Meu teste do GPT-6 Astra falhou: é o modelo ou o meu prompt?

Fala aí, beleza? A OpenAI soltou o GPT-6 Astra em 3 de setembro de 2026, e o primeiro reflexo de quase todo mundo que rodou um teste ruim foi o mesmo: modelo fraco, next

Só que tem um detalhe importante nessa história

O lançamento saiu como preview limitado, e o rollout é faseado: primeiro um conjunto limitado de organizações, depois ChatGPT Plus, Pro, Business e Enterprise, além da API da OpenAI

Repara que ChatGPT Work não aparece nessa lista de fases anunciada, mas é justamente por ele (e pelo Codex) que estão vindo os relatos de acesso real hoje

Na checagem de 08/09/2026 esse rollout ainda estava em andamento

Ou seja: uma parte grande dos testes que "falharam" nem chegou perto de medir capacidade do modelo

Falhou por setup, por recorte de tarefa ou por prompt

Então bora fazer o diagnóstico direito, sintoma por sintoma, mudando uma variável de cada vez 🙂

Sintoma 1: o modelo nem aparece ou o pedido volta com erro 400

Antes de julgar qualidade de resposta, confirma uma coisa básica: você está mesmo falando com o Astra?

Causa 1: rollout faseado por plano

Parte dos assinantes Plus ainda não vê o Astra no seletor de modelos do chat padrão, mesmo com o anúncio de disponibilidade pra Plus

Existem relatos de acesso apenas via ChatGPT Work e Codex, aquele plano que nem consta na lista de fases lá da introdução, e tem tópico aberto na comunidade oficial pedindo esclarecimento sobre isso

Se o seletor não mostra, não tem prompt no mundo que resolva

Causa 2: cliente desatualizado

Tem relato público de erro 400 ao pedir o modelo gpt-6-astra, com mensagem dizendo que ele exige uma versão mais nova do Codex e pedindo pra atualizar o app ou a CLI (issue #12761 do repositório OmniRoute, de diegosouzapw)

Caso esse erro apareça, não é o modelo te recusando, é o cliente antigo não sabendo quem ele é

Causa 3: reasoning.effort inválido

Os níveis aceitos no reasoning.effort do Astra são low, medium, high, xhigh e max

Se você mandar none, a resposta é HTTP 400

Simples assim, e MUITA gente carrega esse parâmetro de um script antigo sem perceber

Como prevenir: atualiza o cliente antes de começar o teste e confere qual modelo respondeu de fato

As notas de atualização do Codex registram correção da visibilidade do Astra no seletor de modelos e o Astra passando a ser o padrão quando nenhum modelo está configurado explicitamente

Quer dizer: dependendo da versão que tu roda, o modelo que respondeu pode não ser o que tu achou que pediu

Sintoma 2: o modelo recusou a tarefa

Recusa não é incompetência, é política

A versão pública do GPT-6 Astra é restrita e recusa certos pedidos, principalmente em cibersegurança: ela foi treinada pra negar tarefas cyber avançadas, como escrever provas de conceito de exploit

Acesso menos restrito é oferecido a organizações verificadas pelo programa OpenAI Daybreak

Como diagnosticar: reformula o pedido pro objetivo legítimo real (o que tu quer de verdade, sem a moldura ofensiva) e roda uma tarefa de controle equivalente fora do tema sensível

Se a tarefa de controle sai redondinha, tu já separou recusa por política de falha de capacidade

São coisas diferentes e viram conclusões diferentes

Como prevenir: não use tarefa de segurança ofensiva como benchmark pessoal do modelo

É o pior teste possível: tu mede a política e acha que mediu a inteligência

Sintoma 3: o modelo para, pede aprovação e não termina o trabalho

Esse é o clássico que vira post de "modelo fraco" no primeiro dia

Tu pede uma tarefa, ele começa, e no meio do caminho fica pedindo confirmação pra seguir

A documentação oficial tem uma explicação boa pra isso: o Astra segue instruções longas melhor, porém é mais sensível ao que está no contexto

