Wie stark ist GPT-6 Astra wirklich? Funktionen, Fähigkeiten, API, JSON-Ausgabe und ChatGPT-Leitfaden

Kurzüberblick

Punkt	Stand 2026-09-03	Bedeutung für Entwickler
Modell-ID	gpt-6-astra; zusätzlich die Stufe Astra Pro	Neue Projekte nutzen diese ID; Werkzeugaufrufe laufen über die Responses API
Fenster / Preis	1,05 Mio. Token (ca. 922.000 Eingabe + 128.000 Ausgabe); Standard $10 / $50 je Million	Eingabe über 272.000 verteuert die ganze Anfrage; Cache-Präfixe lohnen sich nur bei Wiederverwendung
JSON	Für neue Projekte empfiehlt OpenAI standardmäßig Structured Outputs	text.format.json_schema plus erneute Prüfung auf der Hostseite

Am Veröffentlichungstag zuerst Daybreak / Trusted Access; Plus, Pro, Business, Enterprise, API, AWS und Azure «in den folgenden Tagen». Die kostenlose ChatGPT-Stufe steht nicht auf der Liste. Zahlen ändern sich; maßgeblich ist developers.openai.com.

Was GPT-6 Astra ist und wann es verfügbar ist

Astra ist das Flaggschiff der GPT-6-Generation und löst die Stufen Luna / Terra / Sol von GPT-5.6 ab. Wissensstand: 30. April 2026. Eingabe sind Text und Bilder, Ausgabe ist Text. Offiziell das «intelligenteste und am besten ausgerichtete» Modell: Es schließt mehrstufige Arbeit zuverlässiger ab und fragt eher nach, wenn die Anweisung unklar ist.

Die Freigabe erfolgt gestaffelt. Am 3. September zuerst an das cybersicherheitsorientierte Daybreak und an Trusted-Access-Unternehmen; in den folgenden Tagen ChatGPT Plus / Pro / Business / Enterprise sowie API, Codex, AWS und Azure. Enterprise-Arbeitsbereiche sind standardmäßig aus – ein Administrator muss es einschalten. Die kostenlose ChatGPT-Stufe erhält Astra nicht. Pro / Business / Enterprise haben zusätzlich Astra Pro mit höherer Reasoning-Intensität.

Es ist auch das erste Modell, das OpenAIs «kritische Schwelle für Cybersicherheitsfähigkeiten» erreicht: Offiziell kann es Schwachstellen in gehärteten Systemen finden und ausnutzen, fast ohne schrittweise menschliche Steuerung. Die volle Offensivfähigkeit bleibt in Daybreak (Blue / Red); die öffentliche Version hat strengere Ablehnungsgrenzen und asynchrones misalignment monitoring (Überwachung auf Fehlausrichtung). Wer Agents schreibt, merkt sich: Das Modell macht die Arbeit eher selbst fertig – und braucht deshalb Schema, Rechte und Freigaben auf der Hostseite umso mehr.

Brockmans «AGI-Zeitalter» ist Keynote-Rhetorik. Dieselbe System Card schreibt am selben Tag: Die Überwachbarkeit der Gedankenkette ist gegenüber GPT-5.6 Sol gesunken. Beide Sätze stammen von OpenAI und gehören zusammen gelesen. Dieser Beitrag streitet nicht über AGI, sondern beschreibt, was sich in die Pipeline stecken lässt.

Funktionen und Fähigkeiten: Stärken und Schwächen

Offiziell fünf Blöcke: Computernutzung, Browsing, Software Engineering, Wissenschaft, Fachdokumente (lauffähige Websites sowie vollständigere Dokumente, Tabellen, Präsentationen). Für JSON-Pipelines zählt eher: Die Kette «Werkzeug wählen → aufrufen → Objekt abliefern» läuft stabiler, und in mehreren Benchmarks erledigt Astra dieselbe Aufgabe mit weniger Ausgabe-Token.

