GPT‑5.6: Průkopnická inteligence, která roste s tvými ambicemi

Po omezeném náhledu⁠ zahajujeme všeobecnou dostupnost řady modelů GPT‑5.6: naši novou vlajkovou loď Sol, dále Terra, vyvážený model pro každodenní práci, a Luna, náš cenově nejvýhodnější model.

GPT‑5.6 Sol nastavuje nový standard v oblasti inteligence i efektivity, dosahuje špičkových výsledků v programování, znalostní práci, kybernetické bezpečnosti a vědě a zároveň překonává předchozí i konkurenční průkopnické modely s menším počtem tokenů a za nižší odhadované náklady. Výsledkem je lepší poměr výkonu a ceny: více úspěšně odvedené práce při stejných výdajích, nebo srovnatelné výsledky při nižších celkových nákladech. Zároveň představujeme nový způsob, jak urychlit tu nejnáročnější práci: režim ultra je naše nejvýkonnější nastavení, které koordinuje více agentů napříč paralelními pracovními toky, aby složité úkoly dokončili rychleji. Díky lepšímu využití počítače a úsudku v oblasti designu je model GPT‑5.6 Sol náš dosud nejpropracovanější spolupracovník, který pomáhá s kontrolou, vylepšováním a dodáváním výsledků připravených k použití.

Model GPT‑5.6 jsme natrénovali tak, aby z každého tokenu získával více užitečných informací. V benchmarku Agents’ Last Exam⁠(otevře se v novém okně), který hodnotí dlouho běžící odborné pracovní postupy napříč 55 obory, dosahuje model GPT‑5.6 Sol nové nejvyšší hodnoty 53,6 a překonává Claude Fable 5 (adaptivní uvažování) o 13,1 bodu. I při střední úrovni uvažování překonává Fable 5 o 11,4 bodu při zhruba čtvrtinových odhadovaných nákladech. Tato efektivita se projevuje i u menších modelů, které jsou nezbytné pro dostupnější a levnější inteligenci: modely GPT‑5.6 Terra a GPT‑5.6 Luna překonávají Fable 5 za přibližně šestnáctinu nákladů. V benchmarku Artificial Analysis Intelligence Index⁠(otevře se v novém okně), širokém měřítku inteligence zahrnujícím agentní práci, programování, vědecké uvažování a obecné schopnosti, se GPT‑5.6 Sol s maximálním uvažováním přibližuje modelu Fable 5 na rozdíl jednoho bodu, přičemž úkol plní o 61 % rychleji a při přibližně polovičních odhadovaných nákladech.

Model GPT‑5.6 přichází s našimi dosud nejrobustnějšími ochrannými opatřeními, navrženými tak, aby odolávala cíleným a přizpůsobivým útokům, aniž by plošně omezovala legitimní práci. Před uvedením do obecné dostupnosti jsme modely a ochranná opatření podrobili dosud nejrozsáhlejšímu období hodnocení, které kombinovalo red-teaming prováděný lidmi s rozsáhlým automatizovaným testováním. Během fáze preview jsme úzce spolupracovali s odbornými organizacemi a důvěryhodnými partnery, abychom před širším zpřístupněním důkladně otestovali obranná opatření a posílili ochranné mechanismy. Výsledný systém kombinuje vrstvu ochranných opatření natrénovaných do modelu s vrstvou kontrol v reálném čase, monitorováním a přístupem nastaveným podle důvěry a rizika.

GPT‑5.6 Sol je náš dosud nejlepší model pro programování. V hodnocení Artificial Analysis Coding Agent Index dosahuje model GPT‑5.6 Sol s maximálním uvažováním nového špičkového výsledku 80, tedy o 2,8 bodu více než Fable 5, a přitom spotřebovává méně než polovinu výstupních tokenů, potřebuje méně než polovinu času a náklady jsou přibližně o třetinu nižší. Tato výhoda se projevuje v celé řadě: Terra je o něco výkonnější než Fable 5, zatímco Luna překonává Opus 4.8. Oba modely toho dosahují zhruba za třetinu času, s přibližně polovičním počtem výstupních tokenů a s přibližně čtvrtinovými náklady. Dosahuje také ještě špičkovějších výsledků v benchmarcích Terminal-Bench 2.1 a DeepSWE, které testují komplexní pracovní postupy příkazového řádku a dlouhodobý vývoj v reálných kódových základnách.

