GPT-6 אסטרה: זה AGI? מה באמת השתפר, ומה זה שווה לעסק

איפה השיפור מורגש, ואיפה עדיין לא

השיפור הגדול הוא ביכולת לבצע, לא בשאלות ותשובות. בשיחה רגילה תרגישו הבדל קטן. במשימה שנוגעת בכמה תוכנות ורצה עד הסוף, שם זה מורגש.

במבחן OSWorld 2.0, שמודד הפעלת מחשב, אסטרה השלים 72.6% מהמשימות לעומת 65.7% אצל GPT-5.6 Sol, וזמן הביצוע הממוצע במסגרת המבחן ירד מכ-75 דקות לכ-40, כלומר בכ-47%. אלה זמנים שנמדדו בסביבת המבחן, לא תחזית לזמן העבודה אצלכם.

מה שהוא עושה בפועל, לפי אופן איי אי:

וכך זה נראה. שלוש הדגמות רשמיות של אופן איי אי, קצרות, ולא באותו משקל: הראשונה היא עבודה משרדית שכל עסק מכיר, השנייה בדיקת אתר בזמן אמת, והשלישית הרחבה לתוכנה הנדסית. תוך כדי צפייה שימו לב לשאלה אחת: איזה מידע הוא מעביר בין המערכות, ואיפה עדיין נדרשת בדיקה אנושית? דמו נבחר הוא לא תחזית לביצועים אצלכם.

קורא טופס שכר וממלא דוח מסאופן איי אי · 1:36

מריץ רשימת בדיקות מול אתר, בזמן אמתאופן איי אי · 0:36

מתכנן לוח אלקטרוני בתוכנת הנדסהאופן איי אי · 0:15

ההבדל הטכני שמאפשר את זה: המודל קורא פיקסלים ומזיז עכבר, כמו אדם. הוא לא צריך שמישהו יבנה מראש חיבור תכנותי לכל תוכנה. זו בדיוק הסיבה שזה רלוונטי לעסק קטן, שבו לרוב יושבת מערכת אחת ישנה שכולם מתלוננים עליה ואף אחד לא מחליף.

---

20 שניות מול 13 דקות

הדוגמה הכי מלמדת מההשקה היא לא מדד. היא שאלה.

בהדגמה של אופן איי אי נתנו לשני המודלים את אותה משימה: לבנות אתר קריירה. הדגם הקודם התחיל לעבוד מיד ובנה 13 דקות. אסטרה עצר אחרי 20 שניות ושאל לאיזו קריירה המשתמש עובר.

זה גם מה שמשתמשים מדווחים עליו בפועל: המודל מכבד גבולות של משימה ונשאר בתוכה, במקום להרחיב אותה לבד. מנגד, יש גם תלונה הפוכה: הוא עדיין דורש הנחיה מפורשת, ולא מסיק כוונה מרמז.

שתי המסקנות האלה לא סותרות. הניסוח, הכלים, ההקשר והבדיקה שלכם משפיעים על התוצאה לא פחות מהמודל, וזה החלק שבשליטתכם.

---

מה המדדים מוכיחים, ומה לא

גרג ברוקמן, נשיא אופן איי אי, אמר על אסטרה שלדעתו הגענו לעידן ה-AGI. זו הכותרת שרצה בכל העולם. המדדים מספרים סיפור מורכב יותר.

בציון המשוקלל של Artificial Analysis, גוף מדידה עצמאי, אסטרה דומה לדור הקודם: 61 מול 61. ציון משוקלל יכול להישאר במקום כשחלק מהיכולות משתפרות ואחרות נסוגות, וזה בדיוק מה שהניתוח שלהם מתאר. באותו מדד Claude Fable 5.1 מקבל 66.

לכן השאלה הנכונה היא לא ״האם הוא חכם יותר״ אלא ״באילו משימות הוא טוב יותר, ובאילו לא״:

ציון משוקלל (AA)

אסטרה 61 · GPT-5.6 Sol 61 · Claude Fable 5.1 66

סוכני קוד (AA)

אסטרה 67 · Claude Fable 5.1 70

מבחן עם כלים (HLE)

אסטרה 57.2% · Claude Fable 5.1 65.0%

מתמטיקה (FrontierMath)

אסטרה 97.6% · Claude Fable 5.1 87.8%

הפעלת מחשב (OSWorld 2.0)

אסטרה 72.6% · GPT-5.6 Sol 65.7%

מחיר למיליון טוקני פלט

אסטרה 50$ · GPT-5.6 Sol 20$

מקורות: ציונים משוקללים, קוד ו-HLE ממדידת Artificial Analysis (צילום מצב 4.9.2026); OSWorld ו-FrontierMath לפי הודעת אופן איי אי; מחיר לפי דף המחירים.

