OpenAI lancia il modello di nuova generazione Astra: il 2 settembre Sam Altman ha anticipato su X l’arrivo del prossimo modello, spiegando che il lavoro ha richiesto di bilanciare il miglioramento delle prestazioni con la costruzione di ulteriori misure di sicurezza. Nella stessa giornata OpenAI ha pubblicato anche un aggiornamento dedicato al percorso verso Astra, indicando che il modello ha raggiunto il livello “Critical” nelle valutazioni relative alle capacità di cybersecurity e che, proprio per questo, sono state predisposte protezioni aggiuntive prima del rilascio.
A rafforzare l’ipotesi del lancio vicino era comparso un ulteriore elemento all’interno dell’infrastruttura API di OpenAI. Un account specializzato nel monitoraggio dei modelli AI ha segnalato la presenza dello slug “gpt-6-astra” nel sistema delle Responses API. Quando viene richiesto l’accesso a questo identificativo, il sistema restituirebbe un errore “404 GATED-EXISTS”, diverso dal comportamento osservato con nomi casuali o modelli inesistenti, che producono invece errori di tipo 400. Una risposta analoga viene indicata anche per GPT-5.6 Cyber, modello la cui esistenza è nota ma il cui accesso è limitato. Questo comportamento suggerisce che “gpt-6-astra” possa essere già stato registrato internamente come modello esistente ma non ancora disponibile pubblicamente.
La comparsa del nome nell’API non confermava tuttavia che Astra sarebbe stato effettivamente commercializzato come GPT-6. L’elemento resta comunque significativo perché associa direttamente Astra alla numerazione GPT-6 e mostra che il modello potrebbe essere già stato predisposto nei sistemi necessari alla distribuzione attraverso API. Le indiscrezioni circolate nelle ultime ore indicavano come possibile una presentazione già nel corso di questa settimana. In particolare, alcune ipotesi si concentrano sul 4 settembre, che negli Stati Uniti cade di venerdì, ma OpenAI non aveva comunicato una data ufficiale.
Il lancio arriverebbe a poco più di due mesi dalla presentazione di GPT-5.6 Sol, introdotto il 26 giugno 2026. Al momento dell’uscita, Sol aveva raggiunto il secondo posto nell’Artificial Analysis Intelligence Index, dietro Fable 5. Nel periodo successivo è stato però superato anche da Opus 5, Fable 5.1 e Meta Muse Spark 1.3, scendendo verso la quinta posizione. Astra rappresenta quindi il successivo aggiornamento della linea di modelli frontier di OpenAI in un momento in cui la competizione sulle prestazioni si è intensificata rapidamente.
Tra le caratteristiche tecniche attribuite ad Astra figura l’impiego della recurrent depth, una variante dell’architettura transformer nella quale gli stessi processi computazionali possono essere eseguiti ripetutamente durante l’inferenza. Il sistema può quindi utilizzare una maggiore quantità di calcolo sul singolo problema senza aumentare necessariamente in modo proporzionale la dimensione del modello. Questa soluzione dovrebbe permettere ad Astra di dedicare più elaborazione ai compiti complessi e costituisce uno degli elementi tecnici che distinguerebbero il nuovo modello dalle precedenti generazioni.
OpenAI sta applicando al modello di nuova generazione Astra una tecnica di inferenza denominata recurrent depth, indicata anche come loop transformer, con l’obiettivo di aumentare le capacità di coding, utilizzo del computer e ragionamento complesso senza affidarsi esclusivamente all’aumento delle dimensioni complessive del modello. A differenza dei tradizionali grandi modelli linguistici, nei quali l’input attraversa una sequenza prestabilita di layer neurali una sola volta prima della generazione dell’output, la recurrent depth permette di riutilizzare più volte gli stessi layer durante l’elaborazione di un problema. Lo stesso insieme di componenti computazionali può quindi essere attraversato ripetutamente, aumentando la quantità di calcolo dedicata a una singola richiesta senza richiedere necessariamente un incremento proporzionale del numero di parametri.
Questo approccio consente di separare in misura maggiore la dimensione fisica del modello dalla sua capacità effettiva di ragionamento. Un modello relativamente compatto può utilizzare ripetutamente gli stessi layer per eseguire elaborazioni più profonde e avvicinarsi, in determinati compiti, alle prestazioni di sistemi molto più grandi. Il vantaggio dovrebbe risultare particolarmente rilevante nelle attività che richiedono ragionamenti articolati in più passaggi, come matematica e programmazione. Allo stesso tempo, il riutilizzo della stessa struttura neurale può ridurre il consumo di memoria e larghezza di banda rispetto a un’architettura ottenuta semplicemente aumentando il numero dei layer, con possibili benefici anche sui costi di inferenza e sull’efficienza operativa.