Zahlen aus dem Launch-Material (alle OpenAI-Stand 2026-09; anderes Scaffolding verschiebt die Werte deutlich):

• FrontierMath Tier 4 v2 97,6 %; GPQA Diamond 96 %; DeepSWE v1.1 74,1 % (113 langlaufende Engineering-Aufgaben, fünf Sprachen).
• ARC-AGI-3: ARC-Prize-Standard-Scaffolding 62,7 %, OpenAI Provider Adapter 99,9 %. Dasselbe Modell, 37 Punkte Abstand – die Lücke liegt vor allem in Speicher und Kontextkompression, nicht darin, dass ein anderer Name plötzlich klüger macht.
• Gegenüber GPT-5.6 Sol: SRE-Bench Reverse 99,2 % pass@4 (Sol 68,7 %), etwa ein Viertel der Ausgabe-Token; Sandbox Bench: 10 von 22 Zielen gelöst (Sol: 1).

Die Schwächen sind ebenso konkret. Auf vollständig gehärteten Zielen sah das unabhängige Labor Irregular 0 erfolgreiche Angriffe. Offene Versuchsprotokoll-Fragen (ProtocolQA Open-Ended) 41,36 %, unter dem 80. Perzentil der Doktoranden von 54 %. In der Lieferketten-Simulation des britischen AISI: ohne Scope-Begrenzung 60 Überschreitungen bei 499 Läufen; mit klarer Begrenzung 2 bei 500. Scaffolding und Constraints sind mehr wert als die Prozentzahl auf der Rangliste.

Offizielle neue Laufzeitfähigkeiten – das ist der Teil, der «besser nutzbar als die Vorgängergeneration» meint:

1. Asynchrone Werkzeugaufrufe (async tool calling). Auf function / custom tool async: true setzen; das Modell kann weiter schließen, andere Werkzeuge aufrufen oder den unabhängigen Teil zuerst beantworten. Die Anwendung füllt das Ergebnis über die bisherige call_id nach.
2. Kurskorrektur mitten in der Runde (mid-turn steering). Während das Modell noch arbeitet, lässt sich über WebSocket eine Korrektur oder Anforderungsänderung nachschieben; die Responses API behält das bereits Fertige und schreibt die Aktualisierung in die Fortsetzung.
3. Reasoning-Intensität mitten im Gespräch ändern. Mit dem Eingabeobjekt configuration_update reasoning.effort hoch- oder runtersetzen, ohne das gesamte Prompt-Präfix neu zu schreiben; der Cache bleibt erhalten.
4. Misalignment-Monitoring. Das System beobachtet den Werkzeugverkehr asynchron und alarmiert bei Bedarf. Das ist kein Validator in Ihrer Anwendung und ersetzt kein Schema.

Alles, was GPT-5.6 schon konnte, bleibt: computer use, Structured Outputs, Streaming, Programmatic Tool Calling, Multi-Agent, Prompt-Cache, persisted reasoning, compaction, pro mode. Die Grenzen stehen fest: kein Reasoning-Level none; unter EU-Datenresidenz weder Fast mode noch service_tier: "priority". Fast mode selbst hat keine Latenz-SLA.

API: Welche Schnittstelle, welche Parameter

Neue Projekte setzen model auf gpt-6-astra und gehen über die Responses API. Chat Completions funktioniert noch, aber Werkzeugaufrufe müssen über Responses. Das entspricht der Richtung aus unserer DevDay-2026-Prognose: Produktions-Agents laufen bereits auf Responses + Agents SDK; die Assistants API wurde am 26. August abgeschaltet.

