Perplexity внедряет GPT‑6 Astra для полностью автономных систем
Perplexity использует новую модель GPT‑6 Astra от OpenAI для написания коммуникаций, изменения кода и мониторинга продакшн‑систем, сокращая частоту проверок до минимума.
OpenAI объявила о выпуске GPT‑6 Astra — специализированной версии своей шестой‑поколенной модели, оптимизированной под задачи end‑to‑end автоматизации. Уже в первый день использования Perplexity, популярный поисковый сервис с ИИ‑поддержкой, интегрировала Astra в три ключевых процесса: генерацию пользовательских коммуникаций, динамическое изменение программного кода и непрерывный мониторинг продакшн‑среды.
По словам технического директора Perplexity, благодаря Astra система теперь способна самостоятельно писать и отправлять ответы пользователям, вносить поправки в микросервисы без участия инженеров и автоматически обнаруживать отклонения в работе сервисов. В результате частота ручных проверок упала с нескольких раз в день до одного‑единственного контроля в неделю, а точность ответов повысилась на 12 % по сравнению с предыдущей моделью GPT‑5.
OpenAI подчеркнула, что Astra сочетает в себе улучшенный контекстный охват (32 К токенов), более эффективный «self‑repair» механизм и встроенные средства безопасного исполнения кода. Модель прошла строгие тесты на отказоустойчивость и соблюдение политик безопасности, что делает её пригодной для критически важных инфраструктурных задач.
Первая публичная демонстрация показала, как Astra в реальном времени реагирует на изменения в базе данных, генерирует корректные SQL‑запросы и сразу же проверяет их на потенциальные уязвимости. По словам представителей Perplexity, такие возможности открывают путь к полностью автономным ИИ‑операциям, где человеческое вмешательство ограничивается лишь стратегическим планированием.
Сейчас Perplexity планирует расширить использование Astra на остальные свои сервисы, а OpenAI уже анонсировала дальнейшие улучшения модели в рамках программы «AI‑Ops».
Для разработчиков это сигнал, что модели уже способны брать на себя рутинные DevOps‑задачи, снижая нагрузку на инженеров. Студенты курсов по AI‑инфраструктуре получат реальный пример, как интегрировать LLM в CI/CD‑цепочки. Однако автоматизация кода требует строгого контроля качества и аудита, иначе риски регресса и безопасности могут возрасти.
