Astra sembra progettato per affrontare domande senza risposte note e sostenere percorsi di ragionamento molto lunghi.
Il nome Astra è entrato ufficialmente nel lessico di OpenAI il 1° agosto 2026, accompagnato da una definizione destinata ad attirare l’attenzione: «our next major model», il prossimo grande modello dell’azienda. La rivelazione è arrivata attraverso una pubblicazione dedicata a dieci nuovi risultati ottenuti nel campo della matematica e dell’informatica teorica. È la prima volta che OpenAI associa pubblicamente Astra a un progetto concreto e permette di osservarne le capacità, pur senza presentarlo ancora come un prodotto disponibile.
La formulazione impiegata dall’azienda richiede una certa prudenza. OpenAI parla infatti di una «versione interna di Astra», espressione che fa pensare a un modello ancora sottoposto a sviluppo, valutazione e possibili modifiche. Potrebbe trattarsi di un checkpoint sperimentale, di una configurazione potenziata oppure di una delle varianti attraverso cui viene costruita la futura versione definitiva. Il nome Astra è ufficiale all’interno del progetto, mentre la denominazione con cui il modello arriverà eventualmente in ChatGPT, Codex e nelle API rimane sconosciuta. OpenAI non lo ha mai chiamato GPT-6 e, allo stato attuale, qualsiasi equivalenza tra Astra e una futura generazione numerata della famiglia GPT resta una supposizione.
Il contesto scelto per presentarlo è particolarmente significativo. Astra è stato utilizzato per affrontare una selezione di problemi aperti che, secondo OpenAI, non avevano registrato progressi sostanziali sul risultato principale da almeno dieci anni e, in molti casi, da un periodo molto più lungo. Le questioni appartengono a discipline differenti, tra cui geometria ad alta dimensione, teoria dei codici, teoria dei gruppi, algebre di operatori, complessità dei circuiti, informazione quantistica, crittografia basata sui reticoli e combinatoria estremale. Questa varietà offre il primo indizio importante sulla natura del sistema: Astra sembra essere un modello generalista dotato di capacità di ragionamento scientifico molto profonde, anziché uno strumento costruito esclusivamente per una singola branca della matematica.
Uno dei risultati più rilevanti riguarda l’impacchettamento delle sfere in spazi ad alta dimensione, un problema fondamentale che studia la densità massima con cui oggetti sferici possono essere disposti senza sovrapporsi. Il lavoro attribuito ad Astra determina con precisione la forza asintotica del programma lineare di Cohn ed Elkies e conduce a un nuovo limite generale. Il documento tecnico lo descrive come il primo miglioramento dell’esponente generale dell’impacchettamento delle sfere dal 1978. Il risultato interessa un settore in cui anche piccoli avanzamenti quantitativi possono richiedere nuove tecniche matematiche e decenni di ricerca.
Astra avrebbe inoltre trovato limiti esponenzialmente più forti per i codici binari e sferici, applicabili a ogni distanza minima prescritta. La teoria dei codici studia il modo in cui le informazioni possono essere organizzate per resistere agli errori di trasmissione o memorizzazione, mentre i codici sferici hanno legami profondi con la geometria, la teoria dell’informazione e numerosi problemi di ottimizzazione. La connessione tra questo risultato e quello sull’impacchettamento delle sfere mostra la capacità del modello di trasferire strutture matematiche da un ambito all’altro.
Nel campo della teoria dei gruppi, Astra ha prodotto la costruzione esplicita di un gruppo non sofico, risolvendo la questione relativa all’esistenza di gruppi che non ammettono determinate approssimazioni attraverso permutazioni finite. Il problema aveva un ruolo centrale nella disciplina ed era rimasto aperto a lungo. Un altro lavoro confuta la congettura di rigidità di Connes, legata alle algebre di von Neumann e al rapporto tra gruppi e fattori operatoriali. Entrambi i risultati richiedono strumenti altamente astratti e indicano che le capacità mostrate dal modello non dipendono esclusivamente dalla manipolazione numerica o dalla ricerca di schemi combinatori relativamente concreti.
Altri contributi riguardano nuovi limiti inferiori per circuiti e formule aritmetiche destinati al calcolo del permanente, un problema importante nella complessità computazionale. Astra avrebbe elaborato anche un teorema generale di ripetizione parallela quantistica, risultati sulla difficoltà di approssimazione del problema del vettore più vicino nei reticoli, una soluzione della congettura di Ehrhart sul volume massimo di particolari corpi convessi, un limite inferiore superesponenziale per i numeri di Ramsey multicolore e controesempi a congetture della teoria estremale dei grafi. La raccolta completa occupa 249 pagine e sviluppa tecniche differenti per ciascuna area.