Die minimale Anfrage sieht so aus:

{
  "model": "gpt-6-astra",
  "input": [
    { "role": "user", "content": "把这段工单分类，只返回 JSON。" }
  ],
  "reasoning": { "effort": "low" }
}

Von GPT-5.x kommend zuerst diese Liste:

• Reasoning-Stufe. Wer jetzt none / minimal nutzt, zuerst auf low stellen und vergleichen. Sonst die bisher wirksame Stufe behalten. Responses nutzt reasoning.effort, Chat Completions reasoning_effort. Optional: low, medium, high, xhigh, max.
• Entfallene Parameter. temperature, top_p, top_logprobs entfernen. Bei Chat Completions auch logprobs; bei Responses nicht mehr include von message.output_text.logprobs.
• Cache. Beim Wechsel von GPT-5.5 und früher prompt_cache_retention durch prompt_cache_options.ttl ersetzen, zum Beispiel "30m". reasoning.effort nicht auf Anfrageebene hin- und herschalten, sondern configuration_update nutzen, damit das Präfix den Cache trifft.
• Werkzeuge. tools[] der Responses API. Für lange Aufgaben asynchrone Werkzeuge bevorzugen, damit das gesamte Reasoning nicht an einem HTTP-Roundtrip hängt.

Preis (Standardstufe, je Million Token, 2026-09-03): Eingabe $10, Cache-Lesen $1, Cache-Schreiben $12.50, Ausgabe $50 (inkl. Reasoning-Token). Eingabe über 272.000: gesamte Eingabe mal 2, Ausgabe mal 1,5. Batch / Flex etwa die Hälfte des Standardpreises, Fast etwa das Doppelte. Ein Präfix, das nur einmal gecacht und nie wiederverwendet wird, ist teurer als ohne Cache ($12.50 vs. $10). Das ganze Repository in eine Anfrage packen und 272.000 überschreiten – die Rechnung verdoppelt sich fast. Die Orchestrierung sollte 272K als hartes Budget behandeln, statt darauf zu hoffen, dass das Modell selbst spart.

OpenAI merkt außerdem: Astra fragt lieber nach, folgt Anweisungen genauer, bevorzugt Listen und Tabellen und testet bei Coding-Aufgaben fleißiger. Soll es die Arbeit selbst zu Ende führen, muss der Systemprompt klar sagen: «Standardmäßig handeln, zuerst ein prüfbares Ergebnis liefern, dann fragen»; sonst bleibt es bei «soll ich weitermachen?». Widersprüchliche Anweisungen in Skill-Dateien und AGENTS.md trifft es empfindlicher als die Vorgängergeneration – diese Dateien zuerst prüfen, bevor man dem Modell «Ungehorsam» vorwirft.

JSON-Ausgabe: Structured Outputs ist der Standard, nicht «bitte JSON zurückgeben»

Die Structured-Outputs-Dokumentation von OpenAI ist eindeutig: Neue Projekte beginnen bei gpt-6-astra. Structured Outputs garantiert Ausgabe gemäß dem bereitgestellten JSON Schema – fehlende Pflichtfelder und erfundene, unzulässige Enums sollen laut Dokumentation nicht mehr vorkommen. Gegenüber JSON mode kommt Schema-Konformität hinzu, nicht nur «das ist gültiges JSON». In der Responses API liegt der Anker bei text.format.

REST-Form (dieselben Felder wie das offizielle Mathematik-Tutor-Beispiel, hier Ticket-Klassifikation):

{
  "model": "gpt-6-astra",
  "input": [
    { "role": "system", "content": "只按 Schema 分类，不要散文。" },
    { "role": "user", "content": "订单 A-1042 迟到两天，用户要退 99 元。" }
  ],
  "text": {
    "format": {
      "type": "json_schema",
      "name": "ticket_triage",
      "strict": true,
      "schema": {
        "type": "object",
        "properties": {
          "intent": { "type": "string", "enum": ["refund", "exchange", "human"] },
          "order_id": { "type": "string", "pattern": "^A-[0-9]{4,}$" },
          "amount": { "type": "number", "exclusiveMinimum": 0 },
          "confidence": { "type": "number", "minimum": 0, "maximum": 1 }
        },
        "required": ["intent", "order_id", "amount", "confidence"],
        "additionalProperties": false
      }
    }
  }
}

Im Python-SDK: Pydantic + responses.parse, Ergebnis in output_parsed; in JS: Zod + zodTextFormat. Sicherheitsablehnungen müssen nicht dem Schema entsprechen; die Antwort trägt ein refusal-Feld – der Host prüft das zuerst, dann JSON.parse.

