GPT-6 Astra en ARC-AGI-3: qué hay detrás del 99,9 % y qué dice de la AGI
GPT-6 Astra saca un 99,9 % en ARC-AGI-3 con el arnés de OpenAI y un 62,7 % con el estándar. Qué mide la prueba, qué cifra vale y si esto es AGI.
GPT-6 Astra, el modelo que OpenAI presentó el 3 de septiembre de 2026, es el primero que resuelve casi entero ARC-AGI-3, la prueba de juegos interactivos de la ARC Prize Foundation. Saca un 99,9 % con un arnés que conserva su razonamiento entre jugadas y un 62,7 % con el arnés estándar, el que trata igual a todos los modelos. La fundación ha verificado las dos cifras y las dos son récord. Además, Astra usó menos movimientos que la persona mediana en el 96 % de los niveles. Lo que la fundación no dice es que sea una AGI, aunque el presidente de OpenAI ya hable de «la era de la AGI».
A 9 de octubre de 2026 sigue siendo el récord de la clasificación verificada. En Metix no hemos probado Astra: las cifras son de la fundación o de OpenAI.
Qué es ARC-AGI-3 y por qué es tan difícil para la IA
ARC-AGI-3 es una prueba de inteligencia para agentes de IA hecha de juegos por turnos. Salió el 25 de marzo de 2026 y es la tercera de la serie que creó François Chollet. Las anteriores eran puzles estáticos; en esta el modelo juega. No recibe instrucciones, ni reglas, ni objetivo. Tiene que explorar, deducir cómo funciona cada juego, descubrir qué es ganar y aplicar lo aprendido en niveles cada vez más difíciles.
Son 135 entornos diseñados a mano. La fundación los probó con 458 personas sin seleccionar, y cada juego lo superaron al menos dos de ellas: por eso dice que los humanos resuelven el 100 %. Ese 100 % es del grupo, no de una persona cualquiera. OpenAI estimó en julio, con los registros oficiales de partidas, que quien hizo la prueba sacaba de media un 48 %.
La nota no premia solo terminar. Mide la eficiencia: cuántas acciones necesita el modelo en cada nivel frente a la mediana de las personas que lo resolvieron. Un 100 % es superar todos los niveles con esas acciones o menos. Encaja con cómo define la AGI la fundación: un sistema que adquiere cualquier habilidad humana con la misma eficiencia que una persona.
El día del lanzamiento, los mejores modelos sacaban un 0,51 %. Chollet pidió vigilar la clasificación: un salto brusco querría decir que algo importante había cambiado.
Qué ha sacado Astra según OpenAI y según la fundación
| Cifra | Qué mide | Quién la publica |
|---|---|---|
| 99,9 % | Nota con el arnés del proveedor | OpenAI y ARC Prize |
| 62,7 % | Nota con el arnés estándar | ARC Prize |
| 96 % | Niveles con menos acciones que la mediana humana | ARC Prize |
OpenAI escribió en su anuncio que Astra «satura ARC-AGI-3 con un 99,9 %». Ese mismo día, la fundación publicó su evaluación con el conjunto semiprivado, juegos que no son públicos. Las dos cifras son reales. Lo que cambia es el arnés: el programa que conecta el modelo con el juego y decide qué ve, qué recuerda y cómo actúa.
Con el arnés estándar, mínimo e igual para todos, Astra solo conserva las notas que decide guardar y saca un 62,7 % con el esfuerzo de razonamiento al máximo. Con el arnés del proveedor (Provider Adapter) conserva su razonamiento interno entre peticiones y resume las conversaciones largas, como hace en ChatGPT y en Codex. Así llega al 99,9 % con esfuerzo alto.
El 96 % sale de esa segunda configuración: Astra usó menos acciones que la mediana humana en el 96 % de los niveles, y de media un 51,7 % menos. La fundación esperaba que la eficiencia siguiera separando a personas y máquinas, y lo que ha visto es un patrón casi binario: cuando el modelo entiende la mecánica, juega dentro del rango humano.
Por qué OpenAI y la fundación no dan la misma cifra
En julio, OpenAI contó que dos ajustes, conservar el razonamiento y compactar el historial, triplicaron la nota de GPT-5.6 Sol en el conjunto público: del 13,3 % al 38,3 %. El arnés estándar descarta el razonamiento tras cada acción y borra lo más antiguo cuando el historial crece.
La nota a pie del anuncio de Astra lo reconoce: se usó el arnés de la Responses API, que «cambia dos ajustes para parecerse más al uso real». El problema está en su tabla de resultados. Pone el 99,9 % de Astra junto al 30,2 % de Claude Opus 5 y al 7,8 % de GPT-5.6 Sol, que son cifras con el arnés estándar. Con el mismo arnés, Astra saca un 62,7 % frente al 30,2 % de Opus 5: el doble, no más del triple.
- GPT-6 Astra62,7
- GPT-6.1 Sol52,7
- Claude Opus 530,2
- Gemini 3.8 Flash10,4
- GPT-5.6 Sol7,8
- GPT-6 Sol4,6
- Grok 4.71,8
Conjunto semiprivado. Mejor resultado de cada modelo en cualquier nivel de esfuerzo. Claude Opus 5.5 y Fable 5.1 aún no tienen resultado. Fuente: ARC Prize Foundation. Datos a 9 de octubre de 2026.
