GPT-6 Astra e il contesto lungo

La finestra di contesto di GPT-6 Astra è di 1.050.000 token, e i punteggi sul recupero a lunga distanza sono i più alti pubblicati. Ma la notizia più utile per un'azienda non è quanto contesto entra: è quanto costa riempirlo, e c'è una soglia che cambia tutto.

Dati verificati il 4 settembre 2026 sulle fonti ufficiali OpenAI.

I numeri sul recupero a lunga distanza

Il benchmark MRCR verifica se un modello riesce a ritrovare informazioni specifiche nascoste in un contesto molto lungo — nella variante citata, otto informazioni diverse da recuperare.

Il dato interessante è la seconda riga: nella fascia più difficile la generazione precedente perdeva più di un quarto delle informazioni, mentre Astra ne recupera oltre il 96%.

È il miglioramento più regolare dell'intero annuncio, e ha una conseguenza pratica: su documenti molto lunghi il rischio che un dettaglio importante venga trascurato si riduce sensibilmente. Non sparisce — il 96,3% significa comunque che qualcosa può sfuggire — ma cambia ordine di grandezza.

La soglia che cambia il prezzo

Qui sta il dettaglio operativo più importante di questa pagina.

La documentazione indica che i prompt con più di 272.000 token di input vengono fatturati al doppio per input e cache e a una volta e mezza in output — e la maggiorazione si applica all'intera richiesta, non solo alla parte oltre la soglia.

Non c'è gradualità: una richiesta da 271.000 token costa una cifra, una da 273.000 ne costa il doppio in input.

Il punto è che la finestra dichiarata è quasi quattro volte la soglia. Il modello ti permette tecnicamente di andare molto oltre, ma da un certo punto in poi paghi il doppio senza che nulla te lo segnali.

Perché riempire la finestra è quasi sempre sbagliato

C'è un'idea diffusa e costosa: se il modello accetta un milione di token, tanto vale usarli. Ci sono tre ragioni per cui non conviene.

Costa, e a ogni chiamata. Il contesto non è una funzione inclusa: si paga ogni volta che lo mandi. Un documento da 300.000 token passato per intero a venti domande diverse costa venti volte quel documento — e oltre soglia, al doppio della tariffa.

Non migliora la risposta. Nella pratica le informazioni all'inizio e alla fine del contesto vengono usate in modo più affidabile di quelle sepolte a metà. Su documenti molto lunghi un dettaglio centrale può essere trascurato anche se tecnicamente il modello lo ha letto — e il 96,3% di MRCR conferma che qualcosa sfugge.

Nasconde il problema vero. Se un sistema ha bisogno di mandare tutto, di solito significa che nessuno ha costruito un modo per trovare la parte pertinente. Ed è quel pezzo a rendere il sistema utile, non la dimensione della finestra.

La colonna di destra copre la maggior parte delle richieste aziendali reali, e in tutte la finestra grande è una capacità che si paga senza usarla. Il ragionamento completo è in finestra di contesto: quanto conta davvero.

Il limite che si incontra per primo

Tutti guardano l'input; quasi nessuno guarda quanto il modello può produrre. E in molti progetti documentali è quello il vincolo che si tocca prima.

Centoventottomila token di output sono molti per una risposta, ma diventano stretti in tre scenari ricorrenti: tradurre un documento lungo per intero, riscriverlo o riformattarlo completamente, produrre una tabella con una riga per ogni voce di un elenco esteso.

La soluzione è spezzare il lavoro e ricomporlo, ma va previsto in progettazione: scoprirlo a metà sviluppo costa più che tenerne conto dall'inizio.

La cache, l'alleata del contesto stabile

Su un modello con l'input a 10 dollari per milione di token, c'è una leva che cambia il conto: l'input letto dalla cache costa 1 dollaro, cioè un decimo.

La scrittura in cache costa però 12,50 dollari, più dell'input normale. Quindi memorizzare conviene solo se quel contenuto verrà riletto più di una volta — ma su un prompt di sistema o su documenti di riferimento stabili è esattamente il caso.

Esempi pratici

Studio legale che analizza contratti. Un contratto tipico sta ampiamente sotto i 272K token, quindi tariffa piena senza sorprese. La finestra grande serve quando il documento va letto tutto per verificare coerenza fra clausole distanti.

Azienda con un assistente sulla documentazione tecnica. Qui la finestra è quasi irrilevante: conta la qualità della selezione. Un buon sistema di ricerca con contesto mirato costa una frazione e risponde meglio.

Team che fa sessioni di debug lunghe in Codex. È lo scenario in cui la soglia dei 272K si supera facilmente, perché lo storico cresce. La funzione delle note fra contesti aiuta a preservare i dettagli, ma va monitorato il consumo.

