Vi begynder en begrænset forhåndsvisning af GPT‑5.6‑serien: Sol, vores flagskibsmodel; Terra, en afbalanceret model til hverdagsarbejde; og Luna, en hurtig og prisvenlig model. Terra har en konkurrencedygtig ydeevne i forhold til GPT‑5.5, samtidig med at den er 2x billigere, og Luna leverer stærke kapabiliteter til vores laveste pris.
GPT‑5.6 Sol lanceres med vores mest robuste sikkerhedsstak til dato. Vi har styrket beskyttelsen mod aktiviteter med højere risiko, følsomme cyberanmodninger og gentaget misbrug og brugt flere uger på at finde svagheder, stressteste vores system og hærde det mod angreb fra den virkelige verden.
Vi tror på bred adgang, og vi planlægger at gøre GPT‑5.6 Sol, Terra og Luna generelt tilgængelige i de kommende uger. Som led i vores løbende samarbejde med den amerikanske regering gav vi en forhåndsvisning af vores planer og modellernes kapabiliteter før dagens lancering. På deres anmodning starter vi med en begrænset forhåndsvisning for en lille gruppe betroede partnere, hvis deltagelse er blevet delt med regeringen, før vi frigiver mere bredt. Under denne forhåndsvisning fortsætter vi med at teste og koordinere tæt med partnere, mens vi arbejder hen imod bredere tilgængelighed. Vi mener ikke, at denne type proces for myndighedsmæssig adgang bør blive standard på lang sigt. Den afholder de bedste værktøjer fra at nå brugere, udviklere, virksomheder, cyberforsvarere og globale partnere, der har brug for dem. Vi tager dette kortsigtede skridt, fordi vi mener, at det er den stærkeste vej til bredere tilgængelighed i de kommende uger, mens vi samarbejder med myndighederne om at udvikle rammen for cyber Executive Order og en gentagelig proces for fremtidige modeludgivelser.
GPT‑5.6 Sol er vores stærkeste model hidtil. For at give en forhåndsvisning af modellens ydeevne deler vi en række evalueringer, der fremhæver forbedrede agentiske kapabiliteter inden for kodning, biologi og cybersikkerhed, med yderligere sikkerheds- og preparedness-evalueringer tilgængelige i vores systemkort(åbner i et nyt vindue). Vi deler en udvidet pakke af evalueringsresultater, når vi gør modellen bredt tilgængelig.
Med GPT‑5.6 introducerer vi en ny `maks.`-ræsonneringsindsats for at give Sol mest mulig tid til dyb ræsonnering. Derudover introducerer vi en ny `ultra`-tilstand, der går ud over kapabiliteterne hos en enkelt agent ved at bruge subagenter til at accelerere komplekst arbejde.
Til kodningsarbejdsgange sætter GPT‑5.6 Sol en ny state of the art på Terminal‑Bench 2.1, som tester kommandolinjearbejdsgange, der kræver planlægning, iteration og værktøjskoordinering.
GPT‑5.6 Sol viser også brede forbedringer i biologiarbejdsgange. På GeneBench v1, som evaluerer genomik- og kvantitative biologianalyser med lang tidshorisont, opnår den stærkere resultater end GPT‑5.5, mens den bruger færre tokens.
GPT‑5.6 Sol er vores hidtil mest kapable model til cybersikkerhed. Den flytter grænsen for ydeevne og effektivitet i sikkerhedsopgaver med lang tidshorisont, herunder sårbarhedsforskning og exploitation. På ExploitBench² er GPT‑5.6 Sol konkurrencedygtig med Mythos Preview, men bruger kun ~1/3 af outputtokens. På ExploitGym(åbner i et nyt vindue)3, en benchmark skabt af forskere fra UC Berkeley i samarbejde med OpenAI og andre frontier-laboratorier, viser GPT‑5.6 Sol-, Terra- og Luna-modellerne alle markante forbedringer i cyberkapabiliteter, når vi øger ræsonneringen.
Vi udviklede GPT‑5.6 Sol, Terra og Luna med vores mest robuste sikkerhedsforanstaltninger til dato og med konfigurationer tilpasset hver models kapabiliteter. Efterhånden som modellen bliver mere kapabel, designer vi sikkerhedsforanstaltninger, der i stigende grad kan modstå fjendtligt pres fra den virkelige verden, samtidig med at adgangen til legitimt arbejde som kodegennemgang, sårbarhedsforskning, patchudvikling, debugging, sikkerhedsuddannelse og defensiv testning bevares. Vores mål er at gøre forbudt offensiv aktivitet sværere, mere usikker og mere detekterbar uden unødigt at begrænse disse gavnlige anvendelser. Baseret på vores vurdering af modellen og sikkerhedsforanstaltningerne forventer vi væsentlig nytte for legitimt defensivt arbejde, samtidig med at forbudt offensiv brug begrænses meningsfuldt.
