ወደ ዋና ይዘት እለፍ
OpenAI

9 ጁላይ 2026

ምርትልቀት

GPT‑5.6፦ ከፍላጎትዎ ጋር የሚዛመድ ግንባር ቀደም አስተውሎት

ከእያንዳንዱ token የበለጠ አስተውሎት፣ በአንድ ዶላር የበለጠ ጠንካራ አፈጻጸም እና ለከባድ ሥራዎ በሚፈልጉት መጠን ተጨማሪ ችሎታ።

በመጫን ላይ…

ውስን ቅድመ እይታችንን ተከትሎ ለአጠቃላይ ተገኝነት የሚሆኑ የጂፒቲ-5.6 ሞዴሎችን እያስጀመርን ነው፡ አዲሱ ዋና ግንባር ቀደም SolTerra ጋር፣ ለዕለታዊ ሥራ ሚዛናዊ ሞዴል፣ እና በጣም ወጪ ቆጣቢ ሞዴላችን የሆነውን Luna ያካትታል።

GPT‑5.6 Sol በአስተውሎት እና በብቃት አዲስ መስፈርት ያስቀምጣል፣ በኮዲንግ፣ በእውቀት ሥራ፣ በሳይበር ደህንነት እና በሳይንስ ዘርፎች የዘመናዊ ውጤቶችን በማሳካት፣ በትንሽ ቶክኖች እና በዝቅተኛ የተገመተ ወጪ ከቀደሙት እና ከተፎካካሪ ግንባር ቀደም ሞዴሎች የላቀ አፈጻጸም ያሳያል። ውጤቱም በአንድ ዶላር የበለጠ ጠንካራ አፈጻጸም አለው፦ ለተመሳሳይ ወጪ የበለጠ ስኬታማ ሥራ ወይም ዝቅተኛ ጠቅላላ ወጪ ያለው ተመጣጣኝ ውጤት። በተጨማሪም በጣም ፈታኝ እና አድካሚ ሥራዎችን ለማፍጠን የሚያስችል አዲስ መንገድ እናስተዋውቃለን፦ ultra ከፍተኛ የአፈጻጸም አቅም ያለው ቅንብራችን ሲሆን፥ ውስብስብ ስራዎችን በበለጠ ፍጥነት ለማጠናቀቅ ሲባል በርካታ ወኪሎችን ጎን ለጎን በሚሄዱ የሥራ ፍሰቶች ላይ አስተባብሮ የሚያሠራ ነው። የተሻለ የኮምፒውተር አጠቃቀም እና የንድፍ ውሳኔ ያደርጋል GPT‑5.6 Sol፣ እስካሁን ድረስ በጣም የተስተካከለው ተባባሪያችን፣ እንዲመረምር፣ እንዲያሻሽል እና ለአጠቃቀም ዝግጁ የሆኑ ውጤቶችን እንዲያቀርብ ይረዳዋል።

ከእያንዳንዱ ቶክንዎች የበለጠ ጠቃሚ ሥራ ለማግኘት GPT‑5.6ን አሰልጥነናል። በ የወኪሎች የመጨረሻ ፈተና(በአዲስ መስኮት ውስጥ ይክፈታል) ላይ፣ በ55 መስኮች ውስጥ ያሉ ረጅም ጊዜ የሚፈጁ ሙያዊ የሥራ ፍሰቶችን በሚገመግም ግምገማ፣ GPT‑5.6 Sol ከClaude Fable 5 (ተላማጅ ማመዛዘን) በ13.1 ነጥቦች በመብለጥ አዲስ ከፍተኛ ውጤት 53.6 ያስመዘግባል። በመካከለኛ የማመዛዘን ደረጃ ላይ እንኳ፣ ከተገመተው ወጪ በግምት አንድ አራተኛ ያህል ብቻ በመጠቀም Fable 5ን በ11.4 ነጥብ ይበልጠዋል። ያ ውጤታማነት አስተውሎትን ይበልጥ የተትረፈረፈ እና ተመጣጣኝ ለማድረግ ወሳኝ ወደሆኑት አነስተኛ ሞዴሎችም ይዘልቃል፦ GPT‑5.6 Terra እና GPT‑5.6 Luna ከአንድ አሥራ ስድስተኛ ያህል ወጪ ጋር Fable 5ን ይበልጠዋል። በ ሠው ሰራሽ ትንተና የአስተውሎት ጠቋሚ(በአዲስ መስኮት ውስጥ ይክፈታል) ላይ፣ ወኪላዊ ሥራን፣ ኮድ መጻፍን፣ ሳይንሳዊ ማመዛዘንን እና አጠቃላይ ችሎታዎችን የሚሸፍን ሰፊ የአስተውሎት መለኪያ ሲሆን፣ GPT‑5.6 Sol ከከፍተኛ ማመዛዘን ጋር ከFable 5 በአንድ ነጥብ ውስጥ ይቀርባል፣ ተግባራትንም በ61 % ያነሰ ጊዜ እና ከተገመተው ወጪ ግማሽ ገደማ ያጠናቅቃል።

የወኪሎች የመጨረሻ ፈተና(በአዲስ መስኮት ውስጥ ይክፈታል)፦ በሙያዊ ዘርፎች ላይ የሚካሄዱ የረጅም-ጊዜ ኤጀንቲክ የሥራ ፍሰቶች።

GPT‑5.6 እስከዛሬ ድረስ ያዘጋጀናቸውን በጣም ጠንካራ የመከላከያ እርምጃዎች ይዞ ይፋ ይሆናል፤ እነዚህም ሕጋዊ ሥራን በሰፊው ሳይገድቡ፣ በጽኑ ዓላማ እና በመላመድ ለሚፈጸም አላግባብ አጠቃቀም መቋቋም እንዲችሉ የተነደፉ ናቸው። ከአጠቃላይ ተደራሽነት በፊት፣ ሞዴሎቹን እና መከላከያዎቹን እስካሁን ድረስ በጣም ሰፊ የግምገማ ጊዜ ውስጥ አስገብተን ፈትነናል፤ ይህም በሰዎች የሚካሄድ በእሳት መፈተን እና በትልቅ መጠን የሚካሄድ ራስ-ሰር ሙከራን በማጣመር ነው። በቅድመ እይታው ወቅት፣ በሰፊ ደረጃ ከመለቀቁ በፊት መከላከያዎችን በጫና ሙከራ ለመፈተሽ እና የደኅንነት መጠበቂያዎችን ለማጠናከር፣ ከባለሙያ ድርጅቶች እንዲሁም ከታመኑ አጋሮች ጋር በቅርበት ሠርተናል። የተገኘው ስርዓት በሞዴሉ ውስጥ የሰለጠኑ ጥበቃዎችን ከቅጽበታዊ ምርመራዎች፣ ክትትል፣ እና በእምነት እና በአደጋ መጠን የተመጣጠነ መዳረሻ ጋር በንብርብር ያዋህዳል።

