The builder’s guide to GPT‑5.6

The GPT‑5.6 model family makes frontier-level agent performance dramatically more affordable, while also advancing the frontier of what is possible.

In this guide, we show how startups are using smarter model selection and new API controls that help with reasoning continuity, multi-agent orchestration, and programmatic tool calling to build faster, more capable agents at a fraction of the cost.

Since GPT‑5, each model generation has sought to tackle longer-horizon tasks with fewer tokens. GPT‑5.6 continues that trajectory: stronger agent performance, lower costs, with minimal changes to the underlying harness.

The improvements in top-line cost efficiency are compounded with increased accuracy at lower reasoning efforts. For example, on Agents’ Last Exam, GPT‑5.6 Sol at “low” reasoning outperformed GPT‑5.5 at “high” reasoning when the harness was kept constant. We’ve seen similar success stories in production testing where startups report seeing significant cost improvements across a range of workflows by reducing the reasoning effort from the prior defaults.

Historically, upgrading to a flagship model at the highest reasoning available has been the best option for long-horizon use cases. This has been in large part due to these models being significantly more capable than cost-optimized models at handling longer contexts and tool calling. This has changed with the 5.6-family: with more test-time compute, Luna and Terra can often perform similar to GPT‑5.4 and 5.5 while being significantly cheaper.

Consider tasks in BrowseComp: a search-based benchmark that tests a model’s ability to search for obscure facts. Three months ago, GPT‑5.5 (Extra High) scored 84.36% on this benchmark for a total cost of $33.27. At launch, GPT‑5.6 Luna (Extra High) delivers essentially the same performance, scoring 84.04% at a cost of $1.33. We’ve since reduced prices further. Read more on our latest price cuts.

The smaller 5.6-family models are a strong fit for high-volume workloads, latency-sensitive interactions, and repeated steps within agentic workflows. For example, if you’re operating a legal-tech startup that parses handwritten memos prior to agentic analysis, instead of using a frontier model for the entire use case, you can now use Terra or Luna for extraction and register significant cost savings.

In addition to making GPT‑5.6 more performant out of the box, we also shipped new primitives to the Responses API to unlock further gains. We trained GPT‑5.6 end-to-end with three complementary architectural interventions that enable agents to operate more efficiently:

1. Reuse work already performed: by allowing reasoning to be persisted⁠(በአዲስ መስኮት ውስጥ ይክፈታል) across model turns and using native compaction⁠(በአዲስ መስኮት ውስጥ ይክፈታል) to compress long-running conversations, the model can maintain coherence in its work across longer task horizons without getting confused or having to reconstruct prior context.
2. Parallel decomposition where appropriate: using native multi-agent orchestration⁠(በአዲስ መስኮት ውስጥ ይክፈታል) allows coordinating multiple agents across parallel workstreams to finish complex tasks faster.
3. Move deterministic work into code: using programmatic tool calling⁠(በአዲስ መስኮት ውስጥ ይክፈታል) to filter, aggregate, and orchestrate tool outputs outside the model’s context window, reserving model tokens for judgment and reducing cost, latency, and context rot.

አብረው ሲጠቀሙ ልዩነቱ እጅግ ከፍተኛ ሊሆን ይችላል። ለምሳሌ፣ GPT‑5.6 Sol በመደበኛው መደበቂያ ARC-AGI-3 ላይ 13.3% ውጤት አስመዝግቧል። ነገር ግን የተቀመጠ ማመዛዘንና ኮምፓክሽን ከነቃ በኋላ፣ የውጤት tokenዎችን በግምት 6× እያነሰ ተጠቅሞ ውጤቱ ወደ 38.3% ዘለለ። በሞዴሉ ላይ ምንም ለውጥ ሳይደረግ፣ አፈጻጸሙ ወደ ሦስት እጥፍ አድጓል። ስለ ARC-AGI-3 መደበቂያ ምርመራችን እዚህ ተጨማሪ ማንበብ ይችላሉ።