GPT‑5.6 Sol er bedre til at hjælpe mennesker med at finde og rette sårbarheder end til pålideligt at udføre end-to-end-angreb. Efterhånden som disse kapabiliteter fortsætter med at udvikle sig, er vores prioritet at sikre, at de når ud til og gavner forsvarere, som kan bruge disse værktøjer til at finde svagheder, udvikle patches og styrke systemer bredere.
GPT‑5.6 Sol krydser ikke Cyber Critical-tærsklen under vores Preparedness Framework. I evalueringer med Chromium og Firefox identificerede den fejl og exploitation-primitiver – byggestenene i et exploit – men producerede ikke autonomt et funktionelt full-chain exploit under de testede betingelser. Alligevel kan benchmarktærskler ikke indfange alle måder, en model kan bruges på eller kombineres med andre værktøjer. Denne usikkerhed, sammen med modellens bredere spring i kapabiliteter, er grunden til, at vi kombinerer modellens øgede kapabiliteter med stærkere sikkerhedsforanstaltninger og en trinvis udgivelse. Vi deler flere detaljer om vores sikkerhedsforanstaltninger i GPT‑5.6 Preview-systemkortet(åbner i et nyt vindue).
Ingen enkelt sikkerhedsforanstaltning er tilstrækkelig mod målrettet eller adaptivt misbrug. I hele GPT‑5.6-forhåndsvisningen bruger vi lagdelte sikkerhedsforanstaltninger, hvor de præcise konfigurationer varierer på tværs af modeller, og stresstester dem mod angreb fra den virkelige verden. De omfatter beskyttelser trænet ind i modellen, realtidstjek under generering, signaler på kontoniveau, differentieret adgang, overvågning, håndhævelse og fortsat testning.
GPT‑5.6 er trænet til at afvise forbudt cyberassistance, også når brugere forsøger at skjule deres hensigt eller jailbreake modellen. Disse sikkerhedsforanstaltninger på modelniveau etablerer den første grænse for, hvad modellen bør og ikke bør hjælpe med.
Klassifikatorer til misbrug inden for cyber og biologi i realtid giver endnu et lag ved at evaluere output, mens det genereres. I tilfælde med højere risiko kan genereringen blive sat på pause, hvis de registrerer en potentiel overtrædelse, mens en større ræsonneringsmodel gennemgår samtalen og dens kontekst. Hvis outputtet vurderes som ikke tilladt, tilbageholdes det, før det når brugeren.
Markeret aktivitet kan også udløse gennemgang på kontoniveau på tværs af relevante samtaler og risikosignaler i overensstemmelse med vores vilkår og politikker for opbevaring og gennemgang af indhold. Ved at se ud over én enkelt samtale kan vores systemer bedre skelne vedvarende ondsindet adfærd fra legitimt dual-use-sikkerhedsarbejde, hvor lignende tekniske begreber kan optræde i meget forskellige kontekster.
Tilsammen gør disse lag den samlede tilgang mere robust end nogen enkelt sikkerhedsforanstaltning alene. Modellens adfærd reducerer sandsynligheden for skadelige svar, realtidssystemer kan gribe ind under generering, gennemgang på kontoniveau kan identificere bredere mønstre, og differentieret adgang bevarer vigtigt defensivt arbejde uden at gøre de mest følsomme kapabiliteter bredt tilgængelige som standard.
Især under forhåndsvisningen kan brugere opleve sikkerhedsforanstaltninger, der blokerer eller afviser visse anmodninger. Andre anmodninger kan tage længere tid, fordi genereringen sættes på pause til yderligere gennemgang. Sikkerhedsforanstaltninger kan indimellem gribe ind i legitimt arbejde, især på dual-use-områder, hvor defensiv og offensiv aktivitet til at begynde med kan ligne hinanden.
Det er en del af det, forhåndsvisningen er designet til at teste. Vi ønsker at forstå, ikke kun om sikkerhedsforanstaltningerne begrænser misbrug, men også om legitime brugere stadig kan udføre normalt arbejde pålideligt og effektivt. Feedback under forhåndsvisningen vil hjælpe os med at reducere unødige blokeringer og forsinkelser, forbedre hvordan sikkerhedsforanstaltningerne fortolker kontekst og skabe en mere bedre oplevelse før en bredere udgivelse.
Vi arbejder også sammen med erhvervskunder om mere langsigtede tilgange – herunder detektion til bevarelse af databeskyttelse, kundedrevne sikkerhedskontroller og adgang kalibreret efter risikoen ved en kunde, bruger eller workload – for at fremme sikkerhed og samtidig understøtte virksomheders krav til databeskyttelse.