በነባሪነት ቀልጣፋ፣ ሲፈለግ ከፍተኛ አፈጻጸም

GPT‑5.6 Sol እስካሁን ድረስ ምርጡ የኮዲንግ ሞዴል ነው። በ ሰው ሰራሽ ትንተና የኮዲንግ ወኪል መረጃ ጠቋሚ ላይ፣ ከፍተኛ የማመዛዘን አቅም ያለው GPT‑5.6 Sol ከግማሽ ያነሰ የውጤት ቶክኖችን በመጠቀም፣ ከግማሽ ያነሰ ጊዜ በመውሰድ እና ወጪውን በአንድ ሦስተኛ ያህል በመቀነስ፣ ከFable 5 በ2.8 ነጥብ በልጦ በ80 ነጥብ አዲስ የቴክኖሎጂውን ከፍተኛ ደረጃ ያስመዘግባል። ያ ጥቅም በመላው ቤተሰቡ ይዘልቃል፦ Terra ከFable 5 በትንሽ ከፍ ያለ አፈጻጸም ያሳያል፣ Luna ደግሞ ከOpus 4.8 በአፈጻጸም ይበልጣል፤ እያንዳንዱም ይህን በግምት ከጊዜው በአንድ ሦስተኛ ውስጥ፣ በግምት ግማሽ ያህል የውጤት ቶክንዎች ብቻ በመጠቀም፣ እና በተገመተው ወጪ በግምት አንድ አራተኛ ያከናውናል። እንዲሁም ውስብስብ የትዕዛዝ-መስመር የሥራ ፍሰቶችን እና በእውነተኛ የኮድ መሠረቶች ውስጥ የረጅም-ጊዜ ምህንድስናን የሚፈትኑትን በTerminal‑Bench 2.1 እና DeepSWE ላይ አዲስ የዘመኑ ምርጥ ውጤቶችን አስመዝግቧል።

የሰው ሠራሽ ትንተና ኮዲንግ ኤጀንት መረጃ ጠቋሚ፦ በትግበራ፣ በተርሚናል አጠቃቀም እና በእውነተኛ ኮድቤዞች ላይ የኮዲንግ ኤጀንቶችን አፈጻጸም የሚለካ ገለልተኛ መረጃ ጠቋሚ ነው።

GPT‑5.6 መሳሪያዎችን የሚያስተባብሩ፣ መካከለኛ ውጤቶችን የሚያቀናብሩ፣ እድገትን የሚከታተሉ፣ እና ሥራው እየተካሄደ ሲሄድ ቀጣዩን እርምጃ የሚመርጡ ቀላል ፕሮግራሞችን መጻፍ እና ማስኬድ ይችላል። ይህ ብዙ መሣሪያዎችን የሚጠቀሙ ተግባራት በትንሽ ቶokenዎች፣ በትንሽ የሞዴል የጥያቄ-ምላሽ ዙሮች እና በትንሽ መመሪያ እንዲቀጥሉ ያስችላቸዋል። ገንቢዎች እያንዳንዱን እርምጃ በስክሪፕት እንዲጽፉ ወይም እያንዳንዱን የመሣሪያ ምላሽ እንደገና በሞዴሉ በኩል እንዲያስተላልፉ ከመጠየቅ ይልቅ፣ በResponses API ውስጥ ያለው በመርሐ ግብር የታገዘ መሣሪያዎችን የመጥራት ሂደት(በአዲስ መስኮት ውስጥ ይክፈታል) ብዙ መጠን ያለውን መካከለኛ ውሂብ ማጣራት፣ አስፈላጊውን ብቻ ማስቀመጥ እና በሂደቱ መካከል የሥራ ፍሰቱን ማስተካከል ይችላል።

ከፍተኛ ጊዜና የማስላት ሀብት መመደብ ለሚጠይቁ ችግሮች፣ GPT‑5.6 ከዚህ ቀልጣፋ መደበኛ አሠራሩ በላይ በመሄድ የላቀ አፈጻጸም ማሳየት ይችላል። max ለGPT‑5.6 ከ xhigh ይልቅ እጅግ የበለጠ ጊዜ ለማመዛዘን እና አማራጮችን ለማሰስ፣ ፍተሻዎችን ለማካሄድ፣ እና አቀራረቡን ለመከለስ ይሰጣል። ultra ደግሞ በነባሪነት አራት ወኪሎችን በተዛማጅ ሁኔታ በማስተባበር አንድ ደረጃ ይበልጥ ይሄዳል፣ በዚህም ከፍተኛ የቶክን አጠቃቀምን በመቀበል፣ ብዙ ጥረት በሚጠይቁ ተግባራት ላይ ጠንካራ ውጤቶችን እና ወደ ውጤት ለመድረስ ፈጣን ጊዜን ያቀርባል። ከታች ያሉት ገበታዎች የultra ነባሪ የአራት-ወኪል ቅንብርን ከአንድ-ወኪል መነሻ መስመር ጋር በBrowseComp፣ SEC-Bench Pro እና Terminal-Bench 2.1 ላይ ያነጻጽራሉ፤ BrowseComp እና SEC-Bench Pro እንዲሁም የ16-ወኪል ውቅሮችን ያሳያሉ። በሦስቱም ግምገማዎች ላይ፣ ተዛማጅ ወኪሎችን መጨመር ግንባር ቀደም ወደ ላይ እና ወደ ግራ ያንቀሳቅሳል፣ በአነስተኛ ጊዜም የበለጠ ጠንካራ ውጤቶችን ያስገኛል። በAPI ውስጥ፣ ገንቢዎች በResponses API ውስጥ ያለውን ባለ ብዙ-ወኪል ቤታ በመጠቀም እጅግ የላቁ ተሞክሮዎችን መገንባት ይችላሉ።

1 ከ 11
GPT‑5.6 በCursorBench ላይ ከፈተናቸው በጣም ጠንካራ ሞዴሎች አንዱ ሲሆን፣ በቀደምት ግምገማዎች ጠንካራ ውጤቶችን አቅርቧል። ለገንቢዎች በቀጣይነት፣ በአስተውሎት እና በአጠቃላይ ቅልጥፍና አስደሳች የእድገት እርምጃ ነው። ይህን ሞዴል ለCursor ተጠቃሚዎቻችን ለማቅረብ በከፍተኛ እና በሙያዊ መንገድ እንጠባበቃለን።
—Oskar Schulz፣ በCursor ፕሬዚዳንት

በንድፍ ውስጥ የተሻለ እድገት

GPT‑5.6 በዲዛይን ውሳኔ ላይ አስፈላጊ ለውጥ አምጥቷል። በከፍተኛ አቅጣጫ ጠቋሚ መመሪያ ብቻ፣ GPT‑5.6 ውበት ያላቸው፣ ለተጠቃሚ ምቹ እና ተግባራዊ የሆኑ በይነገጾችን ይፈጥራል። የእሱ የተጠናከሩ ኮምፒውተር መጠቀም ችሎታዎች የታየውን ውጤት እንዲመረምርና እንዲያሻሽል ያስችላሉ—መሠረታዊ ኮድ ወይም ይዘት ማመንጨት ብቻ ሳይሆን—ስለዚህ የዕይታና የተግባር ችግኞችን ሊያገኝ እና ሥራውን ከመመለሱ በፊት የመጨረሻ ማሻሻያዎችን ሊተገብር ይችላል።

እርምጃ፦ ለእኔ የ3d የሸራ ጀልባ ጨዋታ መገንባት ትችላለህ? ቢትማፖች/ቴክስቸሮች/ስፕራይቶች ለሚፈልግ ማንኛውም ነገር (ወይም ለሚገነቡት ማንኛውም የ3d ሞዴል የሞክአፕ ማጣቀሻ መኖሩ ከረዳ) imagegenን በነፃነት መጠቀም ይችላሉ።

