Previewing GPT‑5.6 Sol: a next-generation model
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(wird in einem neuen Fenster geöffnet). 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(wird in einem neuen Fenster geöffnet)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(wird in einem neuen Fenster geöffnet).
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.
Schutzmaßnahmen müssen auch dann wirksam bleiben, wenn Angreifende ihre Taktiken anpassen. Ein Schutz, der nur gegen eine feste Liste bekannter Angriffe wirkt, ist für ein Frontier-Modell nicht robust genug.
Deshalb setzen wir mehr Intelligenz und Rechenleistung als je zuvor für Sicherheit ein. Unsere eigenen Modelle helfen uns, Schwachstellen zu finden und Schutzmaßnahmen schneller zu verbessern. Wir haben mehr als 700.000 A100-äquivalente GPU-Stunden in automatisiertes Red Teaming investiert, um universelle Jailbreaks zu finden: Angriffe, die über viele Prompts oder Kontexte hinweg funktionieren können, nicht nur in einem engen Szenario. Der Fokus auf diese schwierigeren, allgemeineren Angriffe ließ uns die Schutzmaßnahmen über eine feste Liste bekannter Fehler hinaus testen. So können wir weit mehr Angriffsmuster untersuchen, als menschliche Tests allein abdecken würden, Fehlermuster früher erkennen und den Weg von der gefundenen Schwachstelle bis zur Behebung verkürzen.
Zusätzlich zum automatisierten Red Teaming haben wir mit externen Testenden umfangreiches Red Teaming durch menschliche Fachleute durchgeführt, das während der Preview fortgesetzt wird. Menschliches Red Teaming ergänzt die automatisierte Arbeit: Kreative Fachleute testen, ob sich das Modell auf Arten missbrauchen lässt, die unsere Systeme möglicherweise nicht vorhersehen.
Keine Evaluierung kann jede Produktkonfiguration, jeden mehrstufigen Angriff oder jeden realen Workflow abbilden. Daher unterhalten wir einen schnellen Reaktionsprozess, um neu entdeckte Jailbreaks zu reproduzieren, zu bewerten, zu priorisieren und zu beheben. Anschließend nehmen wir sie in unsere laufenden Evaluierungen auf, damit wir Modelle künftig auf ähnliche Fehler testen können.
Während der Preview werden GPT‑5.6-Modelle zunächst über die API und Codex für eine ausgewählte Gruppe vertrauenswürdiger Partner und Organisationen verfügbar sein. Wir planen, sie bald breiter für Personen verfügbar zu machen, die ChatGPT, Codex und die API nutzen.
Im neuen, mit GPT‑5.6 eingeführten Benennungssystem steht die Zahl für die Generation eines Modells. Sol, Terra und Luna bezeichnen dauerhafte Fähigkeitsstufen, die sich in ihrem eigenen Tempo weiterentwickeln können. Zusammen bietet die Familie Nutzenden und Entwickler:innen klarere Optionen für Intelligenz, Geschwindigkeit und Kosten.
GPT‑5.6 wird pro 1 Mio. Token in drei Modellgrößen abgerechnet: Sol kostet 5 USD Eingabe/30 USD Ausgabe, Terra 2,50 USD Eingabe/15 USD Ausgabe und Luna 1 USD Eingabe/6 USD Ausgabe. GPT‑5.6 führt außerdem planbareres Prompt-Caching ein, einschließlich Unterstützung für explizite Cache-Breakpoints und eine Mindestlaufzeit des Caches von 30 Minuten. Für GPT‑5.6 und spätere Modelle werden Cache-Schreibvorgänge mit dem 1,25-Fachen des nicht gecachten Eingabepreises des Modells berechnet. Für Cache-Lesevorgänge gilt weiterhin der Rabatt von 90 % auf gecachte Eingaben.
Im Juli starten wir außerdem GPT‑5.6 Sol auf Cerebras mit bis zu 750 Token pro Sekunde und bringen hochentwickelte Intelligenz mit beispielloser Geschwindigkeit zu Kund:innen. Der Zugriff ist zunächst auf ausgewählte Kund:innen beschränkt, während wir die Kapazität ausbauen.
Wir freuen uns darauf, aus dieser Preview weiter zu lernen und GPT‑5.6 Sol, Terra und Luna bald mehr Menschen bereitzustellen.
1. Wir schätzen Latenz und API-Kosten, indem wir das Produktionsverhalten unserer Modelle betrachten und offline simulieren. Diese Schätzungen berücksichtigen Details zu Tool-Aufrufen, gesampelte Token und Eingabe-Token. Ergebnisse in der Praxis können deutlich abweichen und hängen von vielen Faktoren ab, die unsere Simulation nicht erfasst. Wir simulieren Latenz mit schnellen API-Geschwindigkeiten und Kosten zu regulären API-Preisen.
2. Alle Modelle werden mit dem ExploitBench-API-Harness mit 5 Seeds und Reasoning-Kontinuität evaluiert.
3. Wir haben ExploitGym auf unserer Alpha-API ausgeführt, die Antworten schneller ausgibt als unsere öffentliche API, und die Werte anschließend auf unsere öffentliche API skaliert. Beim Skalieren der Latenzen auf die für unsere öffentliche API erwarteten Geschwindigkeiten überschreiten einige geschätzte Latenzen die Zeitlimits von 2 und 6 Stunden, obwohl sie im Evaluierungslauf korrekt eingehalten wurden. Für höhere Geschwindigkeiten bei zeitkritischer Arbeit bieten wir die vorrangige Verarbeitung in der API und den Schnellmodus in Codex an.
4. Modelle ohne ausgewiesene Ausgabe-Token, Latenz oder Kosten werden als horizontale gepunktete Linien dargestellt.