Model GPT‑5.6 umí psát a spouštět odlehčené programy, které koordinují nástroje, zpracovávají mezivýsledky, sledují průběh a volí další akci podle toho, jak práce postupuje. Díky tomu mohou úkoly s intenzivním využíváním nástrojů postupovat s menším počtem tokenů, menším počtem cyklů komunikace s model a menším množstvím pokynů. Místo toho, aby vývojáři museli skriptovat každý krok nebo předávat každou odpověď nástroje zpět modelem, dokáže programové volání nástrojů⁠(otevře se v novém okně) v rozhraní Responses API filtrovat velké množství průběžných dat, zachovat pouze ta důležitá a průběžně přizpůsobovat svůj pracovní postup.

U problémů, u nichž se vyplatí větší investice do času a výpočetních prostředků, se dokáže model GPT‑5.6 dostat nad rámec tohoto efektivního standardu. Režim max dává modelu GPT‑5.6 ještě více času než xhigh na uvažování a zkoumání alternativ, provádění kontrol a úpravu postupu. Režim ultra jde ještě dál tím, že ve výchozím nastavení paralelně koordinuje čtyři agenty za cenu vyššího využití tokenů ve prospěch lepších výsledků a rychlejšího dosažení výsledku u náročných úloh. Na níže uvedených grafech je porovnání výchozího nastavení modelu ultra se čtyřmi agenty s referenční konfigurací s jedním agentem napříč benchmarky BrowseComp, SEC-Bench Pro a Terminal-Bench 2.1. U benchmarků BrowseComp a SEC-Bench Pro jsou také uvedeny konfigurace se 16 agenty. Ve všech třech vyhodnoceních posouvá přidání paralelních agentů průkopnické skóre latence nahoru a doleva, což znamená, že dosahuje lepších výsledků za kratší dobu. V rozhraní API mohou vývojáři pomocí multiagentní beta verze v rozhraní Responses API vytvářet možnosti podobné úrovni ultra.

Model GPT‑5.6 přináší zásadní změnu v úsudku v oblast návrhu. S pouhým zadáním na vysoké úrovni vytváří model GPT‑5.6 vkusná, ergonomická a funkční rozhraní. Jeho pokročilejší schopnosti práce s počítačem mu umožňují kontrolovat a dolaďovat vykreslený výsledek – nejen generovat podkladový kód nebo obsah – takže dokáže odhalit vizuální i funkční problémy a provést závěrečné úpravy, než práci odevzdá.

Frontendové schopnosti modelu GPT‑5.6 také převádějí požadavky v přirozeném jazyce na propracovaná interaktivní vysvětlení a vizualizace v rámci nástroje ChatGPT Práce.

GPT‑5.6 přináší lepší výsledky v odborných úkolech. Bere neuspořádaný kontext z vašich dokumentů a každodenních pracovních postupů jako Slack, Notion, Microsoft 365 a Disk Google a převádí ho na sdílitelné výstupy na expertní úrovni.

Silná stránka modelu GPT‑5.6 v oblasti znalostní práce se projevuje v hodnoceních zahrnujících dlouhodobou profesionální analýzu, procházení, používání nástrojů a používání počítače. GPT‑5.6 dosahuje nových špičkových výsledků na BrowseComp, 92,2 %, a OSWorld 2.0, 62,6 %. U OSWorld překonává Opus 4.8 a spotřebovává při tom o 85 % méně výstupních tokenů. Zde se nárůst výkonu na dolar projevuje napříč celou rodinou modelů GPT‑5.6. Luna se téměř vyrovná špičkovému výkonu modelu GPT‑5.5 za méně než polovinu odhadovaných nákladů na rozhraní API, zatímco Terra ho překonává za nižší cenu.

Model GPT‑5.6 Sol dosahuje vyšší kvality prezentací, dokumentů a tabulek, a vytváří tak propracovanější a přesnější výstupy. Dokáže vytvářet plně upravitelné prezentace od nuly, přičemž převádí prompt a zdrojový materiál do souvislého vizuálního vyprávění s jasným rozvržením, hierarchií a designem.

Zlepšení je zvláště výrazné při práci se šablonami a referenčními prezentacemi. Model GPT‑5.6 dokáže odvodit návrhový systém prezentace – rozvržení, typografii, řádkování, barvy a opakující se vzory obsahu, včetně pravidel vložených do předlohy prezentace – a tyto konvence konzistentně aplikovat na nový materiál. V tomto příkladu při požadavku na aktualizaci čísel podle referenčního souboru ve výstupu modelu GPT‑5.5 chybí klíčové komponenty z předlohy prezentace, zatímco model GPT‑5.6 referenční strukturu dodržuje věrněji.