የGPT‑5.6 የፍሮንትኤንድ ችሎታዎች እንዲሁም በተፈጥሯዊ ቋንቋ የቀረቡ ጥያቄዎችን በChatGPT ሥራ ውስጥ በጥራት የተዘጋጁ፣ መስተጋብራዊ ማብራሪያዎችና ምስላዊ አቀራረቦችንም ጭምር ይቀይራሉ።

እርምጃ፦ እንዴት እንደሚሠራ ለማብራራት መስተጋብራዊ ስፓይሮግራፍ ፍጠር።

ከመጀመሪያ እስከ መጨረሻ የእውቀት ሥራ

GPT‑5.6 ለሙያዊ ተግባራት የተሻሉ ውጤቶችን ያቀርባል። ከሰነዶችዎ እና እንደ Slack፣ Notion፣ Microsoft 365 እና Google Drive ካሉ የዕለት ተዕለት የስራ ፍሰቶችዎ ውስጥ ያለውን የተዘበራረቀ አውድ ይወስዳል እና በባለሙያ ደረጃ ወደተዘጋጁ፣ ሊጋሩ ወደሚችሉ ውጤቶች ይለውጠዋል።

የGPT‑5.6 በእውቀት ሥራ ላይ ያለው ጥንካሬ በረጅም ጊዜ የሙያዊ ትንተና፣ ማሰስ፣ የመሣሪያ አጠቃቀም እና የኮምፒውተር አጠቃቀም የሚያካትቱ ግምገማዎች ውስጥ ይታያል። GPT‑5.6 Sol በ BrowseComp ላይ 92.2% እና በ OSWorld 2.0 ላይ 62.6% የሆኑ ከሁሉ የላቁ አዳዲስ ውጤቶችን ያስመዘግባል፤ በOSWorld ላይ ደግሞ 85% ያነሱ የውጤት ቶክንዎች በመጠቀም Opus 4.8ን ይበልጣል። እዚህ፣ በአንድ ዶላር የሚገኝ የአፈጻጸም ማሻሻያ በመላው የGPT‑5.6 ቤተሰብ ይታያል። Luna ከGPT‑5.5 ጋር ሊዛመድ ተቃርቧል ከፍተኛ አቅም ከተገመተው ወጪ በግማሽ ባነሰ ዋጋ፣ Terra ደግሞ በዝቅተኛ ወጪ ከዚህ ይበልጣል።

BrowseComp፦ GPT‑5.6 Sol የወኪላዊ አሰሳ ተግባራትን በሚያካትተው BrowseComp ላይ አዲስ የዘመኑ ምርጥ ደረጃን አስመዝግቧል።

GPT‑5.6 Sol በአቀራረቦች፣ በሰነዶች እና በተመን ሉሆች ውስጥ ጥራትን ያሻሽላል፣ የበለጠ የተስተካከሉ እና ትክክለኛ ውጤቶችን ያመነጫል። ማናቸውንም እርምጃዎች እና መነሻ መረጃዎችን ወደ ወጥ የሆነ ምስላዊ ትረካ በመቀየር፣ ጠንካራ አቀማመጦች፣ ቅደም-ተከተላዊ መዋቅሮች እና ንድፎች ያሏቸው ሙሉ በሙሉ ሊስተካከሉ የሚችሉ አቀራረቦችን ከባዶ መፍጠር ይችላል።

አብነቶችን እና የማጣቀሻ ስላይድ ስብስቦችን ሲከተሉ፣ ማሻሻያው በተለይ ጎልቶ ይታያል። GPT‑5.6 የስላይድ አቀራረብ የንድፍ ሥርዓትን—አቀማመጦችን፣ ታይፖግራፊን፣ ክፍተትን፣ ቀለሞችን እና ተደጋጋሚ የይዘት ንድፎችን፣ በስላይድ ማስተር ውስጥ የተካተቱ ደንቦችንም ጨምሮ—መገንዘብ እና እነዚህን መመሪያዎች በአዲስ ይዘት ላይ በተከታታይነት መተግበር ይችላል። በዚህ ምሳሌ፣ በማጣቀሻ ፋይል ላይ ተመስርቶ ቁጥሮችን እንዲያዘምን ሲጠየቅ፣ የGPT‑5.5 ውጤት ከማስተር ስላይዱ ቁልፍ ክፍሎች ይጎድሉታል፣ GPT‑5.6 ግን የማጣቀሻውን መዋቅር በበለጠ ታማኝነት ይከተላል።

ማጣቀሻ ፋይል
ለGPT-5.6 የቅጥ ቅድሚያ ማዛመድ ስላይድ
የGPT‑5.5 ውጤት
ለስታይል ማዛመድ የGPT-5.5 ውጤት ስላይድ

GPT‑5.5 የዋናው ስላይድ ቁልፍ አካላት ጎድለውታል

የ GPT‑5.6 ውጤት
ለቅጥ ማዛመድ የGPT-5.6 ውጤት ስላይድ

GPT‑5.6 ደግሞ በእይታ ይበልጥ የተዋቡ ሰነዶችን እና ሰንጠረዦችን ይፈጥራል። ውስብስብ የማጣቀሻ ቅርጸቶችን በይበልጥ በታማኝነት ይከተላል፣ ይህም ሊደገሙ ለሚችሉ የእውቀት ሥራ ተግባራት አስፈላጊ ነው። ሂሳብ ስሌቶችን እና የፋይናንስ ሞዴሎችን በበለጠ ትክክለኛነት ያስተናግዳል፣ እንዲሁም ታይፖግራፊን፣ ክፍተትን፣ ተዋረድን እና የገጽ ወይም የሰንጠረዥ አቀማመጥን በተሻለ ሁኔታ ይጠቀማል።

GPT‑5.6ን የሞከሩ ቀደምት ደንበኞች በተለያዩ መስኮች የእውቀት ሥራ ውጤቶች ላይ መሻሻሎችን አይተዋል።

1 ከ 9
GPT‑5.6 የምርት ደረጃ መተግበሪያዎችን ከመገንባት የሚከተሉት ረጅምና ውስብስብ የሥራ ፍሰቶች ላይ በተለይ ቀልጣፋ ነው። Lovable አሁን ከሚጠቀምባቸው ሞዴሎች አንዱ ሆኖ፣ ከቀድሞው ሞዴል ጋር ሲነጻጸር በግምት 25% ያነሱ ደረጃዎችን እና 35–48% ያነሱ የመሣሪያ ጥሪዎችን በመጠቀም ለተጠቃሚዎች ውጤት ያመጣል፣ በተጨማሪም የፕሮጀክት ስኬትን ያሻሽላል እና የሚቀሩ አሂዶችን በ15% ይቀንሳል። ይህ ከሐሳብ ወደ በተግባር የሚሠራ መተግበሪያ ለመሄድ ለሚሞክር ማንኛውም ሰው ጉልህ ልዩነት ነው።
—Fabian Hedin፣ በLovable ተባባሪ መሥራች