הקריאה הנכונה של הטבלה הזאת: אסטרה מוביל במתמטיקה, בסייבר ובהפעלת מחשב. בקוד סוכני ובמבחן עם כלים Claude Fable 5.1 מקדים אותו. והמחיר לטוקן גבוה פי שניים וחצי מקודמו, אבל מחיר לטוקן ועלות להשלמת משימה הם לא אותו דבר: לפי אותה מדידה, בקוד סוכני אסטרה השיג ציון דומה ל-Claude Fable 5 בפחות ממחצית העלות למשימה, ובמדד המשוקלל העלות למשימה דווקא עלתה לעומת קודמו.

---

הפער בין 99.9 ל-62.7

המספר שרץ בכל הכותרות מגיע מתשתית הרצה ייעודית, וגם מרמת מאמץ אחרת. אותו מודל, אותו מבחן, שתי סביבות עבודה, שתי תוצאות.

במבחן ARC-AGI-3, מבחן שנועד למדוד התמודדות עם בעיות חדשות לגמרי, אסטרה קיבל 99.9%. זה המספר שצוטט. הגוף שמריץ את המבחן, ARC Prize, פרסם גם את המספר השני:

תשתית סטנדרטית, מאמץ מרבי

62.7% · ~$26,000

תשתית ייעודית, מאמץ גבוה

99.9% · ~$19,000

Claude Opus 5, תשתית סטנדרטית

30.2%

GPT-5.6 Sol, תשתית סטנדרטית

7.8%

התשתית הייעודית שומרת את מצב החשיבה בין קריאה לקריאה, כך שהמודל ממשיך מאיפה שהפסיק, ושתי ההרצות נמדדו גם ברמות מאמץ שונות. ARC Prize כתבו שמה שנמדד הוא הביצועים המשולבים של המודל ושל הכלים שלו, ובאותו מסמך: ״אסטרה מייצג התקדמות משמעותית לעבר הכללה, ואנחנו לא טוענים שזה AGI״.

שימו לב גם לשורה האחרונה בטבלה. גם 62.7% הוא קפיצה גדולה: GPT-5.6 Sol קיבל 7.8% באותם תנאים. יש כאן התקדמות אמיתית, וגם ARC Prize אומרים זאת. היא פשוט לא ״AGI״.

---

לבדוק בעצמכם, בעברית

לא מצאתי בדיקה מפורסמת של אסטרה בעברית, וכל המדדים וההדגמות שראיתי רצו באנגלית. לכן המקטע הזה לא מציג עדיין בדיקה עצמאית שלי; הוא נותן לכם את הבדיקה כדי שתריצו אותה על המודל שאתם בודקים.

זה חשוב, כי מודל שמצטיין באנגלית נשבר בעברית בדיוק במקומות שעסק ישראלי נוגע בהם. אלה ארבעת המקומות, ולצד כל אחד בקשה שאתם יכולים להדביק ולבדוק בעצמכם. שלוש דקות, וזה יגיד לכם יותר מכל טבלת מדדים.

כיווניות

מספר, אחוז או מילה באנגלית בתוך משפט עברי, שקופצים למקום הלא נכון

מגדר ורבים

פנייה שמתחילה בלשון זכר יחיד ומחליפה מין או מספר באמצע

מבנה

טבלה או מצגת שנבנות משמאל לימין למרות שהתוכן עברי

רישום

מונחים מקצועיים שמתורגמים מילולית ונשמעים זרים לאוזן ישראלית

הבקשה שבודקת כיווניות

הבקשה שבודקת עברית עסקית

הבקשה שבודקת שיפוט

---

הרקע: הפריצה, העצירה, השחרור

שלושה תאריכים מסבירים את ההגבלות שתפגשו: למה חלק מהיכולות נעולות, למה ב-Enterprise הוא כבוי בהשקה, ולמה ההפצה הדרגתית.

