We're beginning a limited preview of the GPT‑5.6 series: Sol, our flagship model; Terra, a balanced model for everyday work; and Luna, a fast and affordable model. Terra has competitive performance to GPT‑5.5 while being 2x cheaper and Luna brings strong capability at our lowest cost.
GPT‑5.6 Sol launches with our most robust safety stack to date. We strengthened protections for higher-risk activity, sensitive cyber requests, and repeated misuse, and spent multiple weeks finding weaknesses, pressure-testing our system, and hardening it against real-world attacks.
We believe in broad access, and we plan to make GPT‑5.6 Sol, Terra, and Luna generally available in the coming weeks. As part of our ongoing engagement with the U.S. government, we previewed our plans and the models’ capabilities ahead of today’s launch. At their request, we are starting with a limited preview for a small group of trusted partners whose participation has been shared with the government, before releasing more broadly. During this preview, we will continue testing and coordinating closely with partners as we work toward broader availability. We don’t believe this kind of government access process should become the long-term default. It keeps the best tools from users, developers, enterprises, cyber defenders, and global partners who need them. We are taking this short-term step because we believe it is the strongest path to broader availability in the coming weeks, while we work with the Administration to develop the cyber Executive Order framework and a repeatable process for future model releases.
GPT‑5.6 Sol is our strongest model yet. To give a preview of model performance, we share a set of evaluations highlighting improved agentic capabilities in coding, biology, and cybersecurity, with additional safety and preparedness evaluations available in our system card(otevře se v novém okně). We will share an expanded suite of evaluation results when we make the model broadly available.
With GPT‑5.6, we’re introducing a new max reasoning effort to give Sol the most time to reason deeply. Additionally, we’re introducing a new ultra mode that goes beyond the capabilities of a single agent by leveraging subagents to accelerate complex work.
For coding workflows, GPT‑5.6 Sol sets a new state of the art on Terminal‑Bench 2.1, which tests command-line workflows requiring planning, iteration, and tool coordination.
GPT‑5.6 Sol also shows broad improvements in biology workflows. On GeneBench v1, which evaluates long-horizon genomics and quantitative-biology analyses, it achieves stronger results than GPT‑5.5 while using fewer tokens.
GPT‑5.6 Sol is our most capable model yet for cybersecurity. It shifts the performance-efficiency frontier for long-horizon security tasks including vulnerability research and exploitation. On ExploitBench², GPT‑5.6 Sol is competitive with Mythos Preview using only ~1/3 of the output tokens. On ExploitGym(otevře se v novém okně)3, a benchmark created by UC Berkeley researchers in collaboration with OpenAI and other frontier labs, GPT‑5.6 Sol, Terra, and Luna models all demonstrate strong improvements in cyber capabilities as we increase reasoning.
We developed GPT‑5.6 Sol, Terra and Luna with our most robust safeguards to date, with configurations matched to each model’s capabilities. As the model becomes more capable, we design safeguards to increasingly hold up to real-world adversarial pressure while preserving access to legitimate work such as code review, vulnerability research, patch development, debugging, security education, and defensive testing. Our goal is to make prohibited offensive activity more difficult, uncertain, and detectable without unnecessarily limiting those beneficial uses. Based on our assessment of the model and safeguards, we expect substantial benefit for legitimate defensive work, while meaningfully constraining prohibited offensive use.
GPT‑5.6 Sol is better at helping people find and fix vulnerabilities than reliably carrying out end-to-end attacks. As these capabilities continue to advance, our priority is to make sure they reach and benefit defenders, who can use these tools to find weaknesses, develop patches, and strengthen systems more broadly.
GPT‑5.6 Sol does not cross the Cyber Critical threshold under our Preparedness Framework. In evaluations involving Chromium and Firefox, it identified bugs and exploitation primitives—the building blocks of an exploit—but did not autonomously produce a functional full-chain exploit under the conditions tested. Still, benchmark thresholds cannot capture every way a model may be used or combined with other tools. That uncertainty, along with the model’s broader step change in capabilities, is why we are pairing the model’s increased capabilities with stronger safeguards and a phased release. We share more details about our safeguards in the GPT‑5.6 Preview system card(otevře se v novém okně).
No single safeguard is sufficient against determined or adaptive misuse. Across the GPT‑5.6 preview, we use layered safeguards, with exact configurations varying across models, and pressure-test them for real-world attacks. These include protections trained into the model, real-time checks during generation, account-level signals, differentiated access, monitoring, enforcement, and continued testing.
GPT‑5.6 is trained to refuse prohibited cyber assistance, including when users attempt to disguise their intent or jailbreak the model. These model-level safeguards establish the first boundary around what the model should and should not help with.
Real-time cyber and biology misuse classifiers provide another layer by evaluating output as it is generated. For higher risk cases, if they detect a potential violation, the generation may be paused while a larger reasoning model reviews the conversation and its context. If the output is assessed as disallowed, it is withheld before it reaches the user.
Flagged activity can also trigger account-level review across relevant conversations and risk signals, consistent with our terms and policies around content retention and review. Looking beyond a single conversation helps our systems distinguish persistent malicious behavior from legitimate dual-use security work, where similar technical concepts may appear in very different contexts.
