# Astra від OpenAI приховує хід міркувань: ціна економії > За даними Techmeme, OpenAI Astra економить обчислення через recurrent depth, але ховає хід міркувань — і це ускладнює аудит безпеки AI-агентів. - Опубліковано: 2 вересня 2026 р. (2026-09-02T02:32:13.488819+00:00) - Розділ: Безпека AI - На основі публікації: [Techmeme](https://www.techmeme.com/260901/p61#a260901p61) - Видання: AiiN (https://aiin.news) - URL: https://aiin.news/article?slug=astra-%D0%B2%D1%96%D0%B4-openai-%D0%BF%D1%80%D0%B8%D1%85%D0%BE%D0%B2%D1%83%D1%94-%D1%85%D1%96%D0%B4-%D0%BC%D1%96%D1%80%D0%BA%D1%83%D0%B2%D0%B0%D0%BD%D1%8C-%D1%86%D1%96%D0%BD%D0%B0-%D0%B5%D0%BA%D0%BE%D0%BD%D0%BE%D0%BC%D1%96%D1%97 --- OpenAI вбудувала в нову модель Astra техніку recurrent depth — спосіб рекурентно проганяти обчислення через ті самі шари мережі замість генерації розгорнутого текстового ланцюжка міркувань. За даними [Techmeme](https://www.techmeme.com/260901/p61#a260901p61), джерела повідомляють, що це заощаджує обчислювальні ресурси, але водночас ускладнює моніторинг логіки моделі ззовні. Для індустрії, яка останні два роки будувала практики безпеки навколо читабельного chain-of-thought — тобто явного тексту роздумів, який модель показує перед фінальною відповіддю, — це помітний зсув. Якщо проміжні кроки перестають існувати у вигляді токенів, які можна прочитати, звичні інструменти моніторингу агентних дій втрачають частину опори. AiiN вважає це показовим прикладом ширшого тренду: лабораторії оптимізують моделі під вартість інференсу швидше, ніж індустрія встигає домовитися про стандарти прозорості. Astra — не перша модель OpenAI, що балансує на цій межі: раніше ми писали, як та сама модель [зламує комп'ютерні системи майже як людина-пентестер](https://aiin.news/article?slug=openai-astra-зламує-комп-ютерні-системи-майже-як-людина-пентестер), тож питання контролю за її діями стоїть особливо гостро. ## Що таке recurrent depth і чим вона відрізняється від chain-of-thought? Recurrent depth — це архітектурний підхід, коли модель кілька разів прокручує один і той самий обчислювальний блок над внутрішнім станом, нарощуючи «глибину» міркувань без генерації додаткового тексту. На відміну від chain-of-thought, де кожен крок роздумів — це видимий токен у відповіді, recurrent depth тримає проміжні обчислення у прихованому векторному просторі. - Chain-of-thought: кожен крок міркування — текст, який можна прочитати й перевірити окремо. - Recurrent depth: кожен крок — прихований стан, який ніколи не серіалізується в мову. Практичний наслідок: ту саму задачу модель розв'язує за менше токенів на виході, бо частина «роботи» відбувається не в текстовому просторі, а в прихованих ітераціях, невидимих для читача. ## Чому OpenAI йде на такий компроміс? Головний мотив, судячи з формулювання Techmeme, — економія обчислень. Генерація довгого ланцюжка міркувань токен за токеном коштує часу й грошей: кожен додатковий токен — це повний прохід через усю мережу. Рекурентна глибина дозволяє моделі «думати довше» без пропорційного росту кількості вихідних токенів, а отже — робити інференс дешевшим при порівнянному рівні якості відповіді. За нашою оцінкою, для компанії, що обслуговує мільйони запитів щодня, навіть невелике скорочення середньої довжини виводу конвертується в суттєву економію на обчислювальних потужностях. ## Чому це проблема для аудиту безпеки AI-агентів? Проблема не в самій техніці, а в тому, на що спирається сьогоднішня інфраструктура безпеки. Практика chain-of-thought monitoring — коли окрема система читає текст міркувань агента, щоб упіймати спробу обману, зловживання інструментами чи відхилення від завдання, — працює лише тоді, коли ці міркування взагалі існують у формі тексту. Якщо частина логіки моделі переноситься в прихований рекурентний простір, аудитор втрачає частину сигналу. Це не означає, що модель автоматично стає небезпечнішою, — але засоби контролю, розраховані на читабельний вивід, покривають менше поверхні спостереження. Ми вже писали, чому [хтось повинен перевіряти навички AI-агента, перш ніж він зіпсує продакшн](https://aiin.news/article?slug=хто-перевірить-навички-ai-агента-перш-ніж-він-зіпсує-продакшн) — і зменшена прозорість рефлексії робить цю перевірку складнішою саме тоді, коли агенти отримують дедалі більше автономії. ## Що з цим робити AI-білдерам зараз? Наша теза: команди, що будують продукти на моделях із частково прихованим міркуванням, більше не можуть покладатися виключно на читання chain-of-thought як лінію захисту — потрібен моніторинг на рівні дій, а не лише на рівні тексту. - Логувати й перевіряти не «що модель думала», а «що модель зробила» — виклики інструментів, файлові операції, мережеві запити. - Ставити жорсткі permission-межі на агентні дії незалежно від того, чи видно хід міркувань. - Не сприймати відсутність видимого chain-of-thought як відсутність ризику — це відсутність видимості, а це принципово інша річ. Це узгоджується з тим, що ми вже спостерігали раніше: [AI-агенти вже діють швидше за захист служб безпеки](https://aiin.news/article?slug=чому-ai-агенти-діють-швидше-за-захист-служб-безпеки), і менш прозора рефлексія лише збільшує цей розрив. ## Чи означає це, що OpenAI навмисно приховує міркування? Судячи з опису джерела, головна мета — економія обчислень, а не приховування логіки. Зменшена прозорість тут — побічний ефект архітектурного вибору, а не заявлена мета розробників. ## Чи стосується це лише Astra, чи тренд ширший? Джерело говорить конкретно про модель Astra від OpenAI. Ймовірно, подібні експерименти з рекурентними обчисленнями для економії інференсу з'являться і в інших лабораторіях — але це наше припущення, а не підтверджений факт із джерела. --- Теги: OpenAI, Astra, AIбезпека, AIагенти, recurrentdepth, прозорістьAI Джерело: AiiN — https://aiin.news/article?slug=astra-%D0%B2%D1%96%D0%B4-openai-%D0%BF%D1%80%D0%B8%D1%85%D0%BE%D0%B2%D1%83%D1%94-%D1%85%D1%96%D0%B4-%D0%BC%D1%96%D1%80%D0%BA%D1%83%D0%B2%D0%B0%D0%BD%D1%8C-%D1%86%D1%96%D0%BD%D0%B0-%D0%B5%D0%BA%D0%BE%D0%BD%D0%BE%D0%BC%D1%96%D1%97. Цитуючи, посилайтесь на канонічний URL.