L’aspetto più importante dell’annuncio riguarda il modo in cui questi risultati sarebbero stati ottenuti. OpenAI afferma che gli argomenti matematici alla base delle dimostrazioni sono stati generati dal proprio sistema. Gli esseri umani hanno successivamente preparato i manoscritti servendosi dello stesso modello, verificando il lavoro e assumendosi la responsabilità della sua correttezza. In una fase ulteriore, Astra ha formalizzato ogni argomento producendo certificati Lean, cioè dimostrazioni espresse in un linguaggio che può essere controllato automaticamente da un assistente formale.
Questo processo distingue il progetto da una semplice raccolta di risposte generate in linguaggio naturale. Una dimostrazione matematica tradizionale può contenere passaggi impliciti, errori difficili da individuare o affermazioni considerate evidenti dall’autore. La formalizzazione in Lean richiede che ogni passaggio sia tradotto in una struttura logica precisa e compatibile con regole verificabili dal software. Un certificato che viene compilato correttamente offre quindi un livello di controllo molto superiore rispetto alla sola lettura del testo da parte di un revisore.
OpenAI ha pubblicato su GitHub le formalizzazioni dei dieci risultati. Il repository utilizza Lean 4.32.0, la libreria matematica mathlib e il sistema di compilazione Lake. Le dimostrazioni possono essere costruite singolarmente oppure verificate nel loro insieme. Sono disponibili anche istruzioni per un controllo indipendente mediante Comparator. Questa apertura consente a ricercatori e sviluppatori con le competenze necessarie di esaminare direttamente i certificati, riprodurne la compilazione e individuare eventuali discrepanze tra gli enunciati formali e quelli presentati nei manoscritti.
OpenAI ha diffuso anche un documento di 62 pagine intitolato How the Ideas Came Together: Mathematical Discovery Notes. Le pagine raccontano come sarebbero emerse le intuizioni decisive, quali approcci avrebbero incontrato ostacoli, quali cambi di prospettiva avrebbero sbloccato i problemi e come le idee intermedie sarebbero confluite nelle dimostrazioni finali. Il testo offre un’immagine di Astra come sistema capace di sostenere esplorazioni prolungate, mantenere molte ipotesi concorrenti e abbandonare direzioni improduttive.
Queste note non corrispondono ai log grezzi e integrali delle elaborazioni originali. L’abstract precisa che un modello ha letto le catene di ragionamento iniziali insieme ai lavori matematici conclusivi e ha ricostruito il percorso in una forma narrativa accessibile. Siamo quindi davanti a una rielaborazione retrospettiva ad alto livello. Il documento può aiutare a comprendere l’evoluzione delle idee matematiche, mentre non consente di osservare ogni singolo passaggio computazionale compiuto durante gli esperimenti.
Un possibile precedente risale al 20 maggio 2026. In quella data OpenAI aveva annunciato che un proprio modello interno aveva confutato una congettura di Erdős relativa al problema delle distanze unitarie nel piano, formulato nel 1946. Il sistema aveva trovato una famiglia infinita di configurazioni capace di superare il comportamento ritenuto ottimale per decenni. La prova era stata esaminata da matematici esterni, che avevano preparato anche un documento di accompagnamento per illustrarne il contesto e l’importanza.
OpenAI descrisse quel sistema come un nuovo modello generalista di ragionamento. Secondo l’azienda, non era stato addestrato specificamente per la matematica, non disponeva di una struttura progettata appositamente per esplorare strategie dimostrative e non era stato adattato al problema delle distanze unitarie. L’annuncio dedicato ad Astra cita quel precedente come una tappa del percorso di valutazione dei modelli sui problemi di ricerca aperti. OpenAI non ha confermato che il sistema usato a maggio fosse già Astra. Potrebbe essere stato un suo checkpoint precedente, un modello appartenente alla stessa linea sperimentale oppure un progetto differente. Il collegamento appare plausibile, mentre l’identità tra i due sistemi rimane priva di conferme ufficiali.
Un altro elemento sorprendente riguarda il consumo di token. OpenAI sostiene che il numero complessivo di token necessario per trovare le dieci soluzioni avrebbe avuto un costo di circa 2.000 dollari applicando le tariffe API di GPT-5.6 Sol. La cifra può suggerire un’elevata efficienza economica rispetto alla quantità di lavoro scientifico prodotta, anche se va interpretata con cautela.
I 2.000 dollari non corrispondono necessariamente al costo reale sostenuto durante gli esperimenti. OpenAI utilizza le tariffe di Sol come termine di confronto e non pubblica il prezzo interno di Astra, la suddivisione tra token di ingresso e di uscita, la quantità di elaborazione assegnata a ciascun problema, la durata delle sessioni o l’hardware impiegato. Mancano anche informazioni sul numero totale di problemi sottoposti al modello. La società parla di una «selezione di dieci risultati», perciò non è possibile ricavare una percentuale di successo né sapere quante esplorazioni siano terminate senza una soluzione utile.