በሳይበርና በሳይንስ ግንባር ቀደም እድገት ማድረግ

GPT‑5.6 በእጅጉ ያነሱ token በመጠቀም ግንባር ቀደም አፈጻጸምን በማሳካት፣ እስካሁን ድረስ በጣም ጠንካራው የሳይበር ደኅንነት ሞዴል ነው። በ ExploitBench2፣ ላይ፣ ከተጋላጭ ኮድ መድረስ እስከ የዘፈቀደ ኮድ አፈጻጸም ድረስ ያለውን እድገት የሚለካው፣ ከGPT‑5.5 ውጤት ጋር ሲነጻጸር 73.5% ያስመዘግባል ተመጣጣኝ በሆነ የውጤት-ቶክን በጀት ላይ 47.9%። በ ExploitGym3 ወኪሎችን የእውነተኛ ዓለም ተጋላጭነቶችን ወደ ሥራ ላይ የሚውሉ መበዝበዣዎች እንዲቀይሩ በሚጠይቀው፣ የGPT‑5.5ን በእጥፍ ያህል ይጨምረዋል በሁለት ሰዓቱ ገደብ ስር ከፍተኛው የማለፊያ ምጣኔ ከ15.1% ወደ 24.9% ከፍ ይላል፤ በስድስት ሰዓት ግን 33.7% ይደርሳል። ውስብስብ በሆኑ መተግበሪያዎች ላይ የተግባራዊነት ማረጋገጫ መፍጠርን በሚፈትነው SEC-Bench Pro፣ ላይ፣ ከGPT‑5.5 አንጻር 71.2% ያስመዘግባል። 45.8% በተሻሻለ የምላሽ ጊዜ።

GPT‑5.6 እንደ የደኅንነት ኮድ ግምገማ፣ ፓች ማድረግ፣ የስጋት ሞዴሊንግ እና የብሉ ቲሚንግ ያሉ አስፈላጊ የመከላከያ ተግባራትን ይደግፋል። በ OpenAI Daybreak የታመነ መዳረሻ ለሳይበር መርሐ ግብር ውስጥ ያሉ ብቁ የሆኑ ግለሰቦችና ድርጅቶች፣ በተፈቀዱ አካባቢዎች ለተረጋገጠ ሥራ የበለጠ ትክክለኛ የጥበቃ መርሆችን በመጠቀም፣ የተጋላጭነት ምደባ እና ማረጋገጫ፣ የማልዌር ትንተና፣ የመለየት ምህንድስና እና የፓች ማረጋገጫን ጨምሮ፣ ከመከላከያ አቅሙ ተጨማሪ ተደራሽነት ሊያገኙ ይችላሉ።

ግለሰቦች ማንነታቸውን ማረጋገጥ እና የታመነ መዳረሻ መጠየቅ(በአዲስ መስኮት ውስጥ ይክፈታል) ይችላሉ፣ ድርጅቶችም ለቡድኖቻቸው ማመልከት ይችላሉ። የግል አባላት የእኛን የላቀ የሳይበር አቅም ያላቸውን የግንባር ቀደም ሞዴሎች የመጠቀም መብታቸውን ለማስቀጠል እስከ ሴፕቴምበር 1 ድረስ በሃርድዌር የተደገፉ የይለፍ ቁልፎችን በመጠቀም የላቀ የመለያ ደህንነትን(በአዲስ መስኮት ውስጥ ይክፈታል) ማግበር ይኖርባቸዋል፣ ይህንን የማያደርጉት ግን ወደ መደበኛው የመጠቀም መብት ይመለሳሉ። በሃርድዌር የተደገፉ የይለፍ ቁልፎች አስቀድመው የሌሏቸው ተጠቃሚዎች ከአጋራችን Yubico የተመረጠ ዋጋ(በአዲስ መስኮት ውስጥ ይክፈታል) ማግኘት ይችላሉ። እንዲሁም ከፍተኛ ስጋት ያላቸው አካላትን እና በከፍተኛ ስጋት ያሉ የሕግ ሥልጣን ክልሎች ውስጥ መዳረሻን ለመገደብ ተጨማሪ እርምጃዎችንም እየወሰድን ነው።

ExploitBench፦ በደረጃ እየጨመረ ተጨማሪ ችሎታ ያላቸውን የV8 መበዝበዣዎችን መገንባት፤ GPT‑5.6 ከGPT‑5.5 ጋር ሲነጻጸር ትልቅ መሻሻል ያሳያል። የመዘግየት ገበታው አይታይም፣ ምክንያቱም ለዚህ ቤንችማርክ የመዘግየት ግምት አስተማማኝ አይደለም።

GPT‑5.6 Sol እንዲሁም በሳይንሳዊ ምርምር ዘርፍ ሰፊ መሻሻሎችን ያሳያል። በሕይወት ሳይንስ ግምገማዎች ላይ፣ GPT‑5.6 በእውነተኛው ዓለም ስነ ሕይወት፣ በሕይወት ሳይንስ ምርምር የሥራ ፍሰቶች እና በኬሚስትሪ ላይ ከGPT‑5.5 የፓሬቶ መሻሻሎችን ያሳያል።

የGeneBench Proየረጅም ጊዜ ጂኖሚክስ እና ቁጥራዊ የስነ ሕይወት ትንታኔዎች፤ GPT‑5.6 በጥቂት ቶክንዎች እና በጥቂት ጊዜ የተሻለ ውጤት ያሳካል። Claude Fable 5 የላቁ የስነ ሕይወት ጥያቄዎችን ስለማይመልስ(በአዲስ መስኮት ውስጥ ይክፈታል) እና በዚህ ግምገማ ውስጥ አብዛኛዎቹን ጥያቄዎች ለመመለስ አልተካተተም።

GPT‑5.6 OpenAI ን ያፋጥናል

GPT‑5.6 የሰው ሠራሽ አስተውሎት (AI) ምርምርን ለማፋጠን እስካሁን ያገኘነው በጣም ጠንካራ ሞዴል ነው። በOpenAI ውስጥ፣ ተመራማሪዎች በግንባታ ሂደቱ፦ ውስጥ ሙሉ በሙሉ ይጠቀሙበታል፦ ውድቀቶችን በመለየት፣ የስልጠና ሥርዓቶችን በማሻሻል፣ ሙከራዎችን በማካሄድ እና ውጤቶችን በመተርጎም። በGPT‑5.6 የውስጥ ሙከራ ወቅት፣ እንደ ፍጥነት እና ከፍተኛ ተቀባይነት አስቀድመን አይተናል፤ ምክንያቱም በአንድ ንቁ ተመራማሪ የቀን አማካይ የውጤት ቶክንዎች ለGPT‑5.5 ከተስተዋለው ከፍተኛው ደረጃ በሁለት እጥፍ በላይ ነበሩ።

ይህ የሥራ አሰራር በፍጥነት መደበኛ እየሆነ ነው። ባለፉት ስድስት ወራት ውስጥ፣ ለውስጣዊ ኮድ ማጠቃለያ የተመደበው የምርምር ስሌት ድርሻ 100 እጥፍ አድጓል፣ የውስጥ ኤጀንቲክ ቶክን አጠቃቀም ደግሞ በግምት 22 እጥፍ ጨምሯል። እነዚህ የተቀባይነት መለኪያዎች በራሳቸው የምርምር እድገትን አይመዘኑም፣ ነገር ግን የሰው ሠራሽ አስተውሎት (AI) እገዛ ለምርምር እና እንደ ሽያጭ፣ ማስታወቂያ፣ የተጠቃሚ አሠራሮች፣ ፋይናንስ እና ሌሎች ቡድኖች ውስጥ በፍጥነት እየጨመረ እንደሆነ ያሳያል።

