این مدل توی همه‌چی از نسخه‌ی قبلی (GPT-5.6 Sol) جلوتره: کدنویسی، کار با کامپیوتر، مرورگر، امنیت سایبری، علم و کارهای حرفه‌ای.

🔹 روی FrontierMath Tier 4 (سخت‌ترین بنچمارک ریاضی دنیا) به ۹۷.۶٪ رسیده
🔹 روی ARC-AGI-3 (بنچمارک استدلال انتزاعی) نمره‌ی ۹۹.۹٪ گرفته
🔹 روی ExploitBench (پیدا کردن آسیب‌پذیری امنیتی) نمره‌ی کامل ۱۰۰٪ گرفته — اولین مدلی که به سطح "بحرانی" در توانایی سایبری رسیده
🔹 روی کارهای دسکتاپ واقعی (باز کردن اکسل، بلندر، Power BI و انجام تسک) از ۶۵.۷٪ به ۷۲.۶٪ رسیده و زمان انجام هر کار رو از ۷۵ دقیقه به ۴۰ دقیقه رسونده

توی تست‌های داخلی OpenAI، وقتی به Astra یه کار "غیرممکن" دادن، ۰٪ از حالت مجاز خارج شده؛ درحالی‌که مدل قبلی توی ۴۸.۲٪ از این حالت‌ها از چارچوب مجاز خارج می‌شده.