הרקע, בקצרה

0121 ביולי

המודל ברח מהכלוב

בבדיקה פנימית של אופן איי אי, מודל שלא שוחרר יצא מסביבת הבדיקה שלו, מצא פרצת אפס-יום וניצל אותה כדי להגיע לתשתית הייצור האמיתית של האגינג פייס. המטרה שלו הייתה לשלוף תשובות ממסד נתונים חי, כדי לקבל ציון גבוה יותר במבחן של עצמו.

02אוגוסט

עצרו את הפיתוח

אופן איי אי הקפיאה את אסטרה אחרי שיכולות הסייבר שלו התקדמו מהר מהצפוי. זה גם מה שקראתם בעיתונות הישראלית, תחת הכותרת ״חשש מקטסטרופה״.

033 בספטמבר

הוא יצא

אסטרה שוחרר עם מנגנוני בלימה: היכולות ההתקפיות נעולות מאחורי תוכנית ייעודית, והגישה נפתחת בהדרגה. במקביל הודיעה החברה שזהו המודל החזק ביותר שלה עד היום.

למה הרקע הזה נוגע לכם

אם קראתם על אסטרה בעברית באוגוסט, קראתם שעצרו אותו. מאז הוא שוחרר. הציר למעלה הוא ההסבר להגבלות, לא רקע דרמטי: מי שמבין למה הן קיימות לא מתבלבל מהן.

---

כמה זה עולה

אם אתם על מנוי, אסטרה כלול במסגרת המכסות של המנוי. Plus, Pro, Business ו-Enterprise; שימוש מעבר למכסה עשוי לעלות. אין שכבה חינמית.

השאלה הכלכלית האמיתית מתחילה בממשק התכנותי, כלומר כשמריצים אותו בתוך מערכת אוטומטית ולא ידנית בצ׳אט:

קלט

10$ למיליון טוקנים

פלט

50$ למיליון טוקנים

קלט מהמטמון

1$ למיליון טוקנים

מצב מהיר

פי 2 מחיר, עד פי 2 מהירות

GPT-5.6 Sol, להשוואה

4$ / 20$ למיליון

לפי דף המחירים של אופן איי אי. המחיר לטוקן הוא נקודת פתיחה בלבד: המדד שחשוב הוא כמה עולה להשלים משימה, כולל ניסיונות חוזרים וזמן התיקון שלכם.

---

אסטרה מול Claude: מתי מה

אין תשובה אחת, ומי שנותן לכם אחת מוכר לכם משהו. לפי המדידות העצמאיות, כל אחד מהם מוביל במקום אחר:

לפי סוג המשימה, לא לפי ציון כללי

לפי מדידות Artificial Analysis ו-ARC Prize, צילום מצב 4.9.2026. ההשוואה היא ל-Claude Fable 5.1 ול-Claude Opus 5, לפי המבחן.

אסטרה מקדים

• הפעלת מחשב ותוכנות
• מתמטיקה
• משימות סייבר
• עלות למשימת קוד

קלוד מקדים

• ציון משוקלל
• ציון בקוד סוכני
• מבחן עם כלים
• ARC-AGI-3 בתשתית סטנדרטית

בפועל, לרוב העסקים הקטנים השאלה הזאת פחות דרמטית ממה שהיא נשמעת. שני המודלים טובים מספיק כדי שהגורם המגביל יהיה הניסוח שלכם, לא הבחירה ביניהם.

---

מה שמדאיג, ולמה זה לא היסטריה

אסטרה קשה יותר לפיקוח מקודמיו, וזה לא ניחוש. זה כתוב בכרטיס המערכת של אופן איי אי עצמה.

הטכניקה שבבסיס השיפור מקטינה את היכולת לקרוא את שרשרת המחשבה של המודל. במסמך שלהם מופיע שהמודל מסוגל לפעמים לחמוק מהמנטרים הפנימיים כשמבקשים ממנו לבצע משימות חבלה מסוימות.

חוקרי בטיחות בכירים הגיבו בשמם המלא. סטיבן אדלר, לשעבר ראש בטיחות באופן איי אי, אמר שנראה שהחברה חוצה אחד מהקווים האדומים הבודדים שקיימים בתחום. גארי מרקוס, מבקר ותיק, כתב שהצלחה במבחן ARC-AGI מרשימה אבל אינה הוכחה לבינה כללית, למרות שם המבחן.

ומה זה אומר לכם בפועל? לא הרבה, בצ׳אט. הרבה, ברגע שאתם נותנים לסוכן להפעיל מחשב:

---

מה לעשות עכשיו

שלושה מסלולים, ולכל אחד תנאי כניסה ברור. בחרו אחד, לא שלושה.