- GPT-6 Astra99,9
- GPT-6.1 Sol96,4
- Gemini 3.8 Flash35
- GPT-6 Sol23
- Grok 4.710
- GPT-6 Luna0,6
Mismo conjunto, conservando el razonamiento entre peticiones y compactando las conversaciones largas. Claude no tiene resultado con este arnés. Fuente: ARC Prize Foundation. Datos a 9 de octubre de 2026.
Para la fundación, el estándar es el que importa para hablar de AGI: «una futura AGI debería poder resolver ARC-AGI-3 en estas condiciones». Desde Astra publica las dos notas, etiquetadas.
Cuánto ha costado el resultado
La fundación calcula el coste con los precios públicos de la API. El 62,7 % costó 26.098 dólares, y el 99,9 %, 18.817. Chollet cifra la versión con el arnés del proveedor en unos 360 dólares por juego. A las personas del estudio se les pagó unos 12,78 dólares por juego intentado, sin contar primas, aunque la fundación aclara que eso paga su tiempo, no la energía de su cerebro.
Con Astra, además, pensar más sale más barato. Con más esfuerzo resuelve los juegos en menos acciones, así que hace menos llamadas al modelo y gasta menos tokens.
¿Es AGI? Lo que dicen OpenAI, la fundación y los expertos
El anuncio de OpenAI no usa la palabra AGI fuera del nombre de la prueba. La frase vino de Greg Brockman, su presidente, en la rueda de prensa del lanzamiento. «Bienvenidos a la era de la AGI», tituló Axios citando a OpenAI. Según Information Age, la revista de la Australian Computer Society, Brockman dijo: «Creo que no es descabellado sentir que ahora estamos en la era AGI».
La fundación es más prudente: «Aunque creemos que Astra supone un progreso significativo hacia la generalización, no afirmamos que sea una AGI». Recuerda que ARC-AGI-3 es muy acotada, con mecánicas deterministas y objetivos cerrados, y que no representa la complejidad del mundo real. Chollet insiste en que resolverla «no es una prueba de AGI» ni «una línea de meta»: sus juegos duran órdenes de magnitud menos que las tareas reales. Aun así, ve Astra como «un gran avance en la inteligencia de los modelos» y reconoce que llegó «unas dos veces más rápido» de lo que esperaba.
El científico cognitivo Gary Marcus escribió que el éxito es «grande e impresionante», pero no una demostración de AGI pese al nombre de la prueba, y que falta saber lo robusta que es esa capacidad. Toby Walsh, científico jefe del instituto de IA de la Universidad de Nueva Gales del Sur, dijo a Information Age que la prueba mide «una parte muy concreta» de la AGI.
Lo que sí está medido: un modelo comercial aprende las reglas de juegos que no ha visto, sin instrucciones, y cuando las entiende juega con menos movimientos que la mayoría de la gente. Chollet añade que capacidades que antes había que montar en el arnés «se están desplazando al propio modelo». Lo que no está medido es si eso aguanta en tareas largas, abiertas y sin reglas fijas. Y la definición de AGI de la carta de OpenAI, sistemas muy autónomos que superan a las personas en la mayor parte del trabajo con valor económico, es otra cosa que ARC-AGI-3 no mide.
Qué cambia si usas ChatGPT
El GPT-6 que responde por defecto en el chat no es Astra. Según las notas de versión de ChatGPT, es GPT-6 Sol en Plus, Pro, Business y Enterprise desde el 7 de octubre, y GPT-6 Luna en Gratis y Go desde el 8. Con el arnés estándar, Sol saca como mucho un 4,6 % en ARC-AGI-3 y Luna, un 0,2 %. Astra está en los planes de pago como la opción de razonamiento Pro, y en ChatGPT Work y Codex.
Si usas agentes para tareas de varios pasos, no siempre hace falta lo más caro: GPT-6.1 Sol, a una quinta parte del precio de Astra por token, saca un 52,7 % con el arnés estándar y un 96,4 % con el del proveedor. Y si programas con la API, quédate con la lección del arnés: OpenAI recomienda la Responses API, no la antigua Chat Completions, conservando el razonamiento entre turnos.
Por dónde seguir
- Astra frente al resto en más pruebas: benchmarks de IA actualizados.
- Qué es el esfuerzo de razonamiento y cuándo compensa: modelos de razonamiento.
- Qué app usar cada día: ChatGPT, Claude o Gemini, cuál usar para cada cosa.
Fuentes: OpenAI, ARC Prize Foundation y su página de resultados de Astra. Datos consultados el 9 de octubre de 2026.
Preguntas frecuentes
¿Puedo jugar yo a los juegos de ARC-AGI-3?
Sí. Los 25 juegos de la demostración pública están en arcprize.org/tasks y se juegan en el navegador, sin instrucciones, igual que los juega la IA. Los del conjunto semiprivado, con los que la fundación puntúa a los modelos, no son públicos.
¿Cuánto cuesta GPT-6 Astra en la API?
Según OpenAI, 10 dólares por millón de tokens de entrada y 50 dólares por millón de tokens de salida con el procesamiento estándar. El modo rápido va hasta el doble de rápido y cuesta el doble. En la API se llama gpt-6-astra.
¿Cuándo sale ARC-AGI-4?
François Chollet ha dicho que en el primer trimestre de 2027. La fundación quiere publicar una prueba nueva cada año y que cada una salga sin saturar, centrada en lo que la IA todavía no sabe hacer.