Orientação confusa ou conflitante em um arquivo de skill pode fazer o modelo pausar e bloquear o trabalho cedo

Como resolver: deixa explícito que as instruções do usuário têm precedência sobre o arquivo de skill

E ajusta a orientação de iniciativa e follow-through dentro do prompt, que é justamente o caminho apontado pelo guia de prompting da OpenAI em vez de trocar de modelo

Como prevenir: antes de rodar o teste, abre o arquivo de skill e caça instrução conflitante

Já me ferrei com isso mais de uma vez: dois pedaços do mesmo arquivo mandando o contrário um do outro, e a culpa sobrando pro modelo

Sintoma 4: a resposta veio no formato errado, cheia de listas e tabelas

Esse é o sintoma mais barato de corrigir, e por isso mesmo ele é o melhor exemplo do raciocínio inteiro

O Astra tende a usar listas, tabelas e Markdown por padrão

Se a tua aplicação precisa de prosa com menos formatação, a própria documentação diz o que fazer: especifica o formato no prompt

Não é bug, é default

Como prevenir: fixa a instrução de formato no prompt de sistema, em vez de corrigir de resposta em resposta

Vale a pena entender o que muda ao escrever prompt para um modelo de raciocínio, porque quase toda "saída ruim" que eu vejo é instrução ausente com outro nome

Sintoma 5: arquivo grande demais, contexto estourando e conta subindo

Agora a camada de tamanho do pedido

O GPT-6 Astra tem 1.050.000 tokens de janela de contexto e entrega até 128.000 tokens de saída

Caber cabe, o problema é o preço e o recorte

O preço padrão na API é de US$ 10 por milhão de tokens de entrada e US$ 50 por milhão de tokens de saída

E tem uma linha de corte que muita gente descobre no extrato: requisições acima de 272 mil tokens de entrada mudam de faixa

Se liga nisso: quando passa de 272K, o multiplicador vale pra requisição INTEIRA, não só pro excedente

Dentro do Codex esse multiplicador de contexto longo acima de 272K não é aplicado

Como resolver: recorta a tarefa e mede se a qualidade melhora com menos contexto, antes de concluir que o modelo não deu conta

Jogar o projeto inteiro na janela não é teste de capacidade, é teste de paciência (e de cartão)

Como prevenir: trata 272K como linha de corte mental quando tu montar o teste na API

O roteiro de diagnóstico: uma mudança por vez

Aqui é onde a maioria se perde

A pessoa muda o prompt, reduz o contexto e sobe o esforço de raciocínio na mesma rodada

A resposta melhora, e ela não faz ideia do que resolveu 😅

A regra é uma variável por rodada, sempre com a MESMA tarefa de comparação:

1. Atualiza o cliente e confirma qual modelo respondeu. É a rodada zero, e ela derruba boa parte dos casos de erro 400 e de "o Astra não aparece". O erro comum aqui: assumir que o modelo padrão do cliente é o que tu queria testar.

2. Reduz o contexto e refaz o mesmo pedido. Tira arquivo que não é necessário pra tarefa e roda de novo. O erro comum: reduzir contexto e reescrever o prompt junto, o que zera a comparação.

3. Recorta a tarefa em uma unidade menor e verificável. "Fazer o app" não é tarefa, é projeto. "Criar a página de login com validação de campo" é tarefa. O erro comum: recorte que ainda depende de três decisões não tomadas, e aí o modelo trava pedindo aprovação (volta pro sintoma 3).

4. Explicita o formato e a precedência das instruções do usuário sobre o arquivo de skill. Duas frases no prompt de sistema resolvem os sintomas 3 e 4 juntos. O erro comum: corrigir formato no chat, resposta a resposta, e nunca fixar no sistema.

5. Sobe o reasoning.effort dentro da escala. Os níveis são low, medium, high, xhigh e max: esforço menor favorece velocidade e menos tokens, esforço maior faz o modelo raciocinar de forma mais completa. O erro comum: testar em low, achar raso e chamar de limitação do modelo.

