Vorschau auf GPT‑5.6 Sol: ein Modell der nächsten Generation
Wir starten eine begrenzte Preview der GPT‑5.6‑Reihe: Sol, unser Flagship-Modell, Terra, ein ausgewogenes Modell für die tägliche Arbeit, und Luna, ein schnelles und kostengünstiges Modell. Terra erreicht eine mit GPT‑5.5 vergleichbare Leistung bei 2-mal niedrigeren Kosten, und Luna bietet starke Fähigkeiten zu unseren niedrigsten Kosten.
GPT‑5.6 Sol startet mit unserem bisher robustesten Sicherheitsstack. Wir haben Schutzmaßnahmen für risikoreichere Aktivitäten, sensible Cyber-Anfragen und wiederholten Missbrauch verstärkt und mehrere Wochen damit verbracht, Schwachstellen zu finden, unser System unter Druck zu testen und es gegen reale Angriffe abzusichern.
Wir setzen auf breiten Zugang und planen, GPT‑5.6 Sol, Terra und Luna in den kommenden Wochen allgemein verfügbar zu machen. Im Rahmen unseres laufenden Austauschs mit der US-Regierung haben wir unsere Pläne und die Fähigkeiten der Modelle vor der heutigen Einführung vorgestellt. Auf ihre Bitte hin beginnen wir mit einer begrenzten Preview für eine kleine Gruppe vertrauenswürdiger Partner, deren Teilnahme der Regierung mitgeteilt wurde, bevor wir die Modelle in breiterem Umfang veröffentlichen. Während dieser Preview testen wir weiter und stimmen uns eng mit Partnern ab, während wir auf eine breitere Verfügbarkeit hinarbeiten. Wir glauben nicht, dass ein solcher staatlicher Zugangsprozess langfristig zum Standard werden sollte. Durch ihn werden die besten Tools Nutzenden, Entwickler:innen, Unternehmen, Cyber-Abwehrteams und globalen Partnern vorenthalten, die sie benötigen. Wir gehen diesen kurzfristigen Schritt, weil wir ihn für den besten Weg zu breiterer Verfügbarkeit in den kommenden Wochen halten. Gleichzeitig arbeiten wir mit der US-Administration am Cyber Executive Order Framework und an einem wiederholbaren Prozess für künftige Modellveröffentlichungen.
GPT‑5.6 Sol ist unser bisher leistungsstärkstes Modell. Als Vorschau auf die Modellleistung teilen wir mehrere Evaluierungen, die verbesserte agentenbasierte Fähigkeiten bei Programmierung, Biologie und Cybersicherheit zeigen. Weitere Sicherheits- und Preparedness-Evaluierungen findest du in unserer Systemkarte(wird in einem neuen Fenster geöffnet). Wir werden ein erweitertes Paket von Evaluierungsergebnissen teilen, sobald wir das Modell breiter verfügbar machen.
Mit GPT‑5.6 führen wir einen neuen maximalen Reasoning-Aufwand ‚max’ ein, damit Sol die meiste Zeit für tiefes Reasoning erhält. Außerdem führen wir den neuen Modus ‚ultra’ ein, der über die Fähigkeiten eines einzelnen Agenten hinausgeht und Unteragenten nutzt, um komplexe Arbeit zu beschleunigen.
Für Coding-Workflows erreicht GPT‑5.6 Sol einen neuen Spitzenwert bei Terminal‑Bench 2.1, das Kommandozeilen-Workflows testet, die Planung, Iteration und Tool-Koordination erfordern.
GPT‑5.6 Sol zeigt auch deutliche Verbesserungen bei Biologie-Workflows. Bei GeneBench v1, das langfristige Genomik- und quantitative Biologieanalysen evaluiert, erzielt es stärkere Ergebnisse als GPT‑5.5 und nutzt dabei weniger Token.
GPT‑5.6 Sol ist unser bisher leistungsfähigstes Modell für Cybersicherheit. Es verschiebt die Grenze von Leistung und Effizienz bei langfristigen Sicherheitsaufgaben, darunter Schwachstellenforschung und Exploitation. Bei ExploitBench² ist GPT‑5.6 Sol mit Mythos Preview konkurrenzfähig und nutzt dabei nur etwa ein Drittel der Ausgabe-Token. Bei ExploitGym(wird in einem neuen Fenster geöffnet)3, einem Benchmark, den Forschende der UC Berkeley zusammen mit OpenAI und anderen führenden Laboren erstellt haben, zeigen die Modelle GPT‑5.6 Sol, Terra und Luna starke Verbesserungen bei Cyber-Fähigkeiten, wenn wir das Reasoning erhöhen.
Wir haben GPT‑5.6 Sol, Terra und Luna mit unseren bisher robustesten Schutzmaßnahmen entwickelt, jeweils passend zu den Fähigkeiten des Modells konfiguriert. Je leistungsfähiger das Modell wird, desto stärker richten wir Schutzmaßnahmen darauf aus, realem adversarialem Druck standzuhalten und zugleich legitime Arbeit zu ermöglichen, etwa Code-Reviews, Schwachstellenforschung, Patch-Entwicklung, Debugging, Sicherheitsschulung und defensive Tests. Unser Ziel ist, verbotene offensive Aktivitäten schwieriger, unsicherer und besser erkennbar zu machen, ohne diese nützlichen Anwendungen unnötig einzuschränken. Auf Basis unserer Bewertung von Modell und Schutzmaßnahmen erwarten wir erheblichen Nutzen für legitime Cyberabwehrarbeit und zugleich deutliche Einschränkungen verbotener angreifender Nutzung.