Model GPT‑5.6 také vytváří vizuálně propracovanější dokumenty a tabulky. Věrněji dodržuje složité referenční formáty, což je důležité pro opakovatelné činnosti znalostní práce. Zvládá rovnice a finanční modely s větší přesností a lépe využívá typografii, řádkování, hierarchii a rozvržení stránky nebo listu.

První zákazníci, kteří model GPT‑5.6 testovali, zaznamenali zlepšení výstupů při znalostní práci napříč oblastmi.

GPT‑5.6 je náš dosud nejsilnější model pro kybernetickou bezpečnost, který dosahuje průkopnického výkonu s výrazně menším počtem tokenů. V benchmarku ExploitBench², který měří pokrok od dosažení zranitelného kódu až po spuštění libovolného kódu, dosahuje skóre 73,5 % oproti skóre 47,9 % modelu GPT‑5.5 při srovnatelném rozpočtu na výstupní tokeny. V benchmarku ExploitGym³, který od agentů vyžaduje, aby převáděli reálné zranitelnosti na funkční exploity, dosahuje téměř dvojnásobku maximální míry úspěšnosti modelu GPT‑5.5 – 24,9 % oproti 15,1 % – v rámci dvouhodinového limitu. Během šesti hodin dosahuje 33,7 %. V benchmarku SEC-Bench Pro, který testuje generování důkazů konceptu pro složitý software, dosahuje skóre 71,2 % oproti skóre 45,8 % modelu GPT‑5.5 při menší latenci.

GPT‑5.6 podporuje důležité obranné úlohy, jako jsou bezpečnostní revize kódu, použití oprav, modelování hrozeb a blue-teaming. Kvalifikovaní jednotlivci a organizace v programu Trusted Access for Cyber společnosti OpenAI Daybreak⁠ mohou získat přístup k širšímu rozsahu jeho obranných schopností prostřednictvím přesnějších ochranných mechanismů pro ověřenou práci v autorizovaných prostředích, včetně třídění a ověřování zranitelností, analýzy malwaru, detekčního inženýrství a ověřování oprav.

Jednotlivci mohou ověřit svou totožnost a požádat o důvěryhodný přístup⁠(otevře se v novém okně), a organizace mohou požádat⁠ za své týmy. Jednotliví členové si budou muset aktivovat Pokročilé zabezpečení účtu⁠(otevře se v novém okně) s hardwarovými bezpečnostními klíči, aby si zachovali přístup k našim průkopnickým modelům s největšími kybernetickými schopnostmi. Ti, kteří tak neučiní, budou vráceni k výchozímu přístupu. Uživatelé, kteří ještě nemají hardwarově zabezpečené přístupové klíče, mohou od našeho partnera, společnosti Yubico, získat cenové zvýhodnění⁠(otevře se v novém okně). Také podnikáme další kroky k omezení přístupu pro vysoce rizikové subjekty a ve vysoce rizikových jurisdikcích.

Model GPT‑5.6 Sol také vykazuje rozsáhlá zlepšení v oblasti vědeckého výzkumu. V hodnoceních v oblasti biologických věd model GPT‑5.6 vykazuje oproti modelu GPT‑5.5 Paretova zlepšení v reálných pracovních postupech v oblasti biologie, výzkumu v biologických vědách a chemii.

GPT‑5.6 je náš dosud nejsilnější model pro urychlení výzkumu umělé inteligence. Ve společnosti OpenAI ho výzkumníci používají napříč celým vývojovým cyklem: k diagnostice selhání, optimalizaci trénovacích systémů, provádění experimentů a interpretaci výsledků. Toto zrychlování a silnější přijetí jsme již zaznamenali během interního testovacího období modelu GPT‑5.6, kdy průměrný denní počet tokenů na aktivního výzkumníka byl více než dvojnásobný oproti nejvyšší úrovni pozorované u modelu GPT‑5.5.

Tento způsob práce se rychle stává standardem. Během posledních šesti měsíců se podíl výzkumných výpočtů věnovaných interní kódovací inferenci zvýšil stonásobně a interní využití agentních tokenů se zvýšilo přibližně 22krát. Tyto metriky přijetí samy o sobě neměří pokrok ve výzkumu, ale ukazují, jak rychle je pomoc umělé inteligence stále více využívána jak pro výzkum, tak i napříč dalšími týmy, jako je prodej, marketing, uživatelské operace, finance a další.