ይህን ችሎታ በቀጥታ ለመለካት፣ የምርምር ስርዓቶችን ስህተት ማረም፣ ከርነሎችን እና የስልጠና መመሪያዎችን ማመቻቸት፣ የማሽን መማር ሙከራዎችን ማካሄድ፣ እና ሌላ ሞዴልን ማሻሻልን ጨምሮ፣ በእውነተኛ የኤ.አይ ምርምር ተግባራት ላይ የተመሠረተ ውስጣዊ የግምገማዎች ስብስብ አዘጋጀን።

የተጠቃለለ የRSI ችሎታ፦ በተደጋጋሚ ራስን ማሻሻል እድገትን ለሚመዘን የግምገማ ስብስብ ላይ፣ GPT‑5.6 Sol ከ GPT‑5.5 በ16.2 ነጥብ የተሻሻለ መሆኑን እንመለከታለን፣ ይህም የውስጥ ምርምርን በሁሉም ዘርፎች እያፋጠነ ነው።

የሞዴሉ ችሎታ እየጨመረ ሲሄድ፣ የደኅንነትና የጥበቃ አቅሞችንም በተመጣጣኝ ሁኔታ ማሳደግ 

የሞዴል አቅሞች እየጨመሩ ሲሄዱ፣ የላቀው አስተውሎት በሰፊው ጠቃሚ ሆኖ እንዲቀጥል ለማድረግ የደህንነት መዋቅራችንን እናጠናክራለን፣ በተመሳሳይ ጊዜም ከፍተኛ ስጋት ላለባቸው አጠቃቀሞች የላቀ ጥብቅ ቁጥጥር እናደርጋለን። ለGPT‑5.6፣ እስካሁን ድረስ በጣም ጠንካራውን የደኅንነት ሥርዓታችንን ገንብተናል፤ ይህም ከእያንዳንዱ ሞዴል አቅሞች ጋር ተስማሚ ሆኖ የተስተካከለ እና ከመቼውም ጊዜ በላይ በብዙ የስሌት ኃይል የተደገፈ ነው።

የGPT‑5.6 ሞዴሎች በባዮሎጂና በሳይበር ደኅንነት መስኮች ከቀደሙት ሞዴሎቻችን የበለጠ ብቃት አላቸው፣ ነገር ግን በሁለቱም ምድቦች የወሳኝ ገደብን አላልፉም። በሳይበር ደኅንነት መስክ፣ ሙከራችን እንደሚያመለክት GPT‑5.6 የተጠናከሩ ዒላማዎች ላይ በራሱ ተነስቶ ከመጀመሪያ እስከ መጨረሻ ጥቃቶችን በታማኝነት ከማካሄድ ይልቅ ደካማ ነጥቦችን በማግኘት እና በማስተካከል የተሻለ መሆኑን ያመለክታል፤ ይህም ደካማ ነጥቦች ጥቅም ላይ ከመዋላቸው በፊት ለመከላከያ ባለሙያዎች ሥርዓቶችን ለማጠናከር እድል ይሰጣል። በባዮሎጂ መስክ፣ ሙከራችን እንደሚያመለክት GPT‑5.6 ሕጋዊ ምርምርን መደገፍ ይችላል፤ ነገር ግን እጅግ አደገኛ አዲስ ስጋትን ለመፍጠር፣ በምህንድስና ለማበጀት ወይም ለማዋሃድ የሚያስፈልገውን ከመጀመሪያ እስከ መጨረሻ ያለ ሙሉ አቅም አያቀርብም።

ሁለቱም ጎራዎች በተፈጥሯቸው ሁለትዮሽ ጥቅም ላይ የሚውሉ ናቸው። በሳይበር ደኅንነት ውስጥ፣ አንድ አጥቂ አንድን ተጋላጭነት ለመበዝበዝ ሊረዱት የሚችሉ ተመሳሳይ አቅሞች፣ ተከላካይ ያንን ተጋላጭነት እንዲያገኘው፣ በድጋሚ እንዲያመርተው እና አስተማማኝ ማስተካከያ እንዲገነባ ሊረዱት ይችላሉ። ስለዚህ ከመጠን በላይ ማገድ በራሱ የደኅንነት ስጋት ይፈጥራል። ይህ ተከላካዮች ሥርዓቶችን እንዳይፈትሹ እና ፓቾችን እንዳያሰማሩ ሊከለክላቸው ይችላል፣ በዚህ መካከል ግን ክፉ አካላት በአቅም እየጨመሩ ያሉ የክፍት ምንጭ ሞዴሎችን ጨምሮ ሌሎች ሞዴሎችን፣ እንዲሁም የተረጋገጡ መሣሪያዎችን መጠቀማቸውን ይቀጥላሉ። ውጤታማ የመከላከያ እርምጃዎች የጥያቄውን አውድና ሊከሰቱ የሚችሉ ውጤቶችን ግምት ውስጥ ያስገባሉ፤ ሕጋዊ የመከላከያ ሥራን እየጠበቁ፣ ማስረጃው ከባድ የጉዳት ስጋት መኖሩን በሚያመለክትባቸው ሁኔታዎች ግን የበለጠ ጠንካራ ቁጥጥሮችን ይተገብራሉ።

የGPT‑5.6 መከላከያ ሥርዓቶች ለበለጠ ትክክለኛነትና ተደጋጋሚነት በተለያዩ ደረጃዎች ተዋቀሩ እና አዳዲስ ጥቃቶች ሲታዩ በፍጥነት ለመለወጥ ተከናውኗል። በሞዴሉ ውስጥ የተሰለጠኑ መከላከያዎች ከእውነተኛ ጊዜ ፍተሻዎች፣ ቀጣይ ክትትልና የአካውንት ደረጃ ማስፈጸም ጋር በጋራ ይሰራሉ፤ እንዲሁም አንድ የተወሰነ ደረጃ እንደታሰበ ባይሠራም ሥርዓቱ ደኅንነቱን እንዲጠብቅ ይረዳል። በብዙ ሥርዓቶች ውስጥ፣ ጉዳትን ለመከላከል ለመቀየር የበለጠ አስቸጋሪ በሆኑ ዝቅተኛ አስተውሎት ያላቸው ሞዴል ላይ በመተማመን፣ የመመደቢያ ምልክቶች ብቻ ምን እንደሚታገድ ይወስናሉ። ዘዴያችን ጉዳት የመድረስ እድል ካለ ለመወሰን ውይይቱን የሚገመግም የማመዛዘን ተቆጣጣሪ ያክላል። ይህ ንድፍ፣ ከባድ ያልተገባ አጠቃቀምን እየከለከለ የመከላከያ ሥራን ለማስቻል ተደርጓል፤ በጣም ስሱ ችሎታዎች ደግሞ በታማኝ መዳረሻ በኩል ለተረጋገጡ ተጠቃሚዎች ብቻ የተያዙ ናቸው። አንዳንድ መከላከያ ዘዴዎች በሙከራ ጊዜ ማመዛዘንን ስለሚጠቀሙ፣ መዳቢዎችን ከመጀመሪያ እንደገና ሳናሰለጥ ክፍተቶችን ለመዝጋት በፍጥነት ማዘመን እንችላለን።

