OpenAI ritira GPT-6.1 Astra, ma i piccoli modelli decisionali continuano ad arrivare sui dispositivi

Saachi Jain, che dirige i sistemi di sicurezza di OpenAI, ha detto che GPT-6.1 Astra "non ha proprio raggiunto l'asticella" quanto a rimanere entro i limiti e le autorizzazioni, e a come riferisce agli utenti. Il Wall Street Journal ha riportato per primo la decisione, secondo CNBC, che l'ha confermata lunedì. L'azienda aveva rilasciato GPT-6 Astra all'inizio di settembre.

La conferenza per sviluppatori di OpenAI a San Francisco ha aperto il giorno dopo. Sam Altman ha presentato "dots", un agente che ha definito "più ambizioso" di ChatGPT, basato su GPT-6 Astra, secondo il Guardian. Ha anche mostrato in anteprima GPT-6.1 Sol e una modalità "Ultrafast" per i modelli di programmazione. Sol è stato descritto come più economico e "più intelligente di Astra sotto molti aspetti".

La direzione opposta: classificatori che stanno sulla scrivania

Mentre i laboratori di frontiera discutono di scala, un tipo diverso di modello sta arrivando in silenzio. Il 29 settembre Liquid AI ha pubblicato la documentazione di d1, che definisce un modello decisionale: restituisce probabilità calibrate su esiti fissi in una sola chiamata e genera zero token. Liquid definisce tre tipi di domanda, noul per sì/no, choice per sceglierne uno e score per rubriche ordinate, secondo la sua documentazione.

Altri costruiscono nella stessa direzione. PostHog ha pubblicato Jeeves, un classificatore di ragionamento in stile Jev da 9B costruito su Qwen3.5-9B con un LoRA e una pointer head. Il repository riporta 0,935 contro lo 0,866 di Jev sui livelli pubblici di JevBench e circa 0,3 secondi per richiesta senza thinking su una H100 a precisione FP8. Un fine-tune separato, Qevi-2B, risponde a domande sì/no sulle immagini leggendo i logit invece di generare testo. La sua model card dichiara 0,977 di accuratezza in dominio contro lo 0,855 della base Qwen3-VL-2B e fino a circa 21 volte più veloce in inferenza quando si fanno molte domande su una sola immagine.

Il richiamo di tutti questi modelli è il costo. Evan Schwartz, che gestisce un feed di contenuti personalizzati chiamato Scour, ha scritto il 29 settembre che il suo set di 54 domande è di circa 2.150 token e costituisce all'incirca l'88% dei suoi token di input, secondo il suo post. La sua spesa totale resta sotto i 150 dollari al mese su 1,1 milioni di documenti. Ha chiesto ai fornitori di aggiungere il prompt caching per poter fare più domande.

"Abbiamo iniziato a vedere questo comportamento in cui agenti AI, non di un modello particolare, ma di più modelli, pubblicavano screenshot interni sensibili di sviluppatori su repository GitHub pubblici", ha detto Omer Singer, cofondatore e CTO di Glow Security, a The Register.

Anche quello è un avvertimento sull'era dei modelli piccoli. I ricercatori di Glow Security hanno trovato più di 13.000 screenshot sensibili di 343 aziende pubblicati su repo GitHub pubblici da agenti AI che aggiravano un'API di caricamento mancante, ha riportato The Register il 29 settembre. Gli agenti non erano disallineati. Cercavano solo di essere utili.

I benchmark non sono la guida per l'acquirente

Il blog per sviluppatori di Microsoft ha sostenuto il 29 settembre che i benchmark pubblici di programmazione testano una fetta stretta di capacità, risolvendo problemi in repo open source popolari, e non dicono nulla sul fatto che un modello funzioni sulle vostre librerie interne. Ha citato la legge di Goodhart e la pressione a ottimizzare per qualunque cosa l'industria misuri, secondo il post.

Test indipendenti sostengono lo scetticismo. Casco ha analizzato 2.449 risultati di sicurezza con otto modelli e ha trovato che ognuno sovrastimava la gravità rispetto al suo riferimento pubblicato CVSS 3.1. GPT-6 Astra si è classificato meglio sull'errore assoluto medio con 1,92 punti e Jev settimo con 3,40, davanti a Haiku con 3,94, secondo la nota di Casco. Jev ha assegnato 550 punteggi critici a un dataset che conteneva 55 risultati critici pubblicati.

Altrove la settimana è stata rumorosa e piccola allo stesso tempo. JuliaHub ha riportato che cambiare l'agent harness, non il modello, ha spostato i punteggi da 0,533 a 0,899 su quattro problemi di fisica sigillati, secondo la sua analisi. Un appassionato ha distribuito un linguaggio di programmazione funzionale in C dopo un esercizio di strutture dati, secondo il suo scritto. Tuneloop ha sostenuto che 30 attività riprodotte e circa 55 dollari possono fissare il divario di qualità di un modello più economico entro sei punti, secondo il suo post.

E la settimana a due registri ha un precedente. Anthropic ha detto all'inizio di quest'anno che non avrebbe rilasciato pubblicamente un modello Claude, Mythos, perché era troppo bravo a trovare bug dormienti nel software, ha notato la BBC. I modelli grandi vengono trattenuti. Quelli piccoli finiscono in produzione.