Abychom tuto schopnost mohli změřit přímo, vyvinuli jsme interní sadu hodnocení založených na skutečných výzkumných úkolech v oblasti umělé inteligence, jako je ladění výzkumných systémů, optimalizace jader a trénovacích postupů, provádění experimentů strojového učení a vylepšování jiného modelu.

S tím, jak se zvyšují schopnosti modelů, posilujeme náš bezpečnostní systém, aby pokročilá inteligence zůstala široce užitečná a zároveň aby nejrizikovější použití podléhalo přísnější kontrole. Pro model GPT‑5.6 jsme vytvořili svůj dosud nejrobustnější bezpečnostní systém, kalibrovaný podle schopností každého modelu a využívající více výpočetního výkonu než kdy dříve.

Modely GPT‑5.6 jsou v oblasti biologie i kybernetické bezpečnosti schopnější než naše dřívější modely, ale ani v jedné kategorii nepřekračují kritickou prahovou hodnotu. V oblasti kybernetické bezpečnosti naše testování ukazuje, že GPT‑5.6 je lepší v hledání a opravování zranitelností než ve spolehlivém provádění autonomních komplexních útoků proti odolným cílům – což dává obráncům příležitost posílit systémy dříve, než jsou zneužity jejich slabiny. V biologii naše testování ukazuje, že model GPT‑5.6 může podporovat legitimní výzkum, ale neposkytuje ucelenou schopnost potřebnou k vytvoření, zkonstruování nebo syntéze vysoce nebezpečné nové hrozby.

Obě oblasti jsou ze své podstaty dvojího užití. V kybernetické bezpečnosti mohou tytéž schopnosti, které by útočníkovi mohly pomoci zneužít zranitelnost, pomoci obránci ji najít, reprodukovat a vytvořit spolehlivou opravu. Nadměrné blokování proto samo o sobě vytváří bezpečnostní riziko. To může obráncům bránit v testování systémů a nasazování oprav, zatímco útočníci nadále používají jiné modely, včetně stále schopnějších opensourcových modelů, a také zavedené nástroje. Účinná ochranná opatření zohledňují kontext a pravděpodobné důsledky požadavku, zachovávají legitimní obrannou činnost a zároveň uplatňují přísnější kontrolní opatření tam, kde důkazy ukazují na vážné riziko újmy.

Ochranné mechanismy modelu GPT‑5.6 jsou vícevrstvé, aby zajišťovaly vyšší přesnost a redundanci, a jsou navrženy tak, aby se rychle přizpůsobovaly, jakmile se objeví nové útoky. Ochranné mechanismy natrénované do modelu fungují společně s kontrolami v reálném čase, průběžným monitorováním a vynucováním pravidel na úrovni účtu, aby systém zůstal bezpečný i v případě, že některá konkrétní vrstva nefunguje tak, jak má. V mnoha systémech rozhodují o tom, co blokovat, pouze příznaky klasifikátoru, které se spoléhají na modely s nižší inteligencí, jež se obtížněji upravují tak, aby se zabránilo škodám. Náš přístup přidává monitorování uvažování, které kontroluje konverzaci k určení, zda existuje riziko újmy. Tento návrh má umožnit obrannou práci a zároveň blokovat závažné zneužití, přičemž nejcitlivější funkce jsou prostřednictvím důvěryhodného přístupu vyhrazeny ověřeným uživatelům. Protože některá ochranná opatření využívají uvažování v době testování, můžeme je rychle aktualizovat a zacelit mezery bez nutnosti trénovat klasifikátory znovu od nuly.

Postupujeme konzervativněji s tím, jak nadále posilujeme systém proti adaptivním útokům. Ve srovnání s předchozími modely blokují kybernetická ochranná bezpečností opatření modelu GPT‑5.6 přibližně desetkrát více potenciálně škodlivých aktivit. Protože tato opatření mohou při legitimním použití způsobovat potíže, nabízíme v nástrojích ChatGPT a Codex možnost snadno znovu spustit prompt na modelech s nižšími schopnostmi a budeme dále snižovat dopad ochranných opatření na legitimní použití při zachování vysoké laťky robustnosti. To odráží náš iterativní přístup k nasazování: začínáme opatrně a zlepšujeme se na základě toho, co se učíme z používání v praxi.