6. Troca o esforço no meio da conversa, sem reescrever o prefixo do prompt. Dá pra inserir um item de input configuration_update antes da próxima mensagem do usuário:

{"type": "configuration_update", "reasoning": {"effort": "high"}}

Ele vale dali em diante, até outro configuration_update, e não invalida o cache

Duas limitações pra não tomar erro: isso é suportado apenas no modo padrão single-agent (é rejeitado com modelos pro ou tournament), e a API recusa dois itens configuration_update adjacentes no histórico

O erro comum deste passo: empilhar dois configuration_update seguidos e culpar a API pelo 400

Anota o resultado de cada rodada em uma linha, nem que seja num bloco de notas

Diagnóstico sem registro é chute com etapas

O que acontece quando o teste consome a cota antes de terminar

Tem um jeito de o teste falhar que não tem nada a ver com capacidade: acabar a cota no meio

Desde o lançamento do Astra, assinantes do Codex vêm relatando publicamente consumo de limites mais rápido do que esperavam, com cotas de 5 horas e semanais zerando depois de sessões curtas ou de tarefas que nem foram concluídas

Não tem causa raiz oficial pra isso, então fica como relato mesmo

Mas eu tenho números de primeira mão do que é rodar um projeto do zero em um modelo de contexto longo, e eles ajudam a calibrar expectativa

Atenção que é outra ferramenta e outro modelo, não é o Astra: serve como referência de ordem de grandeza, não como medida dele

No vídeo abaixo eu testo um modelo de contexto longo em um agente de código, usando o plano de assinatura da própria fornecedora em vez de pagar por API, porque em testes anteriores achei o consumo de API alto demais pro meu uso

Configurei dois modelos diferentes no mesmo agente: o mais forte pras tarefas pesadas e um mais leve pras simples, justamente pra não estourar a cota

Antes de pedir qualquer linha de código, mandei um primeiro prompt só pra gerar um PRD e um plano em Markdown derivado dele, com visão, problema, escopo da V1, o que fica de fora e ordem técnica

E eu faço isso JUSTAMENTE quando desconfio que o modelo não é topo de linha: o documento existe pra guiar a IA que erraria sozinha

O modelo devolveu perguntas de esclarecimento (quantidade de itens, banco, tipo de autenticação, biblioteca de UI) e eu respondi uma a uma antes de liberar a implementação

Em um momento ele furou a etapa e começou a criar o projeto sem eu pedir, e eu cancelei a execução na hora

A correção foi particionar os prompts em etapas menores e bem delimitadas, porque solto o modelo faz mais do que foi pedido e resolve as coisas de forma simples demais

Rodei em fases: scaffold mais landing page, depois autenticação, depois a integração da IA dentro do produto

Os números que interessam pro nosso diagnóstico:

• 16% da janela de 5 horas consumidos só no scaffold mais landing page
• 26 minutos pro modelo entregar a etapa de autenticação
• 40% de cota acumulada com o projeto ainda longe da metade

A landing page saiu com hero, benefícios, explicação do fluxo e flashcards animados: bonito, mas com cara de padrão de IA

E nessa mesma etapa ele não entregou as páginas de login e cadastro, que só vieram no prompt seguinte

A autenticação funcionou no teste prático, criei uma conta na aplicação e o login passou

Minha queixa principal não foi qualidade de código, foi lentidão: qualquer tarefa parecia demorar mais do que em outros modelos, percepção que eu já tinha tido num teste anterior

A stack que sugeri no prompt é a mesma que costumo usar por achar que a IA programa melhor nela: Next, TypeScript e Tailwind

O que eu quero que fique dessa parte: projeto inteiro em uma sessão só é um teste caro e horrível de interpretar

Se a cota acabou no meio, tu não descobriu o limite do modelo, tu descobriu o limite do teu plano naquele dia

Recorte por etapa dá diagnóstico MUITO melhor, e ainda te deixa comparar tempo e consumo por fase

