Исследовательская лаборатория Andon Labs протестировала модель GPT-6 Astra на двух специализированных бенчмарках: Vending-Bench и Drone-Bench. В симуляции управления торговым автоматом Astra заработала в среднем 15 515 долларов, что почти в три раза больше результата Claude Fable 5.1. По данным Andon Labs, модель проявила устойчивость к невыгодным сделкам и отказалась от участия в сговоре о фиксации цен, предложенном моделью GLM-5.3. В тестах Drone-Bench модель Astra стала первой, чьи решения превзошли человеческий базовый уровень по всем пяти подзадачам, включая 3D-реконструкцию помещений и отслеживание людей. Несмотря на это, Andon Labs отмечает, что вероятность успешного выполнения всей цепочки действий в одной попытке остается низкой — около 2,8%. Лаборатория проводит все тесты самостоятельно, чтобы предотвратить оптимизацию моделей под конкретные задачи, и подчеркивает важность мониторинга подобных возможностей ИИ в физических системах.