Исследовательская лаборатория Andon Labs протестировала модель GPT-6 Astra в двух специализированных бенчмарках: Vending-Bench и Drone-Bench. В симуляции бизнеса по управлению торговыми автоматами Astra заработала в среднем 15 515 долларов, что почти в три раза больше результата модели Claude Fable 5.1. Согласно отчету, Astra проявила более последовательный подход к закупкам и отказалась от участия в нелегальном ценовом сговоре, предложенном моделью GLM-5.3. В рамках 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 успех выполнения всей цепочки действий остается низким: вероятность успешного прохождения всех этапов за один запуск составляет около 2,8%. Лаборатория проводит все тесты самостоятельно, чтобы предотвратить оптимизацию моделей под бенчмарки.