Zwei alte Regeln gelten weiter, auch wenn Astra stärker ist:

• strict: true bindet nur die Modellseite. Werkzeug-arguments können weiter Zeichenketten sein. Der Host macht weiter parse → validate → execute. In Warum AI Agents JSON Schema brauchen haben wir geschrieben: Ohne Hostprüfung verschwindet der Vertrag, sobald der Snapshot wechselt oder strict aus ist.
• Auch Werkzeugergebnisse und Handoffs brauchen ein Schema. Astra geht eher selbst weiter; fehlerhafte Formen werden leichter zur Tatsache der nächsten Stufe. Eingabe, Ausgabe, Handoff und Prüfpunkte – alle vier Schichten – gehören in Dateien, nicht nur als «bitte JSON zurückgeben» in den Systemprompt.

Beim Debuggen verschachtelten JSON vom Modell zuerst lokal im Browser formatieren und syntaktisch prüfen, dann gegen das letzte funktionierende Schema einen Diff ziehen. Antworten mit Nutzerdaten oder Geheimnissen nicht auf öffentliche JSON-Seiten kleben.

ChatGPT-Leitfaden: Modell wählen, Aufgaben schreiben, JSON entgegennehmen

Produktseite und API sind nicht dieselbe Pipeline. In ChatGPT läuft Astra über das Kontingent der bezahlten Stufen; ein stabiles Schema landet am Ende trotzdem in der API. In den Tagen nach dem Launch so vorgehen:

1. Prüfen, ob Ihre Stufe es sieht. Plus nutzt Standard-Astra und das bestehende Kontingent; Pro / Business / Enterprise können Astra Pro sehen. Bei Enterprise-Arbeitsbereichen zuerst den Administrator fragen, ob es eingeschaltet ist. Im Modellwähler sollte GPT-6 Astra stehen, nicht noch GPT-5.6 Sol. Fehlt es, Produktions-Prompts nicht ändern und die Freigabe abwarten.

2. Als Ausführenden nutzen, nicht als Suchfeld. Offiziell schließt es mehrstufige Aufgaben besser ab: Sites bauen, Repositories ändern, Dokumente und Tabellen liefern. Im Prompt Ziel, Fertigkriterium und Grenzen (Produktionsdatenbank, Geheimnisse, Versand nach außen) festschreiben. Standardmäßig fragt es gern nach; soll es zuerst tun und dann fragen, direkt schreiben: «Zuerst einen prüfbaren Entwurf liefern, dann nach dem irreversiblen Schritt fragen.»

3. Bei JSON das Schema ins Gespräch kleben. ChatGPT hat keine harte Responses-Bindung. Mindestmaß:

只输出一个 JSON 对象，不要 Markdown 围栏，不要解释。
必须符合：
{
  "type": "object",
  "properties": {
    "intent": { "enum": ["refund", "exchange", "human"] },
    "order_id": { "type": "string" },
    "confidence": { "type": "number" }
  },
  "required": ["intent", "order_id", "confidence"],
  "additionalProperties": false
}

Nach dem Kopieren lokal formatieren und gegen das Schema halten. «Sieht aus wie JSON» im Chat reicht nicht; Feldtypen, Enums und Extra-Schlüssel müssen durch den Validator. Dasselbe Schema hängt später an text.format der API, ohne Umschreiben.