GPT‑5.6 Sol hilft Menschen besser dabei, Schwachstellen zu finden und zu beheben, als zuverlässig End-to-End-Angriffe auszuführen. Während diese Fähigkeiten weiter voranschreiten, ist unsere Priorität, dass sie Verteidigende erreichen und ihnen nützen. Sie können diese Tools nutzen, um Schwachstellen zu finden, Patches zu entwickeln und Systeme insgesamt zu stärken.
GPT‑5.6 Sol überschreitet den Schwellenwert „Cyber Critical“ nach unserem Preparedness Framework nicht. In Evaluierungen mit Chromium und Firefox identifizierte es Bugs und Exploitation-Primitives, also Bausteine eines Exploits, erzeugte unter den getesteten Bedingungen jedoch nicht autonom einen funktionsfähigen Full-Chain-Exploit. Benchmark-Schwellenwerte können jedoch nicht jede Art erfassen, wie ein Modell genutzt oder mit anderen Tools kombiniert werden kann. Diese Unsicherheit und der breitere Fähigkeitssprung des Modells sind der Grund, warum wir die erweiterten Fähigkeiten des Modells mit stärkeren Schutzmaßnahmen und einer schrittweisen Veröffentlichung verbinden. Weitere Details zu unseren Schutzmaßnahmen teilen wir in der Systemkarte zur GPT‑5.6 Preview(wird in einem neuen Fenster geöffnet).
Keine einzelne Schutzmaßnahme reicht gegen entschlossene oder anpassungsfähige Missbrauchsformen aus. In der GPT‑5.6 Preview verwenden wir mehrschichtige Schutzmaßnahmen, deren genaue Konfiguration je nach Modell variiert, und testen sie gegen reale Angriffe. Dazu gehören Schutzmechanismen, die das Modell beim Training erlernt, Echtzeitprüfungen während der Generierung, Signale auf Kontoebene, differenzierter Zugang, Monitoring, Durchsetzung und fortlaufende Tests.
GPT‑5.6 ist darauf trainiert, verbotene Cyber-Unterstützung abzulehnen, auch wenn Nutzende versuchen, ihre Absicht zu verschleiern oder das Modell per Jailbreak zu umgehen. Diese Schutzmaßnahmen auf Modellebene bilden die erste Grenze dafür, wobei das Modell helfen soll und wobei nicht.
Echtzeit-Klassifikatoren für Cyber- und biologischen Missbrauch bilden eine weitere Schicht, indem sie Ausgaben während der Generierung bewerten. Erkennen sie in Fällen mit höherem Risiko einen möglichen Verstoß, kann die Generierung pausiert werden, während ein größeres Reasoning-Modell das Gespräch und ihren Kontext prüft. Wird die Ausgabe als unzulässig bewertet, wird sie zurückgehalten, bevor sie die nutzende Person erreicht.
Markierte Aktivität kann außerdem eine Prüfung auf Kontoebene über relevante Gespräche und Risikosignale hinweg auslösen, im Einklang mit unseren Bedingungen und Richtlinien zu Aufbewahrung und Prüfung von Inhalten. Der Blick über ein einzelnes Gespräch hinaus hilft unseren Systemen, anhaltend böswilliges Verhalten von legitimer Dual-Use-Sicherheitsarbeit zu unterscheiden, bei der ähnliche technische Konzepte in sehr unterschiedlichen Kontexten auftreten können.
Zusammen machen diese Schichten den Gesamtansatz robuster als jede einzelne Schutzmaßnahme für sich. Das Modellverhalten verringert die Wahrscheinlichkeit schädlicher Antworten, Echtzeitsysteme können während der Generierung eingreifen, Prüfungen auf Kontoebene können breitere Muster erkennen, und differenzierter Zugang erhält wichtige defensive Arbeit, ohne die sensibelsten Fähigkeiten standardmäßig breit verfügbar zu machen.
Besonders während der Preview können Nutzende auf Schutzmaßnahmen stoßen, die einige Anfragen blockieren oder ablehnen. Andere Anfragen können länger dauern, weil die Generierung für eine zusätzliche Prüfung pausiert wird. Schutzmaßnahmen können gelegentlich auch bei legitimer Arbeit eingreifen, besonders in Dual-Use-Bereichen, in denen Schutz- und Angriffsaktivitäten zunächst ähnlich aussehen können.
Genau das soll die Preview mit testen. Wir möchten nicht nur verstehen, ob die Schutzmaßnahmen Missbrauch begrenzen, sondern auch, ob legitime Nutzende ihre normale Arbeit weiterhin zuverlässig und effizient erledigen können. Feedback während der Preview hilft uns, unnötige Blockierungen und Verzögerungen zu reduzieren, die Kontextauslegung der Schutzmaßnahmen zu verbessern und vor der breiteren Veröffentlichung ein reibungsloseres Erlebnis zu schaffen.
Wir arbeiten außerdem mit Unternehmenskund:innen an längerfristigen Ansätzen, darunter datenschutzwahrende Erkennung, kundenseitig betriebene Sicherheitskontrollen und ein Zugriff, der auf das Risiko von Kund:in, nutzender Person oder Workload abgestimmt ist. So wollen wir Sicherheit stärken und zugleich die Datenschutzanforderungen von Unternehmen unterstützen.
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.
