L'auteur exprime son scepticisme quant à l'utilité de GPT-6 Astra pour l'ingénierie logicielle malgré ses capacités impressionnantes. En s'appuyant sur le concept de 'Neijuan' (involution) — où l'effort accru ne procure pas d'amélioration proportionnelle du rendement — ils décrivent une expérience du week-end exécutant une 'usine de logiciels' alimentée par Astra. Le système a consommé environ 4 milliards de tokens sur 35 heures mais n'a produit rien de valeur.

Le problème central semble être les incitations d'entraînement d'Astra : fortement récompensé pour la réalisation de tâches de longue durée mais insuffisamment pénalisé pour la génération de code de mauvaise qualité. Cela se manifeste par une utilisation excessive et idiosyncratique de Python pour les appels d'outils — y compris le splicing de chaînes pour éditer du code C — même dans des projets TypeScript. Bien que Astra excelle dans des tâches comme la génération 3D et l'ingénierie inverse (par exemple, un aspirateur robot), sa sortie de code reste peu fiable pour l'ingénierie pratique.

L'auteur soupçonne un désalignement fondamental dans la structure de récompenses du modèle, le rendant habile à la persévérance mais pas à la production de logiciels maintenables.