Sikkerhedsforanstaltninger skal også blive ved med at virke, når angribere tilpasser deres taktik. En beskyttelse, der kun virker mod et fast sæt kendte angreb, er ikke robust nok til en frontier-model.
Derfor bruger vi mere intelligens og compute end nogensinde før på sikkerhed og anvender vores egne modeller til hurtigere at finde svagheder og forbedre sikkerhedsforanstaltninger. Vi afsatte over 700.000 A100-ækvivalente GPU-timer til automatiseret red-teaming med det formål at finde universelle jailbreaks: angreb, der kan fungere på tværs af mange prompts eller kontekster, ikke kun i én snæver situation. Ved at fokusere på disse sværere og mere generelle angreb kunne vi teste sikkerhedsforanstaltningerne ud over et fast sæt kendte fejl. Det lader os også undersøge langt flere angrebsmønstre, end menneskelig testning alene kunne dække, identificere fejlmønstre tidligere og forkorte vejen fra at finde en svaghed til at afhjælpe den.
Ud over automatiseret red-teaming samarbejdede vi med tredjepartstestere om omfattende red-teaming udført af menneskelige eksperter, og det fortsætter i forhåndsvisningsperioden. Menneskelig red-teaming supplerer det automatiserede arbejde ved at teste sikkerhedsforanstaltninger mod kreative eksperter, der forsøger at misbruge modellen på måder, vores systemer måske ikke forudser.
Ingen evaluering kan repræsentere alle produktkonfigurationer, flertrinsangreb eller arbejdsgange fra den virkelige verden. Derfor har vi en hurtig responsproces til at reproducere, vurdere, prioritere og afhjælpe nyopdagede jailbreaks og derefter føje dem til vores løbende evalueringer, så vi kan teste mod lignende fejl fremover.
I forhåndsvisningsperioden bliver GPT‑5.6-modellerne i første omgang tilgængelige via API'en og Codex for en udvalgt gruppe af betroede partnere og organisationer. Vi planlægger snart at gøre dem bredere tilgængelige for personer, der bruger ChatGPT, Codex og API'en.
I det nye navngivningssystem, der introduceres med GPT‑5.6, angiver tallet en models generation, mens Sol, Terra og Luna angiver varige kapabilitetsniveauer, der kan udvikle sig i deres eget tempo. Samlet giver familien brugere og udviklere klarere valg på tværs af intelligens, hastighed og omkostninger.
GPT‑5.6 prissættes pr. 1 mio. tokens på tværs af tre modelstørrelser: Sol koster 5 USD input/30 USD output; Terra koster 2,50 USD input/15 USD output; og Luna koster 1 USD input/6 USD output. GPT‑5.6 introducerer også mere forudsigelig prompt-caching, herunder understøttelse af eksplicitte cache-breakpoints og en cachelevetid på mindst 30 minutter. For GPT‑5.6 og senere modeller faktureres cacheskrivninger til 1,25x modellens inputpris uden cache, mens cachelæsninger fortsat får rabatten på 90 % for cachelagret input.
Vi lancerer også GPT‑5.6 Sol på Cerebras med op til 750 tokens pr. sekund i juli og giver kunder frontier-intelligens med hidtil uset hastighed. Adgangen vil i første omgang være begrænset til udvalgte kunder, mens vi udbygger kapaciteten.
Vi glæder os til fortsat at lære af denne forhåndsvisningsperiode og snart bringe GPT‑5.6 Sol, Terra og Luna ud til flere mennesker.
1. Vi estimerer latens og API-omkostninger ved at se på vores modellers produktionsadfærd og simulere offline. Disse estimater tager højde for detaljer om værktøjskald, samplede tokens og inputtokens. Resultater i den virkelige verden kan variere betydeligt og afhænger af mange faktorer, som ikke indgår i vores simulering. Vi simulerer latens ved hurtige API-hastigheder og omkostninger ved almindelige API-priser.
2. Alle modeller evalueres med ExploitBench API-harness med 5 seeds og ræsonneringskontinuitet.
3. Vi kørte ExploitGym på vores alpha-API, som outputter svar hurtigere end vores offentlige API, og skalerede derefter om, så det matchede vores offentlige API. Når latenser skaleres om til de hastigheder, der forventes for vores offentlige API, medfører det, at nogle estimerede latenser overstiger tidsgrænserne på 2 t og 6 t, selv om de blev overholdt korrekt i evalueringskørslen. For at få højere hastigheder til tidsfølsomt arbejde tilbyder vi prioriteret behandling i API'en og hurtig tilstand i Codex.
4. Modeller uden rapporterede outputtokens, latens eller omkostninger vises som vandrette stiplede linjer.