ተለዋዋጭ ጥቃቶችን ለመቋቋም ሥርዓቱን ማጠናከራችንን ስንቀጥል፣ ይበልጥ ጥንቃቄ የተሞላበት አቀራረብ እየተከተልን ነው። ከቀደሙት ሞዴሎች ጋር ሲነጻጸር፣ የእኛ GPT‑5.6 የSol፣ የሳይበር መከላከያዎች በግምት አሥር እጥፍ የበለጠ ሊጎዳ የሚችል እንቅስቃሴን ይከላከላሉ። እነዚህ እርምጃዎች ለጉዳት የማያስከትል አጠቃቀም እንቅፋት ሊፈጥሩ ስለሚችሉ፣ በChatGPT እና Codex ውስጥ እርምጃዎችን ዝቅተኛ አቅም ባላቸው ሞዴሎች ላይ በቀላሉ በድጋሚ ለመሞከር አማራጭ እንሰጣለን፣ እንዲሁም ከፍተኛ የጥንካሬ መመዘኛን በመጠበቅ፣ የመከላከያ ጥበቃዎቻችን በጉዳት የማያስከትል አጠቃቀም ላይ የሚኖራቸውን ተጽዕኖ መቀነስን እንቀጥላለን። ይህ የእኛን በዙር የሚከናወን የማሰማራት አቀራረብ ያንጸባርቃል፦ በጥንቃቄ በመጀመር እና ከተግባራዊ አጠቃቀም ከምንማረው ላይ በመመስረት በመሻሻል።

ከአጠቃላይ ተደራሽነት በፊት፣ እስካሁን ድረስ ካካሄድናቸው ሁሉ በጣም ጥልቅ የደኅንነት ግምገማዎችን አካሄድን፤ ይህም ሰፊ በእሳት መፈተን፣ ከውጭ ባለሙያዎች ጋር ጠንካራ የችሎታ እና የመከላከያ ፈተናን፣ እንዲሁም በግምት 700,000 A100e GPU ሰዓታት የጥቁር-ሣጥን ራስ-ሰር በእሳት መፈተንን ያካትታል። ይህም ሊኖሩ የሚችሉ ደካማ ነጥቦችን በሥርዓት እንድንፈትሽ፣ ጄልብሬክስን እንድናጋልጥ፣ እና ሥርዓቱን ከማስጀመሩ በፊት እንድናጠናክር አስችሎናል።

ፍጹም ደህንነት የሚባል ነገር የለም፣ እና እየጨመረ አቅም ያላቸውን ሞዴሎች ለማስጠበቅ የምናከናውነው ሥራ ይቀጥላል። አዳዲስ ድክመቶች ይገኛሉ፤ ነባር መከላከያዎችን የሚያልፉ አዳዲስ ጄልብሬክስም እንዲሁ ይገኛሉ። እያንዳንዱ አዲስ የሞዴል ትውልድ ደግሞ ለጥቃትና ለአላግባብ አጠቃቀም አዳዲስ መንገዶችን ይፈጥራል። ያንን እውነታ በመጠን በተደራራቢ መከላከያዎች፣ ቀጣይነት ባለው ክትትል፣ ፈጣን ማስተካከያ እና በመከላከያ ማኅበረሰብ ውስጥ ባለ ትብብር እንገንባለን። ለGPT‑5.6፣ አሁን ያሉ የደህንነት(በአዲስ መስኮት ውስጥ ይክፈታል) እና የባዮሎጂ የተጋላጭነት ሽልማት ፕሮግራሞቻችንን ከአዲስ ፈጣን የማስተካከያ ሂደት እና እስካሁን ካደረግነው በጣም ጠንካራ የክትትል ጥረት ጋር አጣምረናል። ከተመራማሪዎች፣ ከክትትል፣ እና በእውነተኛ ዓለም ከሚከሰት አላግባብ አጠቃቀም የሚገኙ ግኝቶች በቀጣይነት ለአዳዲስ ግምገማዎች እና ለይበልጥ ጠንካራ የመከላከያ እርምጃዎች ግብዓት ይሆናሉ።

ተዘመነው የGPT‑5.6 የሥርዓት ካርድ(በአዲስ መስኮት ውስጥ ይክፈታል) ውስጥ ስለ መከላከያዎቻችን ተጨማሪ ያንብቡ።

ተገኝነት እና የዋጋ አወጣጥ

GPT‑5.6 ሦስት የሞዴል ደረጃዎችን ያካትታል፦ Sol፣ ዋና ሞዴላችን፤ Terra፣ ከGPT‑5.5 ጋር ተወዳዳሪ አፈጻጸም ያለው ዝቅተኛ ወጪ ሞዴል፤ እና Luna፣ ፈጣኑ እና በጣም ተመጣጣኝ ዋጋ ያለው ሞዴላችን። ቁጥሩ ትውልዱን ያመለክታል፤ Sol፣ Terra እና Luna ግን በራሳቸው የጊዜ ሂደት መሻሻል የሚችሉ ዘላቂ የችሎታ ደረጃዎች ናቸው።

GPT‑5.6 ከዛሬ ጀምሮ በChatGPT፣ በCodex፣ እና በOpenAI API ላይ ይገኛል። ልቀቱ አሁን በዓለም አቀፍ ደረጃ እየጀመረ ሲሆን፣ በሚቀጥሉት 24 ሰዓታት ውስጥ ወደ ሙሉ ተደራሽነት በሂደት ይቀጥላል።

  • ውይይት፦ Plus፣ Pro፣ Business እና Enterprise ተጠቃሚዎች GPT‑5.6 Solን በመካከለኛ እና ከፍተኛ የጥረት ቅንብሮች በኩል ያገኛሉ። Pro እና Enterprise ተጠቃሚዎች ለውስብስብ ተግባራት ከፍተኛ ጥራት ያላቸው ውጤቶች ለማግኘት GPT‑5.6 Sol Proን መምረጥ ይችላሉ።
  • የChatGPT ሥራ እና Codex፦ የነፃ እና Go ተጠቃሚዎች GPT‑5.6 Terra መዳረሻ አላቸው። Plus፣ Pro፣ Business እና Enterprise ተጠቃሚዎች GPT‑5.6ን መምረጥ ይችላሉ። Sol፣ Terra፣ እና Luna እና ለእያንዳንዳቸው የጥረት ደረጃ ያዘጋጁ። max በChatGPT ሥራ እና Codex ውስጥ የGPT‑5.6 መዳረሻ ላላቸው ሁሉም ተጠቃሚዎች ይገኛሉ፣ እና በቅንብሮች ውስጥ እንዲነቃ ማድረግ ይቻላል። በChatGPT ሥራ ውስጥ፣ ultra ለPro እና Enterprise ተጠቃሚዎች ይገኛል። በCodex ውስጥ፣ ለPlus እና ከዚያ በላይ ዕቅዶች ይገኛል።
  • API፦ ገንቢዎች Sol፣ Terra እና Luna በ OpenAI API በኩል መድረስ ይችላሉ። በResponses API ውስጥ፣ በመርሐ ግብር የታገዘ መሣሪያዎችን የመጥራት ሂደት GPT‑5.6 መሣሪያዎችን የሚያስተባብሩ እና መካከለኛ ውጤቶችን የሚያስኬዱ ፕሮግራሞችን በሜሞሪ ውስጥ እንዲጽፍ እና እንዲያሄድ ያስችለዋል፣ ይህም ዜሮ የውሂብ ማቆየት (ZDR) ተስማሚ ያደርገዋል። ባለብዙ-ወኪል፣ መጀመሪያ በቤታ ላይ የሚገኝ ሲሆን፣ GPT‑5.6 በአንድ ጥያቄ ውስጥ በተዛመደ ጊዜ ንዑስ ወኪሎችን እንዲያስኬድ እና ሥራቸውን እንዲያዋህድ ያስችለዋል።