Resta sconosciuta anche l’infrastruttura operativa posta intorno ad Astra. OpenAI non specifica se ogni risultato sia stato prodotto da una singola istanza del modello, da più esecuzioni indipendenti, da un sistema multiagente o da una combinazione di agenti specializzati. Non sappiamo se Astra avesse accesso alla letteratura scientifica, a motori di ricerca, a software matematici, ad ambienti di programmazione o a strumenti di verifica durante la fase esplorativa.
Il confronto con GPT-5.6 Sol rende questa assenza particolarmente rilevante. Sol dispone di diversi livelli di ragionamento, incluso max, e di una modalità ultra che impiega subagenti per affrontare attività complesse. È quindi possibile che anche Astra venga valutato attraverso configurazioni capaci di distribuire il lavoro tra più processi, esaminare strategie parallele e integrare i risultati. Al momento si tratta di un’ipotesi. Le pubblicazioni dedicate ai risultati matematici non descrivono l’architettura agentica utilizzata.
Il catalogo ufficiale delle API continua a indicare GPT-5.6 Sol come modello di punta per ragionamento complesso e coding. Astra non compare tra i modelli disponibili e non possiede un identificatore pubblico. Le specifiche di GPT-5.6 Sol comprendono una finestra di contesto da 1,05 milioni di token, un massimo di 128.000 token in uscita e prezzi pari a 5 dollari per milione di token in ingresso e 30 dollari per milione di token in uscita. Questi dati vengono usati come riferimento economico nell’annuncio, senza fornire indicazioni sulle caratteristiche tecniche di Astra.
Non conosciamo quindi le dimensioni del nuovo modello, la sua architettura, la finestra di contesto, la velocità di generazione, le modalità supportate, la data di aggiornamento delle conoscenze, il prezzo o le eventuali versioni più economiche. Non esistono ancora benchmark pubblici che consentano di confrontarlo con GPT-5.6 Sol, con i modelli concorrenti o con esseri umani esperti in attività diverse dalla ricerca matematica. Mancano inoltre indicazioni sull’arrivo in ChatGPT, Codex o nelle API.
L’assenza di questi dati impedisce di stabilire quanto delle prestazioni dipenda dal modello di base e quanto derivi dal tempo di inferenza, dall’uso di strumenti esterni e dall’infrastruttura sperimentale. Un sistema autorizzato a lavorare a lungo, generare molte varianti e verificare iterativamente le proprie ipotesi può raggiungere risultati molto differenti da quelli osservabili in una normale conversazione. La futura esperienza d’uso di Astra potrebbe quindi discostarsi dalla configurazione impiegata per questi esperimenti di ricerca.
Le informazioni pubblicate lasciano comunque intravedere la direzione seguita da OpenAI. Astra sembra progettato per affrontare problemi privi di una soluzione conosciuta, sostenere ragionamenti estesi, attraversare discipline differenti e produrre artefatti verificabili. Il suo valore potenziale deriva dalla capacità di portare avanti interi percorsi di ricerca, mantenendo coerenza tra intuizioni iniziali, tentativi falliti, riformulazioni e dimostrazione conclusiva.
Questo orientamento supera il paradigma del modello valutato soprattutto attraverso domande brevi e benchmark con risposte già note. Nei problemi aperti manca una soluzione con cui confrontare automaticamente l’output. Il sistema deve sviluppare una nuova strategia, controllarne la solidità e produrre un risultato capace di resistere all’esame degli specialisti. La formalizzazione mediante Lean aggiunge un ulteriore livello: l’idea deve poter essere trasformata in una dimostrazione logicamente completa e verificabile.
Astra rimane per ora un oggetto parzialmente nascosto. Conosciamo il nome, il suo ruolo nella roadmap di OpenAI e una prima raccolta di risultati scientifici molto ambiziosi. Ignoriamo quasi tutto ciò che riguarda la sua futura forma commerciale. L’annuncio del 1° agosto offre quindi una dimostrazione delle capacità raggiunte durante lo sviluppo, più che la presentazione di un prodotto vicino alla distribuzione.
Il dato centrale è già chiaro: OpenAI sta preparando un modello di frontiera orientato verso attività intellettuali prolungate e ricerca originale. Qualora le dimostrazioni superassero pienamente la revisione della comunità scientifica, Astra avrebbe mostrato una capacità nuova per un sistema generalista: contribuire direttamente all’avanzamento della conoscenza in più discipline, generando risultati che in precedenza non appartenevano alla letteratura disponibile.
Resta da capire quanto questa capacità sarà accessibile agli utenti, quale quantità di calcolo richiederà e con quali strumenti verrà integrata. Solo il lancio, accompagnato da specifiche tecniche e valutazioni indipendenti, permetterà di misurare la distanza effettiva tra Astra e GPT-5.6 Sol. Per ora, il nuovo modello appare come il segnale più concreto della prossima fase della ricerca OpenAI: sistemi capaci di lavorare su domande aperte, seguire percorsi lunghi e produrre conoscenza sottoponibile a verifica formale.