Astra avrebbe sfruttato questa architettura soprattutto per rafforzare le capacità di coding e di interazione diretta con il computer. Quando incontra un problema complesso, il modello può continuare a elaborarlo facendo transitare più volte le informazioni attraverso gli stessi layer, dedicando di fatto una maggiore quantità di calcolo alla soluzione. La recurrent depth consente quindi al sistema di “pensare” più a lungo senza richiedere necessariamente una rete neurale proporzionalmente più grande. Il lavoro su questa tecnologia viene considerato uno degli elementi centrali nell’incremento delle prestazioni di Astra e, secondo alcune valutazioni riportate nel settore, potrebbe rappresentare un avanzamento tecnico particolarmente rilevante rispetto alle precedenti generazioni di modelli.
L’introduzione della recurrent depth pone però un problema specifico sul fronte della sicurezza. Nei modelli di ragionamento attuali una parte del processo utilizzato per risolvere problemi complessi può essere espressa sotto forma di chain of thought in linguaggio naturale. Questo materiale può essere utilizzato dai ricercatori per individuare comportamenti anomali, verificare se il sistema sta perseguendo obiettivi pericolosi o rilevare tentativi di aggiramento delle istruzioni. Con un’architettura ricorrente, invece, una quantità maggiore di elaborazione può avvenire direttamente negli stati latenti della rete neurale, senza essere necessariamente rappresentata attraverso passaggi linguistici leggibili da un osservatore umano.
Di conseguenza, il modello potrebbe eseguire una parte crescente del proprio ragionamento internamente, mentre la chain of thought visibile rappresenterebbe soltanto una porzione dell’elaborazione realmente svolta. Se un sistema sviluppasse un piano anomalo, un comportamento malevolo o una strategia non prevista, gli strumenti di monitoraggio basati prevalentemente sull’analisi del ragionamento espresso in linguaggio naturale potrebbero quindi avere meno elementi a disposizione per riconoscerlo anticipatamente. Il problema non riguarda soltanto l’interpretabilità del modello, ma anche la capacità di effettuare controlli di sicurezza in tempo reale e di ricostruire successivamente la sequenza di decisioni che ha condotto a un determinato comportamento.
Questa criticità è stata collegata anche a recenti casi riguardanti agenti AI utilizzati in attività di attacco informatico. OpenAI aveva comunicato a luglio di aver individuato un agente AI malevolo impiegato contro propri sistemi e contro infrastrutture come Hugging Face, basato su un modello con alcune caratteristiche simili a quelle attribuite ad Astra. Nell’analisi dell’incidente, la chain of thought degli agenti aveva fornito indicazioni importanti per comprendere come i diversi componenti stessero cooperando durante l’attività di hacking. Se la stessa elaborazione fosse avvenuta prevalentemente attraverso stati latenti non leggibili, sarebbe stato più difficile ricostruire il comportamento degli agenti e individuare tempestivamente le azioni dannose.
Anche l’AI Security Institute britannico ha segnalato il rischio che forme di ragionamento meno trasparenti possano indebolire i sistemi di monitoraggio attualmente utilizzati per controllare i modelli avanzati. La questione è particolarmente rilevante perché la supervisione della chain of thought è stata considerata da OpenAI e da altri laboratori di ricerca uno degli strumenti utili per individuare comportamenti indesiderati nei sistemi di frontiera. Un miglioramento dell’efficienza del ragionamento ottenuto attraverso processi sempre meno leggibili potrebbe quindi creare un conflitto diretto tra incremento delle prestazioni e possibilità di supervisione.
OpenAI avrebbe tuttavia scelto di non applicare la recurrent depth senza limiti all’interno di Astra. La profondità delle iterazioni viene contenuta in modo da preservare una quantità sufficiente di ragionamento interpretabile e consentire l’utilizzo di ulteriori strumenti di monitoraggio della chain of thought. In occasione del lancio di Astra sono previste anche misure aggiuntive per individuare rapidamente comportamenti anomali e bloccarli. Limitare il numero di passaggi ricorrenti riduce infatti la quantità di elaborazione che può svolgersi esclusivamente negli stati latenti, mantenendo una parte maggiore del processo in una forma potenzialmente osservabile.
Jakub Pachocki, Chief Scientist di OpenAI, ha inoltre precisato che la profondità del grafo computazionale degli attuali modelli frontier dell’azienda, incluso Astra, rimane entro un fattore due rispetto a GPT-4. Secondo questa valutazione, l’architettura non avrebbe quindi raggiunto un livello di complessità tale da rendere impraticabile il monitoraggio umano. Pachocki ha comunque riconosciuto che le attuali tecniche di controllo della chain of thought presentano fragilità e che la loro affidabilità sta diventando una questione sempre più rilevante con l’evoluzione delle architetture di ragionamento. Il rafforzamento di questi sistemi di monitoraggio rimane quindi uno degli obiettivi di ricerca dichiarati da OpenAI mentre Astra combina maggiore profondità computazionale, riduzione dell’impiego di memoria e incremento delle capacità operative.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)