GPT‑5.6 በሦስት የሞዴል መጠኖች ላይ ለእያንዳንዱ 1ሚ token ዋጋ ተወስኖለታል፦ Sol ለግቤት $5 / ለውጤት $30 ነው፤ Terra ለግቤት $2.50 / ለውጤት $15 ነው፤ እና Luna ለግቤት $1 / ለውጤት $6 ነው። GPT‑5.6 እንዲሁም ይበልጥ ተገማች እርምጃ ያስተዋውቃል፣ ይህም ለግልጽ የመሸጎጫ ማቋረጫ ነጥቦች(በአዲስ መስኮት ውስጥ ይክፈታል) ድጋፍ እና የ30 ደቂቃ ዝቅተኛ የመሸጎጫ ቆይታን ያካትታል። ለGPT‑5.6 እና ከዚያ በኋላ ለሚመጡ ሞዴሎች፣ የካሽ መጻፎች በሞዴሉ ያልተካሸ የግቤት ተመን 1.25x ይከፈላሉ፣ የካሽ ንባቦች ግን የ90% የተካሸ ግቤት ቅናሽ መቀበላቸውን ይቀጥላሉ።

ሙያዊ

Eval፣GPT‑5.6 Sol፣GPT‑5.6 Terra፣GPT‑5.6 Luna፣ GPT‑5.5፣ Claude Fable 5፣Claude Opus 4.8፣Gemini 3.1 Pro ቅድመ ዕይታ፣Gemini 3.5 Flash
የወኪሎች የመጨረሻ ፈተና፣52.7%፣50.4%፣50.3%፣46.9%፣40.5%፣45.2%፣32.1%፣—
GDPval-AA v2 ፣ "1747.8 Elo "፣ "1፣593 Elo"፣ "1፣591.8 Elo "1,493.7 Elo1,759.6 Elo1,600.1 Elo962.3 Elo1,348.8 Elo
የአስተዳደር ምክር አገልግሎት ተግባራት (ውስጣዊ)43.2%37.2%35.4%31.3%35.5%31.6%13.2%
Big Finance Bench፣53%፣51%፣36%፣49%፣—፣44%፣—፣—
ሠው ሠራሽ የትንተና አስተውሎት ወኪል መረጃ ጠቋሚ v4.1፣58.9 የጠቋሚ ውጤት፣55 የጠቋሚ ውጤት፣51.2 የጠቋሚ ውጤት፣54.8 የጠቋሚ ውጤት፣59.9 የጠቋሚ ውጤት፣55.7 የጠቋሚ ውጤት፣46.5 የጠቋሚ ውጤት፣50.2 የጠቋሚ ውጤት

ኮዲንግ

Eval፣GPT‑5.6 Sol፣GPT‑5.6 Sol Ultra፣GPT‑5.6 Terra፣GPT‑5.6 Luna፣ GPT‑5.5፣ Claude Mythos 5፣ Claude Mythos ቅድመ ዕይታ፣Claude Fable 5፣Claude Opus 4.8፣Gemini 3.1 Pro ቅድመ ዕይታ
ሠው ሠራሽ ትንተና የኮዲንግ ወኪል መረጃ ጠቋሚ v1.1፣ 80 የጠቋሚ ውጤት፣—77.4 የጠቋሚ ውጤት፣74.6 የጠቋሚ ውጤት፣76.4 የጠቋሚ ውጤት፣—፣—፣77.2 የጠቋሚ ውጤት፣72.5 የጠቋሚ ውጤት፣42.7 የጠቋሚ ውጤት
SWE-Bench Pro፣64.6%፣—፣63.4%፣62.7%፣59.4%፣80.3%፣77.8%፣80%፣69.2%፣54.2%
DeepSWE v1.1፣72.7%፣—፣69.6%፣67.2%፣67%፣—፣—፣69.7%፣59%፣11.8%
Terminal-Bench 2.1፣88.8%፣91.9%፣87.4%፣84.7%፣85.6%፣88%፣—፣83.1%፣78.9%፣70.7%

ሳይንስ

Eval፣GPT‑5.6 Sol፣GPT‑5.6 Terra፣GPT‑5.6 Luna፣ GPT‑5.5፣ Claude Mythos 5፣ Claude Mythos ቅድመ ዕይታ፣ Claude Fable 5፣ Claude Opus 4.8MedChemBench፣ 48.3%፣ 35%፣ 30.4%፣ 35.5%፣ —፣ —፣ —፣—
LifeSciBench፣59.9%፣56%፣51.2%፣50.4%፣—፣—፣—፣—
HealthBench Professional፣60.5%፣57.7%፣55.7%፣49.5%፣66%፣64.7%፣60.9%፣53%

የኮምፒውተር አጠቃቀም

Eval፣GPT‑5.6 Sol፣GPT‑5.6 Sol Ultra፣GPT‑5.6 Terra፣GPT‑5.6 Luna፣ GPT‑5.5፣ Claude Mythos 5፣Claude Mythos ቅድመ ዕይታ፣Claude Opus 4.8፣Gemini 3.1 Pro ቅድመ ዕይታ
OSWorld 2.0፣62.6%፣—፣50.2%፣45.6%፣47.5%፣—፣—፣54.8%፣—
BrowseComp፣90.4%፣92.2%፣87.5%፣83.3%፣84.4%፣88%፣87.9%፣84.3%፣85.9%
BenchCAD፣70.6%፣—፣62.3%፣63.1%፣44.4%፣38.4%፣35.5%፣27.3%፣—
BenchCAD ( Python መሣሪያ )፣83.4%፣—፣78.2%፣73.9%፣55.8%፣65%፣61%፣51.8%፣—

የሳይበር ደኅንነት

Eval፣GPT‑5.6 Sol፣GPT‑5.6 Sol Ultra፣GPT‑5.6 Terra፣GPT‑5.6 Luna፣ GPT‑5.5፣ Claude Mythos 5፣Claude Mythos ቅድመ ዕይታ፣Claude Opus 4.8
የባንዲራ መቀማት ውድድሮች፣96.7%፣—፣91.8%፣85.2%፣88.1%፣—፣—፣—
SEC-Bench Pro፣71.2%፣74.3%፣57.7%፣48.9%፣45.8%፣—፣—፣—
CyberGym፣84.5%፣—፣81.8%፣77.9%፣81.8%፣83.8%፣83%፣78.1%
ExploitBench፣73.5%፣—፣52.9%፣33.2%፣47.9%፣78%፣74.2%፣40%
ExploitGym፣33.7%፣—፣23.2%፣12.4%፣15.1%፣—፣—፣—

ራስን ማሻሻል

Eval፣GPT‑5.6 Sol፣GPT‑5.6 Terra፣GPT‑5.6 Luna፣GPT‑5.5
የውስጥ ምርምር እና ዲበግ የማድረግ ግምገማ፣68.3%፣67.8%፣50.8%፣50%
KernelGen 1P፣61.1%፣49.2%፣22.4%፣29.3%
NanoGPT፣9.69%፣14.5%፣1.66%፣2.65%
PostTrainBench Lite፣50.3%፣51.5%፣29.6%፣38.8%
RSI Index፣57.9%፣56.3%፣41.9%፣41.7%

