O GPT-6 Astra foi lançado recentemente. Tive acesso a ele na sexta-feira à noite, horário europeu, e tenho o usado extensivamente desde então. Neste artigo, compartilharei minhas primeiras impressões sobre o modelo e as técnicas que utilizo para extrair o máximo possível do modelo e maximizar sua eficácia. Também compartilharei algumas das desvantagens que experimentei com o modelo e como estou tentando lidar com elas nas próximas semanas, quando usarei o modelo cada vez mais, e tentaremos maximizar minha produtividade com ele.

Por que usar o GPT-6 Astra? Primeiramente, sempre gosto de abordar por que você deveria se importar com o tópico de um artigo. Neste caso, é porque o GPT-6 é o lançamento mais recente da OpenAI, que é um dos laboratórios de fronteira. Isso naturalmente o torna um dos LMs que você imediatamente quer experimentar para ver como ele se sai em meus fluxos de trabalho. Meus fluxos de trabalho consistem principalmente em tarefas de codificação, embora eu também tenha outras tarefas, como usar meu computador, navegar no navegador e fazer pesquisas, então medir o quão bem ele funciona para pesquisa profunda e assim por diante.

Minhas primeiras impressões do GPT-6 Astra: Imediatamente, assim que comecei a usar o modelo, comecei a testar algumas coisas: executá-lo em tarefas que já fiz antes, executá-lo em algumas tarefas novas (implementações de recursos e correções de bugs) e começar a procurar oportunidades de refatoração. Minhas primeiras impressões serão, portanto, baseadas na minha experiência ao executar essas três tarefas. Gostaria de observar, no entanto, que as primeiras impressões podem não dar a melhor imagem de quão bom é o modelo de codificação. Lembro-me de quando o GPT 5.6 Sol foi lançado, tive primeiras impressões extremamente boas, mas com o tempo, comecei a notar algumas peculiaridades.

Então, quando se trata de executar tarefas que já fiz e verifiquei, diria que o GPT-6 foi, é claro, capaz de fazê-las todas. Mas uma coisa que realmente notei a favor do GPT-6 é que ele alcançou isso muito mais rápido, e não acho que isso tenha algo a ver com a velocidade de inferência. Na minha experiência, isso apenas parece indicar que o modelo é mais eficaz ao utilizar seus tokens e é mais capaz de concluir tarefas rapidamente. Essa impressão foi ainda mais verificada quando comecei a executar o modelo em novas tarefas também. Parece que o modelo foi capaz de concluir tarefas super rapidamente, enquanto também as fazia corretamente, pelo menos quando comparado tanto à geração anterior de modelos da OpenAI quanto ao Claude Fable 5.

Entidades-chave: Empresas: OpenAI, Towards Data Science