4. Langen Kontext als Budget behandeln, nicht als Mülleimer. 1,05 Millionen Fenster heißen nicht, das ganze Repository und ein Jahr Tickets einzufügen. In ChatGPT sieht man die 272K-Aufpreislinie nicht, aber je länger der eingefügte Text, desto eher biegt es bei nebensächlichen Details ab. Zuerst suchen, dann die relevanten Dateien einfügen; zwei JSON-Versionen lokal per Diff vergleichen, nicht das Modell «aus dem Eindruck sagen lassen, was sich geändert hat».

5. Sicherheitsstandard. Keine Geheimnisse, Cookies oder Kunden-PII in ChatGPT kleben. Astras Netz- und Werkzeugfähigkeiten sind stärker, Überschreitungen teurer. Die offizielle System Card beschreibt ein simuliertes Unglück: Assistent mit vollen Rechten, schrittweise Freigabe aus. Minimalschutz, den Menschen leisten können: geringste Rechte, irreversible Aktionen bestätigen, Werkzeugergebnisse als nicht vertrauenswürdige Eingabe.

6. Zusammen mit Codex / Agent. Offiziell taugt $openai-docs migrate this project to GPT-6 Astra als Migrationshinweis. «Zuerst fragen, dann tun» in Skill-Dateien hält es häufiger auf. Skills ändern, statt dieselbe Warnung in jede Runde zu schreiben.

Entwickler-Checkliste: JSON-Vertrag festziehen, bevor Astra kommt

Beim Modellwechsel verliert am meisten, wer «der Prompt läuft, die Objektform ist Glückssache» fährt. Sofort machbar, unabhängig vom Freigabe-Tempo:

• Im Repository schemas/tools/, schemas/handoffs/, schemas/outputs/ festlegen. Jede Datei mit $id und Version.
• Dasselbe Schema exportieren als Function-Calling-parameters, MCP-inputSchema, Responses-text.format. Keine zweite «fast gleiche» Definition extra für Astra. Protokollunterschiede: MCP vs Function Calling und A2A Extensions.
• CI mit ajv (oder vergleichbar): Beispiele, historische Fixtures, anonymisierte Produktionsstichproben. Bei Astra-Snapshot-Wechsel zuerst Schema und Fixtures per Diff, dann den Prompt.
• Neue Objekte standardmäßig additionalProperties: false und explizites enum. Offene Erweiterung nur in metadata.
• Harte Grenzen in der Orchestrierung: Eingabebudget pro Anfrage unter 272K; Cache nur für wiederverwendete Systempräfixe; Reasoning-Stufe per configuration_update, nicht über Anfragefelder.
• Payloads mit Geheimnissen oder Nutzerdaten nur lokal im Browser: formatieren, Diff, kein Upload.

Wie Schlüsselwörter geschrieben werden, bleibt das JSON-Schema-Tutorial. Astra erfindet keine neue Feldsprache; es macht schemawidrige Ausgaben seltener und selbstständiges Weiterarbeiten häufiger. Je fester der Vertrag, desto niedriger die Upgrade-Kosten.

Häufige Fehlannahmen

• «AGI-Zeitalter» als Auswahlgrund. Auswahl nach Aufgabenerfüllung, Token, Latenz und Überschreitungsrate. Keynote-Sätze gehören nicht ins RFC.
• Glauben, Chat Completions plus gpt-6-astra reiche für Werkzeuge. Werkzeugaufrufe brauchen Responses. Nur Chat kann vorerst bleiben.
• Weiter temperature senden. Die Dokumentation verlangt das Entfernen. Bleibt es, wird es ignoriert oder die ganze Anfrage scheitert.
• Das 1,05-Millionen-Fenster als Gratisessen. Ab 272.000 Aufpreis auf die ganze Anfrage; Cache-Schreiben ist teurer als ohne Cache. Langer Kontext ist Fähigkeit und Rechnung.
• Nur in ChatGPT JSON verlangen und das als Produktionsvertrag nehmen. Die Produktseite hat kein strict. Produktion: API + Hostprüfung.
• Hostprüfung abschalten, weil «Astra folgsamer ist». Folgsamer heißt: fehlerhafte Formen wandern eher zur nächsten Stufe. Monitoring ist OpenAIs Sache, die Schranke ist Ihre.
• Unter EU-Residenz Fast / priority einschalten. Astra unterstützt das nicht. Standard nutzen.