Together, these layers make the overall approach more robust than any one safeguard on its own. Model behavior reduces the likelihood of harmful responses, real-time systems can intervene during generation, account-level review can identify broader patterns, and differentiated access preserves important defensive work without making the most sensitive capabilities broadly available by default.
Especially during the preview, users may encounter safeguards that block or refuse some requests. Other requests may take longer because generation is paused for additional review. Safeguards may occasionally intervene on legitimate work, particularly in dual-use areas where defensive and offensive activity can initially look similar.
That is part of what the preview is designed to test. We want to understand not only whether the safeguards constrain misuse, but whether legitimate users can still complete normal work reliably and efficiently. Feedback during the preview will help us reduce unnecessary blocks and delays, improve how the safeguards interpret context, and create a smoother experience before wider release.
We are also working with enterprise customers on longer-term approaches—including privacy-preserving detection, customer-operated safety controls, and access calibrated to the risk of a customer, user, or workload—to advance safety while supporting enterprise privacy requirements.
Ochranná opatření musí zůstat účinná i tehdy, když útočníci mění taktiku. Ochrana, která funguje jen proti pevné sadě známých útoků, není pro hraniční model dostatečně odolná.
Proto do bezpečnosti vkládáme více inteligence i výpočetního výkonu než kdy dřív a pomocí vlastních modelů rychleji hledáme slabiny a zlepšujeme ochranná opatření. Automatizovanému red teamingu zaměřenému na hledání univerzálních jailbreaků jsme věnovali přes 700 000 GPU hodin přepočtených na A100: jde o útoky, které mohou fungovat napříč mnoha prompty nebo kontexty, nejen v jednom úzkém nastavení. Zaměření na tyto složitější a obecnější útoky nám umožnilo testovat ochranná opatření nad rámec pevně dané sady známých selhání. Zároveň nám umožňuje prozkoumat mnohem víc vzorců útoků, než by pokrylo samotné lidské testování, dříve rozpoznat vzorce selhání a zkrátit proces od nalezení slabiny k její nápravě.
Kromě automatizovaného red teamingu jsme spolupracovali s externími testery na rozsáhlém expertním red teamingu prováděném lidmi, který bude pokračovat i během preview. Lidský red teaming automatizovanou práci doplňuje tím, že testuje ochranná opatření proti kreativním expertům, kteří se snaží model zneužít způsoby, jež naše systémy nemusí předvídat.
Žádné vyhodnocení nemůže obsáhnout všechny konfigurace produktu, vícekrokové útoky či reálné pracovní postupy. Proto udržujeme proces rychlé reakce, který nově objevené jailbreaky reprodukuje, posuzuje, prioritizuje a napravuje a poté je přidává do průběžných vyhodnocení, abychom mohli podobná selhání testovat i v budoucnu.
Během preview budou modely GPT‑5.6 zpočátku dostupné prostřednictvím API a Codexu vybrané skupině důvěryhodných partnerů a organizací. Brzy je plánujeme zpřístupnit širšímu okruhu lidí používajících ChatGPT, Codex a API.
V novém systému názvů zavedeném společně s GPT‑5.6 označuje číslo generaci modelu, zatímco Sol, Terra a Luna označují trvalé úrovně schopností, které se mohou vyvíjet vlastním tempem. Celá modelová rodina tak lidem i vývojářům nabízí jasnější volby napříč inteligencí, rychlostí a náklady.
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 cache, včetně podpory explicitních bodů přerušení cache a minimální životnosti cache 30 minut. U GPT–5.6 a novějších modelů se zápisy do cache účtují sazbou 1,25násobku vstupní sazby modelu bez použití cache, zatímco čtení z cache dál získává 90% slevu na vstup s využitím cache.
V červenci také spouštíme GPT‑5.6 Sol na Cerebras s rychlostí až 750 tokenů za sekundu a přinášíme zákazníkům průkopnickou inteligenci s bezprecedentní rychlostí. Přístup bude zpočátku omezen na vybrané zákazníky a my zatím budeme rozšiřovat kapacitu.
Těšíme se, že se z tohoto preview budeme dál učit a brzy přineseme GPT‑5.6 Sol, Terra a Luna více lidem.
1. Latenci a náklady na API odhadujeme podle produkčního chování našich modelů a offline simulací. Tyto odhady zohledňují podrobnosti volání nástrojů, vzorkované tokeny a vstupní tokeny. Reálné výsledky se mohou výrazně lišit a závisí na mnoha faktorech, které naše simulace nezachycuje. Latenci simulujeme při vysokých rychlostech API a náklady při běžných cenách API.
2. Všechny modely jsou vyhodnocovány pomocí API rámce ExploitBench s 5 seedy a kontinuitou uvažování.
3. ExploitGym jsme spouštěli na našem alfa API, které generuje odpovědi rychleji než naše veřejné API, a poté jsme výsledky přepočítali tak, aby odpovídaly veřejnému API. Při přepočtu latencí na rychlosti očekávané u našeho veřejného API proto některé odhadované latence přesahují časové limity 2 h a 6 h, přestože byly ve vyhodnocovacím běhu správně dodrženy. Pro časově citlivé aktivity nabízíme v API prioritní zpracování a v Codexu rychlý režim.
4. Modely bez vykázaných výstupních tokenů, latence nebo nákladů jsou zobrazeny jako vodorovné tečkované čáry.