አይነተ ብዙ

Eval፣GPT‑5.6 Sol፣GPT‑5.6 Terra፣GPT‑5.6 Luna፣ GPT‑5.5፣ Claude Fable 5፣Claude Opus 4.8፣Gemini 3.1 Pro ቅድመ ዕይታ
MMMU Pro (ያለ መሣሪያዎች)፣83%፣80.7%፣78.4%፣81.2%፣—፣—፣80.5%
MMMU Pro (ከመሣሪያዎች ጋር)፣84.6%፣82%፣79.5%፣83.2%፣—፣—፣—
gdp.pdf፣30.7%፣24.7%፣22.7%፣26%፣29.8%፣22.5%፣16.7%

አካዳሚክ

Eval፣GPT‑5.6 Sol፣GPT‑5.6 Terra፣GPT‑5.6 Luna፣ GPT‑5.5፣ Claude Mythos 5፣ Claude Mythos ቅድመ ዕይታ፣ Claude Fable 5፣ Claude Opus 4.8፣ Gemini 3.1 Pro ቅድመ ዕይታ
GPQA Diamond፣94.6%፣92.9%፣92.3%፣93.6%፣94.1%፣94.6%፣92.6%፣92%፣94.3%
FrontierMath ደረጃ 1-3 (v2)፣89%፣84.9%፣78.6%፣85.3%፣—፣—፣87%፣80%፣59.6%
FrontierMath ደረጃ 4 (v2)፣83%፣68.3%፣58.5%፣72.5%፣—፣—፣87.8%፣56.1%፣—

የመሣሪያ አጠቃቀም

Eval፣GPT‑5.6 Sol፣GPT‑5.6 Terra፣GPT‑5.6 Luna፣ GPT‑5.5፣ Claude Mythos 5፣Claude Mythos ቅድመ ዕይታ፣Claude Fable 5፣Claude Opus 4.8Gemini 3.1 Pro ቅድመ ዕይታ፣Gemini 3.5 Flash
AutomationBench፣18.1%፣15.2%፣14.9%፣12.9%፣—፣—፣17.4%፣15.5%፣—፣14.5%
Toolathlon፣58%፣53.1%፣53.4%፣55.6%፣61.7%፣61.1%፣61.7%፣59.9%፣48.8%፣—

ረጅም አውድ

Eval፣GPT‑5.6 Sol፣GPT‑5.6 Terra፣GPT‑5.6 Luna፣ GPT‑5.5፣ Claude Mythos 5፣Claude Mythos ቅድመ ዕይታ፣Claude Opus 4.8
OpenAI MRCR v2 8-needle 256K-512K፣91.5%፣89.6%፣41.3%፣81.5%፣—፣—፣—
OpenAI MRCR v2 8-needle 512K-1M፣73.8%፣72.5%፣41.3%፣74%፣—፣—፣—
GraphWalks BFS 256k f1፣90.7%፣76.9%፣81.3%፣73.7%፣91.1%፣85.7%፣85.9%
GraphWalks BFS 1mil f1፣77.1%፣71.2%፣51.2%፣45.4%፣79.4%፣74.3%፣68.1%

ረቂቅ የማመዘን ችሎታ

Eval፣GPT‑5.6 Sol፣GPT‑5.6 Terra፣GPT‑5.6 Luna፣ GPT‑5.5፣ Claude Opus 4.8፣Gemini 3.1 Pro ቅድመ ዕይታ
ARC-AGI-3⁷፣ 7.78%፣ 0.8%፣ 0.18%፣ 0.43%፣ 1.5%፣ 0.42%

ደራሲ

OpenAI

የግርጌ ማስታወሻዎች

1. የሳይበር አቅሞች በተቀነሱ የመከላከያ እርምጃዎች ይገመገማሉ። ተጠቃሚዎች ወደ OpenAI Daybreak የ"ለሳይበር የታመነ መዳረሻ" ፕሮግራም መቀላቀል ይችላሉ። ይህም ወደ የመከላከያ ሳይበር ችሎታዎች የተጨማሪ መዳረሻ ይሰጣል።

2. ሁሉም ሞዴሎች 5 seeds እና የማመዛዘን ቀጣይነት ያለውን ExploitBench API harness በመጠቀም ይገመገማሉ።

3. ExploitGymን፣ ከእኛ ይፋዊ API ይልቅ ምላሾችን በፍጥነት በሚያወጣው የአልፋ API ላይ አስኬደን፣ ከዚያም ከእኛ ይፋዊ API ጋር እንዲዛመድ በድጋሚ አመጣጥነናል። የመዘግየት ጊዜዎችን ለይፋዊ API የሚጠበቁትን ፍጥነቶች እንዲዛመዱ በድጋሚ ሲመጣጠኑ፣ በግምገማው አሂድ ውስጥ በትክክል ቢተገበሩም፣ ይህ አንዳንድ የተገመቱ የመዘግየት ጊዜዎች የሁለት እና የስድስት ሰዓት ጊዜ ገደቦችን እንዲያልፉ ያደርጋል። ጊዜ ወሳኝ ለሆነበት ሥራ የበለጠ ፈጣን ፍጥነቶችን ለማግኘት፣ በAPI ውስጥ ቅድሚያ የሚሰጠውን ማቀናበር እና በCodex ውስጥ ፈጣን ሁነታን እናቀርባለን።

4. የሞዴሎቻችንን በምርት ላይ ያለውን ባህሪ በመመልከት እና ከመስመር ውጪ በማስመሰል የመዘግየት ጊዜን እና የAPI ወጪን እንገምታለን። እነዚህ ግምቶች የመሣሪያ ጥሪ ዝርዝሮችን፣ ናሙና tokenን፣ እና የግቤት tokenን ያካትታሉ። የእውነተኛ ዓለም ውጤቶች በከፍተኛ ሁኔታ ሊለያዩ የሚችሉ ሲሆኑ፣ በእኛ ማስመሰያ ውስጥ ባልተካተቱ በርካታ ምክንያቶች ላይም ይወሰናሉ። የመዘግየት ጊዜን በፈጣን የAPI ፍጥነቶች፣ ወጪንም በመደበኛ የAPI ዋጋ እንመስላለን።

5. የውጤት ቶክንዎች፣ መዘግየት ወይም ወጪ ያልተገለጸ ሞዴሎች እንደ አግድም ነጥብ መስመሮች ተሳልፈዋል።

6. ለብዙ ወኪል፣ መዘግየት የሚመነጨው ከመሠረታዊ ወኪል ሲሆን፣ የውጤት token እና የAPI-ወጪ ድምር ደግሞ ሁሉንም tokenዎች ያካትታል። Ultra በ4 ወኪሎች ይሠራል።

7. በHealthBench Professional ጥናታዊ ጽሑፍ ውስጥ በተገለጸው ይፋዊ የነጥብ አሰጣጥ ዘዴ ነጥቦችን እናሰላለን፤ ይህም በAnthropic የሥርዓት ካርድ ውስጥ ከተዘገቡ ውጤቶች ጋር ሊነጻጸር አይችልም።

8. ARC-AGI-3 ለOpus 4.8 በከፍተኛ የማመዛዘን ጥረት ተከናወነ፣ ነገር ግን ከፍተኛ የማለት እንጂ ከፍተኛ የማመዛዘን ጥረት አልተጠቀሰም፣ ምክንያቱም ይህ ብቻ የታተመ የARC-AGI-3 ውጤት ነው።