ወኪል-ተኮር የሥራ ፍሰቶች ብዙውን ጊዜ ሁለት ዓይነት ሥራዎችን ያካትታሉ፦

1. ውሳኔ የሚፈልጉ ተግባራት
2. በዋናነት ውሂብን ማዘዋወር፣ ማጣራትና ማጣመር የሚፈልግ ሥራ

አንድ ወኪል 100 ሰነዶችን ሲያመጣ፣ በቀን ሲያጣራቸውና ተዛማጅ ግብይቶችን ሲለይ፣ ሞዴሉ በየአውድ መስኮቱ ውስጥ ባለው እያንዳንዱ መካከለኛ ውጤት ላይ ማመዛዘን የለበትም። ፕሮግራማዊ የመሣሪያ ጥሪ፣ GPT‑5.6 መሣሪያዎችን ለማስተባበር JavaScript እንዲጽፍ፣ ገለልተኛ ጥሪዎችን በትይዩ እንዲያስኬድና ውጤቶቻቸውን ከአውድ መስኮቱ ውጭ እንዲያስኬድ ያስችለዋል። በዚህም ሞዴሉ አስተውሎት በሚፈልገው—ውሳኔ በመስጠት—ላይ ብቻ እንዲያተኩር ይደረጋል።

ውስብስብና በትይዩ ሊሠሩ በሚችሉ ተግባራት ላይ፣ ድርጊቶችንና ማመዛዘንን በበርካታ የወኪል የሥራ ፍሰቶች ማከፋፈል ተግባሩ በፍጥነት እንዲጠናቀቅና የአስተውሎት ደረጃው እንዲጨምር ያስችላል። በእነዚህ ዝግጅቶች፣ ዋናው ወኪል ንዑስ ወኪሎችን የማስተባበርና ተግባራትን የመመደብ ኃላፊነት አለበት። ንዑስ ወኪሎቹ ግቦቻቸውን በትይዩ ያሳድዳሉ፤ በመጨረሻም ውጤታቸውን ለመጨረሻ ውህደት ወደ ዋናው ወኪል ይመልሳሉ። ቡድኖች በResponses API ውስጥ ባለብዙ ወኪልን በማንቃት⁠(በአዲስ መስኮት ውስጥ ይክፈታል) አብሮገነብ ችሎታውን መጠቀም መጀመር ይችላሉ። በChatGPT ውስጥ ያለው የUltra ችሎታ ቅንብርም በዚህ መንገድ ነው የሚሠራው።

GPT‑5.6 ተገቢውን የንዑስ ወኪሎች ብዛትና መቼ እነሱን ማሰማራት እንዳለበት ጥሩ ግንዛቤ ቢኖረውም፣ የባለብዙ ወኪል ባህሪን በቀላሉ መምራት ይቻላል። ንዑስ ወኪሎችን መቼ መጥራት እንዳለበት ለሞዴሉ መመሪያ መስጠት፣ ወኪሎች የሚሰማሩት ተጨማሪው የtoken ወጪ የተሻለ አፈጻጸም በሚያስገኝባቸው ሁኔታዎች ብቻ የመሆኑን ዕድል ይጨምራል።

በመላው የሞዴሎች ቤተሰብ፣ የጥያቄዎች መሸጎጫ TTL ቢያንስ ወደ 30 ደቂቃ ተራዝሟል፤ የመሸጎጫ መቋረጫዎችም በሞዴሉ የአውድ መስኮት ውስጥ አስቀድሞ በተወሰነ መንገድ ሊቀመጡ ይችላሉ። ይህም ጀማሪ ኩባንያዎች የመሸጎጫ ስኬት መጠናቸውን በእጅጉ እንዲያሻሽሉ አስችሏቸዋል።

የመሸጎጫ መቋረጫዎችን ከማስቀመጥ በተጨማሪ፣ ተገቢውን prompt_cache_key⁠(በአዲስ መስኮት ውስጥ ይክፈታል) መጠቀምን መቀጠል፣ ጥያቄዎች ተመሳሳዩን ቅድመ ቅጥያ ቀደም ሲል ባስኬደው የግምት ሞተር ላይ የመድረሳቸውን ዕድል በመጨመር የምላሽ ጊዜን ይቀንሳል።

በእነዚህ ምሳሌዎች ሁሉ ጎልቶ የሚታየው፣ ወኪሎችን የመገንባት ኢኮኖሚ ምን ያህል እንደተቀየረ ነው።

ቀደም ሲል በእያንዳንዱ ደረጃ ግንባር ቀደም ሞዴል ይፈልጉ የነበሩ አጠቃቀሞች፣ አሁን ትናንሽ ሞዴሎችን በመጠቀም፣ የማመዛዘን ጥረትን በማስተካከልና ቀልጣፋ የሥነ ሕንፃ ምርጫዎችን በማድረግ በወጪው አነስተኛ ክፍል ተመሳሳይ ወይም የተሻለ ውጤት ማስገኘት ይችላሉ።

ሁላችሁም የምትገነቡትን ለማየት ጓጉተናል!