Errori da evitare

• Riempire la finestra perché è disponibile.
• Ignorare la soglia dei 272K, che raddoppia l'input.
• Dimenticare il limite di output, che si incontra prima.
• Usare la cache su contenuti letti una volta sola.
• Confondere recupero e comprensione: MRCR misura il primo.
• Non chiedere la citazione della fonte nelle risposte su documenti lunghi.

Come applicarlo in azienda

Il lavoro utile su questo modello non è aumentare il contesto: è tenerlo sotto controllo.

Comincia misurando: quanto sono lunghi davvero i tuoi prompt tipici? Se stai vicino ai 272.000 token, il primo intervento non è accettare il raddoppio ma capire perché mandi così tanto. Nella maggior parte dei casi la risposta è che manca un meccanismo di selezione.

Poi metti in cache il contesto stabile — prompt di sistema, istruzioni, documenti di riferimento — sfruttando l'input a un decimo del prezzo. È il risparmio più grande disponibile su questo modello e richiede una scelta architetturale, non un cambio di fornitore.

Infine, su documenti lunghi chiedi sempre di citare il punto da cui proviene ogni affermazione. Rende la risposta verificabile in dieci secondi e rende evidente quando il modello sta ricostruendo invece di leggere — che con il 96,3% di recupero resta un rischio reale.

Il criterio completo per i progetti documentali è in miglior modello AI per documenti lunghi.

Le note fra contesti: cosa cambia nelle sessioni lunghe

Insieme ad Astra, OpenAI ha introdotto in Codex un modo diverso di gestire il contesto quando la finestra si riempie. Vale la pena capirlo perché risolve un problema noto a chiunque lavori su sessioni lunghe.

Storicamente, quando lo spazio finisce, i modelli usano la compattazione: riassumono il lavoro fatto fino a quel punto e proseguono con il riassunto. Il problema è che ogni compattazione perde dettagli — perché una correzione non ha funzionato, come si comporta un certo componente, quale ipotesi era già stata scartata.

Con Astra, Codex può tenere note attraverso finestre diverse, preservando i dettagli accumulati senza comprimerli ogni volta in un unico riassunto. In più, le finestre precedenti restano consultabili: il modello può ritrovare requisiti o risultati di test da messaggi passati anche se non erano finiti nelle note.

È una funzione sperimentale, da abilitare nella configurazione di Codex, che OpenAI dichiara diventerà predefinita nelle settimane successive.

Quanto è davvero un milione di token

Per rendere concreta la finestra, qualche riferimento pratico.

La conversione esatta dipende dalla lingua e dal tipo di testo, e l'italiano tende a consumare un po' più dell'inglese a parità di contenuto — un dettaglio che va tenuto presente quando si confrontano stime trovate online, quasi sempre calcolate su testi inglesi.

Il riferimento più utile è la penultima riga: la soglia dei 272.000 token corrisponde a alcune centinaia di pagine. Per la maggior parte dei compiti aziendali è abbondante, il che significa che la maggiorazione riguarda una minoranza di casi — ma quella minoranza va identificata prima, non scoperta in fattura.

Un confronto con le alternative

Sulla fascia alta il contesto ha smesso di essere un elemento di differenziazione: i valori si somigliano tutti. Chi sceglieva in base a quel parametro oggi deve guardare altrove.

L'eccezione è la fascia economica, dove le finestre restano più strette. Ma anche lì vale l'osservazione di fondo: 200.000 token sono alcune centinaia di pagine, sufficienti per la stragrande maggioranza dei compiti reali.

Il vero elemento distintivo di Astra su questo terreno non è la dimensione della finestra ma la qualità del recupero al suo interno, misurata dai punteggi MRCR — ed è un dato che riguarda quanto puoi fidarti di quello che ci metti dentro.

Tre letture per completare il quadro. Il quadro completo del modello è in GPT-6 Astra: cos'è e cosa cambia. Per la parte economica, che su questa fascia decide più della capacità, il riferimento è GPT-6 Astra: prezzi e come si paga. E per capire se il tuo compito lo giustifica davvero, la verifica è in GPT-6 Astra: tutti i benchmark ufficiali.

Conclusione

GPT-6 Astra offre 1.050.000 token di contesto e i migliori punteggi pubblicati sul recupero a lunga distanza: 100% fino a mezzo milione di token, 96,3% fino a un milione.

Ma la finestra grande non è un risparmio: è una possibilità che si paga a ogni chiamata, e oltre i 272.000 token al doppio della tariffa. Il lavoro che conta è selezionare cosa mandare, mettere in cache ciò che è stabile e chiedere sempre la fonte.

Se vuoi un sistema che trovi le informazioni giuste nei tuoi documenti invece di ingoiarli tutti, Giallo Studio può aiutarti a trasformare il problema in un workflow reale.

Schema consigliato: Article + FAQPage + BreadcrumbList