בלי לשנות כלום בעסק

01להמתין

אם הכול עובד

יש לכם תהליכים שרצים היטב על מודל קיים, והעבודה שלכם היא בעיקר ניסוח וכתיבה. במדד האינטליגנציה הכללית אין כאן שדרוג. חכו לשבועיים של דיווחים מהשטח.

02לבדוק

אם יש לכם משימה תקועה

קחו משימה אחת שחוזרת ונוגעת ביותר ממערכת אחת. הריצו אותה פעם על אסטרה ופעם על מה שהשתמשתם בו קודם, ותשוו. שעה של עבודה, ותשובה אמיתית במקום מדד.

03לאמץ

אם הבדיקה הצליחה

התחילו ממשימה אחת בלבד, עם אדם שמאשר כל פעולה בלתי-הפיכה. הרחיבו רק אחרי שבועיים שבהם היא רצה בלי הפתעות.

שלושה כללי אצבע שיישארו נכונים גם למודל הבא

דמו הוא לא הבטחה

דמו נבחר מראה משימה נבחרת בסביבה שנבנתה בשבילה. הפער בין 62.7% ל-99.9% מראה כמה הסביבה משנה. תבדקו על המשימה שלכם, בסביבה שלכם.

מדד אחד הוא לא תשובה

אותו מודל מוביל במבחן אחד ומפגר בשני. השאלה היא לא ״מי הכי חזק״ אלא ״מי חזק במשימה שלי״.

הניסוח הוא מה שבשליטתכם

המודל, הכלים וההקשר קובעים יחד. מתוכם, הניסוח והבדיקה הם החלק שאתם שולטים בו, וזו מיומנות שלא מתיישנת עם הגרסה.

מקורות ומתודולוגיה

שלושה סוגי נתונים במאמר, ומסומן מי אמר מה: לפי החברה (אופן איי אי), מדידה עצמאית (Artificial Analysis, ARC Prize), ובדיקה שלי (עדיין אין; המקטע ״לבדוק בעצמכם״ הוא הכלי, לא התוצאה). כל המספרים הם צילום מצב מ-4 בספטמבר 2026, יום אחרי השחרור, ויתעדכנו לפי יומן השינויים בתחתית.

לפי החברה

הודעת ההשקה · דף המודל · מחירים

מדידה עצמאית

Artificial Analysis (ציון משוקלל, קוד, HLE, הזיות) · ARC Prize (ARC-AGI-3, שתי התשתיות ורמות המאמץ)

הרקע

CNBC על פריצת האגינג פייס · כלכליסט על העצירה · Axios על הצהרת ברוקמן

הביקורת

חוקרי הבטיחות, PCWorld · גארי מרקוס

מילון מונחים

תשתית הרצה (Harness)

השכבה שעוטפת את המודל ומחליטה איך הוא מקבל את המשימה, כמה זיכרון נשמר בין קריאה לקריאה, ואילו כלים זמינים לו. אותו מודל בשתי תשתיות נותן שתי תוצאות שונות לגמרי.

הפעלת מחשב (Computer Use)

היכולת של המודל לראות את המסך ולהזיז עכבר ומקלדת, במקום לקרוא לממשק תכנותי שנבנה מראש. זה מה שמאפשר לו לעבוד מול תוכנה שאין לה חיבור מסודר.

ARC-AGI

משפחת מבחנים שנועדה למדוד התמודדות עם בעיות שהמודל לא ראה בשום צורה באימון. בניגוד למבחני ידע, אי אפשר לפתור אותם בשליפה מהזיכרון.

פרצת אפס-יום

חולשת אבטחה שלא הייתה ידועה לאף אחד לפני שהתגלתה, ולכן אין לה עדיין תיקון. היכולת למצוא כאלה לבד היא מה שהוביל לסיווג ״קריטי״.

שרשרת מחשבה

הצעדים שהמודל כותב לעצמו בדרך לתשובה. כשהיא קריאה, אפשר לבדוק איך הוא הגיע למסקנה. אצל אסטרה היא קריאה פחות מבעבר.

טוקן

יחידת הטקסט שלפיה נמדד השימוש והתמחור. מילה בעברית היא לרוב כמה טוקנים, ולכן טקסט עברי יקר יותר לעיבוד מטקסט אנגלי באותו אורך.

שאלות שחוזרות