciona para investigación profunda y demás.

Mis primeras impresiones de GPT-6 Astra: Inmediatamente, una vez que comencé a usar el modelo, comencé a probar algunas cosas: ejecutarlo en tareas que he hecho antes, ejecutarlo en algunas tareas nuevas (implementaciones de funciones y correcciones de errores), y comenzar a buscar oportunidades de refactorización. Mis primeras impresiones se basarán, por tanto, en mi experiencia al ejecutar estas tres tareas. Sin embargo, me gustaría señalar que las primeras impresiones podrían no dar la mejor imagen de cuán bueno es el modelo de codificación. Recuerdo cuando se lanzó GPT 5.6 Sol, obtuve muy buenas primeras impresiones, pero con el tiempo comencé a notar algunas peculiaridades.

Así que en cuanto a ejecutar tareas que he hecho antes y verificado, diría que GPT-6, por supuesto, pudo hacerlas todas. Pero una cosa que noté a favor de GPT-6 es que lo logró mucho más rápido, y no creo que esto tenga nada que ver con la velocidad de inferencia. En mi experiencia, esto solo parece indicar que el modelo es más efectivo al utilizar sus tokens y es más capaz de completar tareas rápidamente. Esta impresión se verificó aún más cuando comencé a ejecutar el modelo en nuevas tareas también. Simplemente parece que el modelo pudo completar tareas súper rápido y también correctamente, al menos en comparación con la generación anterior de modelos de OpenAI y con Claude Fable 5.

Entidades clave: Empresas: OpenAI, Towards Data Science