Před všeobecným zpřístupněním jsme provedli dosud nejintenzivnější hodnocení bezpečnosti, včetně rozsáhlého red-teamingu, důkladného testování schopností a ochranných opatření s externími odborníky a přibližně 700 000 GPU hodin automatizovaného black-box red-teamingu na A100e. To nám umožnilo systematicky prověřovat pravděpodobná slabá místa, odhalovat jailbreaky a pomohlo nám posílit systém před spuštěním.

Dokonalé zabezpečení neexistuje a naše práce na zabezpečení stále schopnějších modelů pokračuje. Budou objevovány nové slabiny i nové jailbreaky, které obcházejí stávající ochranná opatření. Každá nová generace modelu také vytvoří nové možnosti pro útoky a zneužití. Tuto realitu zohledňujeme prostřednictvím vícevrstvých ochranných opatření, nepřetržitého monitorování, rychlé nápravy a spolupráce napříč obrannou komunitou. V případě modelu GPT‑5.6 jsme spojili stávající programy odměn za nalezení chyb v oblasti zabezpečení⁠(otevře se v novém okně) a biologie⁠ s novým procesem rychlé nápravy a dosud nejdůkladnějším monitorováním. Poznatky od výzkumníků, z monitorování a z reálných případů zneužití budou průběžně využívány jako podklad pro nová hodnocení a silnější ochranná opatření.

Další informace o našich ochranných opatřeních najdete v aktualizované kartě systému GPT‑5.6⁠(otevře se v novém okně).

Model GPT‑5.6 zahrnuje tři úrovně modelů: Sol, náš vlajkový model, Terra, model s nižšími náklady a výkonem na úrovni modelu GPT‑5.5, a Luna, náš nejrychlejší a cenově nejdostupnější model. Číslo označuje generaci a názvy Sol, Terra a Luna jsou stálé úrovně schopností, které se mohou vyvíjet vlastním tempem.

Model GPT‑5.6 je ode dneška k dispozici v nástrojích ChatGPT, Codex a rozhraní OpenAI API. Zavádění nyní začíná celosvětově a bude postupně pokračovat až do plné dostupnosti během následujících 24 hodin.

• Chat: Uživatelé plánů Plus, Pro, Business a Enterprise mají přístup k modelu GPT‑5.6 Sol při nastavení středního a vyššího úsilí. Uživatelé plánů Pro a Enterprise si pro dosažení nejkvalitnějších výsledků u složitých úkolů mohou také vybrat model GPT‑5.6 Sol Pro.
• ChatGPT Práce a Codex: Uživatelé plánů Free a Go mají přístup k modelu GPT‑5.6 Terra. Uživatelé plánů Plus, Pro, Business a Enterprise si navíc mohou vybrat z modelů GPT‑5.6 Sol, Terra a Luna a u každého z nich nastavit úroveň úsilí. Režim max je k dispozici všem uživatelům s přístupem k modelu GPT‑5.6 v prostředích ChatGPT Práce a Codex a lze ho zapnout v nastavení. V nástroji ChatGPT Práce je uživatelům plánů Pro a Enterprise k dispozici režim ultra. V nástroji Codex je k dispozici pro plány Plus a vyšší.
• Rozhraní API: Vývojáři mohou k modelům Sol, Terra a Luna přistupovat prostřednictvím rozhraní OpenAI API. V rozhraní Responses API umožňuje programové volání nástrojů modelu GPT‑5.6 psát a spouštět programy v paměti, které koordinují nástroje a zpracovávají mezivýsledky, takže je kompatibilní s nulovým uchováváním dat (ZDR). Multiagent, zpočátku dostupný v beta verzi, umožňuje modelu GPT 5.6 spouštět souběžné podagenty a slučovat výsledky jejich práce v rámci jediného požadavku.

GPT‑5.6 se účtuje za 1 milion tokenů ve třech velikostech modelu: Sol stojí 5 USD za vstup / 30 USD za výstup, Terra 2,50 USD za vstup / 15 USD za výstup a Luna 1 USD za vstup / 6 USD za výstup. GPT‑5.6 také přináší předvídatelnější ukládání promptů do mezipaměti, včetně podpory explicitních bodů přerušení mezipaměti⁠(otevře se v novém okně) a minimální životnosti mezipaměti 30 minut. U modelů GPT‑5.6 a novějších se zápisy do mezipaměti účtují sazbou 1,25násobku vstupní sazby modelu bez použití mezipaměti, zatímco čtení z mezipaměti je o 90 % levnější na vstup s využitím mezipaměti.