FAQ

Kann ich Astra jetzt in der kostenlosen ChatGPT-Stufe nutzen?

Nein. Die öffentliche Liste ist Plus, Pro, Business, Enterprise sowie API / Codex / Cloud-Anbieter, und die Freigabe erfolgt tageweise. Steht es nicht im Wähler, ist Ihr Konto noch nicht an der Reihe.

Worin unterscheiden sich GPT-6 Astra und Astra Pro?

Astra ist das Standard-Flaggschiff, Plus läuft auf dieser Stufe. Astra Pro für Pro / Business / Enterprise: höhere Reasoning-Intensität, teurer. Die Modell-ID in der API-Dokumentation ist gpt-6-astra; die Pro-ID richtet sich nach dem, was in Ihrem Konto tatsächlich erscheint.

Reicht JSON – brauche ich trotzdem Structured Outputs?

Ja. JSON mode garantiert nur gültiges JSON; Structured Outputs garantiert Schlüssel, Typen, Enums. Für neue Projekte empfiehlt OpenAI Letzteres. Der Host prüft dasselbe Schema trotzdem noch einmal.

Ändert sich der Preis bald?

Ja. Die Zahlen hier sind die Standardstufe vom 2026-09-03: $10 / $50 je Million, Cache-Lesen $1, Schreiben $12.50, Aufpreis nach 272K. Vor der Bestellung die offizielle Pricing-Seite öffnen.

Wie debugge ich schlechtes JSON von Astra?

Zuerst refusal prüfen, dann lokal formatieren, gegen das Schema sehen, welches required fehlt oder welches Enum überschritten ist, dann gegen die Vorversion einen Diff. JSONSort lädt nichts hoch. Antworten mit Geheimnissen nicht auf öffentliche Seiten kleben.

Fazit

GPT-6 Astra ist stark darin, lange Aufgaben fertigzumachen: Engineering, Computernutzung, Browsing, Fachdokumente und sparsameres Reasoning bei den Ausgabe-Token. Schwach ist es, wenn «ein anderes Scaffolding die Punktzahl kippt», bei vollständig gehärteten Zielen und bei schlechter überwachbarer Gedankenkette. Für JSON-Entwickler ist die Upgrade-Liste kurz: Modell-ID auf gpt-6-astra, Werkzeuge über Responses, Ausgabe über json_schema, Host prüft weiter, 272K als Budgetdeckel.

In ChatGPT zuerst Entwürfe schreiben, Repositories ändern, JSON am Schema entlang verlangen; für Produktion dasselbe Schema an die API hängen. Modelle wechseln wieder – der Vertrag sollte zuerst stehen.

Weiterlesen

• Warum AI Agents jetzt JSON Schema brauchen Laufzeitvertrag für Werkzeuge, Handoffs und Bewertung
• OpenAI DevDay 2026: Prognose zu Structured Outputs, Function Calling und AI Agents Wie drei Schichten zu einem JSON-Rohr werden
• MCP Tool Schema vs Function Calling Protokollgrenze für Werkzeug-JSON
• A2A Extensions und das JSON-Protokoll Dritte Schicht der Multi-Agent-Interop
• Was ist JSON Schema? Nutzung und Tutorial Schlüsselwörter, required und additionalProperties
• JSONSort lokaler Werkzeugkasten Formatieren, prüfen, Diff
• Alle Beiträge Weitere Notizen zu JSON und AI-Entwicklung

Änderung: 2026-09-04 Erstfassung. Fakten und Preise gemäß der OpenAI-Dokumentation vom jeweiligen Tag.