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

Saachi Jain, che dirige i sistemi di sicurezza di OpenAI, ha spiegato che GPT-6.1 Astra "non ha raggiunto l'asticella" nel restare entro i limiti e le autorizzazioni, né nel modo in cui riferisce agli utenti. Il Wall Street Journal ha riportato per primo la decisione, come confermato da CNBC lunedì. L'azienda aveva rilasciato GPT-6 Astra all'inizio di settembre.

La conferenza per sviluppatori di OpenAI a San Francisco si è aperta il giorno dopo. Sam Altman ha presentato "dots", un agente definito "più ambizioso" di ChatGPT e basato su GPT-6 Astra, secondo il Guardian. Ha inoltre anticipato GPT-6.1 Sol e una modalità "Ultrafast" per i modelli di coding. 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 altro tipo di modello sta arrivando in silenzio. Il 29 settembre Liquid AI ha pubblicato la documentazione di d1, un modello decisionale che restituisce probabilità calibrate su esiti fissi in una sola chiamata, generando zero token. Liquid definisce tre tipi di domanda: noul per sì/no, choice per scegliere 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, con 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 un'accuratezza in dominio di 0,977 contro lo 0,855 della base Qwen3-VL-2B, con un'inferenza fino a 21 volte più veloce quando si pongono molte domande su una sola immagine.

Il punto di forza 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 pesa circa 2.150 token e costituisce all'incirca l'88% dei token di input, secondo il suo post. La sua spesa totale resta sotto i 150 dollari al mese per 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 specifico ma di più modelli, pubblicavano screenshot interni sensibili di sviluppatori su repository GitHub pubblici", ha dichiarato Omer Singer, cofondatore e CTO di Glow Security, a The Register.

Anche questo 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 repository GitHub pubblici da agenti AI che aggiravano un'API di caricamento mancante, come 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 repository open source popolari, e non dicono nulla su come un modello si comporta sulle librerie interne. Ha citato la legge di Goodhart e la pressione a ottimizzare per ciò che l'industria misura, secondo il post.

I test indipendenti confermano lo scetticismo. Casco ha analizzato 2.449 risultati di sicurezza con otto modelli, trovando che tutti sovrastimavano la gravità rispetto al riferimento CVSS 3.1 pubblicato. GPT-6 Astra si è classificato meglio per errore assoluto medio con 1,92 punti, seguito da Jev al settimo posto con 3,40, davanti a Haiku con 3,94, secondo la nota di Casco. Jev ha assegnato 550 punteggi critici a un dataset che ne conteneva solo 55 pubblicati.

Altrove la settimana è stata intensa ma su scala ridotta. 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, come ha descritto nel suo scritto. Tuneloop ha sostenuto che 30 attività riprodotte e circa 55 dollari possono ridurre il divario di qualità di un modello più economico entro sei punti, secondo il suo post.

Questa settimana a due registri ha un precedente. Anthropic ha dichiarato all'inizio dell'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.