Sintoma 6: o modelo esquece o começo do projeto em sessões longas

Esse aqui é sutil e vira acusação injusta rápido

Em sessão longa no Codex, o Astra usa uma forma nova de preservar contexto quando a janela enche: ele mantém notas entre janelas de contexto em vez de comprimir tudo em um único resumo, e as janelas anteriores continuam pesquisáveis, incluindo saídas de ferramentas

Só que esse gerenciamento de contexto é experimental e opt-in por configuração

Em clientes Codex suportados, com login ChatGPT Plus ou Pro, é preciso definir no config.toml:

features.context_management.experimental_mode = true

E iniciar uma nova task depois disso

Como prevenir: não julga memória de sessão longa sem saber se essa configuração estava ligada no teu teste

É a diferença entre avaliar o recurso e avaliar a ausência dele

Quando o problema é o modelo mesmo (e quando descartar a migração)

Agora o veredito honesto

Só dá pra dizer que é limitação do GPT-6 Astra quando a falha PERSISTE com: contexto reduzido, tarefa recortada, formato pedido de forma explícita, precedência das instruções resolvida e esforço de raciocínio no topo da escala

Tudo isso no mesmo teste, repetido

Se faltou um desses itens, o que tu tem é hipótese, não conclusão

Como separar limitação real de erro de setup ou de prompt:

É setup quando o modelo nem respondeu, respondeu outro, ou voltou 400: aí a falha some sozinha depois de atualizar o cliente e confirmar quem atendeu

É política quando a recusa é temática e a tarefa de controle equivalente, fora do tema sensível, sai redondinha

É prompt quando a falha muda de cara ao explicitar formato e precedência das instruções: se o resultado melhora sem tocar no modelo, o gargalo era teu texto

É plano quando o teste morreu no meio por cota estourada, e não por resposta errada

E é o modelo mesmo quando tu recortou a tarefa até uma unidade pequena e verificável, com contexto enxuto, formato explícito, esforço no topo da escala, e ele CONTINUA errando o mesmo ponto, de forma repetível, em rodadas separadas

Esse último caso existe, viu? Só que ele é o fim da fila do diagnóstico, não o primeiro palpite

E tem dois fatos que pesam contra a pressa de decidir

O primeiro: na checagem do leaderboard, feita em 05/09/2026, não havia resultado verificado do Astra publicado no SWE-bench Verified, então comparação pública de código com ele ainda está frágil

O segundo: na checagem da página de anúncio, feita três dias depois, em 08/09/2026, o rollout seguia em andamento, o que significa que teu acesso e o acesso do cara que postou o print podem ser bem diferentes

São duas datas porque são duas fontes diferentes, cada uma verificada no dia que aparece aqui, e nenhuma das duas fala pela outra

Adiar a decisão de migração é uma escolha legítima, não é covardia técnica

Se tu já está com projeto rodando, vale passar pelo checklist antes de trocar de modelo em vez de decidir no calor do primeiro teste

E só como sinal de contexto: o treinamento do Astra foi o maior já feito pela OpenAI, com o primeiro pré-treino em mais de 100.000 GPUs, no site Stargate no Texas

Isso não prova nada sobre a tua tarefa específica, beleza?

Mas ajuda a colocar as probabilidades no lugar: o teto do modelo dificilmente é o gargalo mais provável do teu teste de terça-feira 😀

Próximo passo: refaça o teste com uma variável de cada vez

Recapitulando o roteiro, na ordem que ele funciona

Primeiro tu confirma cliente atualizado e qual modelo respondeu

Depois separa recusa por política de falha de capacidade

Depois reduz contexto, recorta a tarefa, explicita formato e precedência das instruções

E só no fim mexe no esforço de raciocínio, subindo dentro da escala ou trocando no meio da conversa com o configuration_update

A ação concreta pra hoje é escolher uma tarefa pequena e verificável, rodar a bateria mudando um fator por rodada, e anotar consumo de cota e tempo por etapa

Com essa planilha feia na mão, a decisão sobre migrar deixa de ser sensação e vira dado

Conforme o rollout for avançando eu vou trazendo mais teste por aqui, porque essa história ainda vai mudar bastante…

Até o próximo post!