پیشنمایش محدودی از سری GPT‑5.6 را آغاز میکنیم: Sol، الگو پرچمی ما؛ Terra، مدلی متوازن برای کارهای روزمره؛ و Luna، مدلی سریع و مقرونبهصرفه. Terra عملکردی رقابتی با GPT‑5.5 دارد و در عین حال ۲ برابر ارزانتر است؛ Luna نیز توانمندی قوی را با کمترین هزینه ما ارائه میدهد.
GPT‑5.6 Sol با مقاومترین پشته ایمنی ما تا امروز عرضه میشود. محافظتها را برای فعالیتهای پرریسکتر، درخواستهای حساس سایبری و سوءاستفاده مکرر تقویت کردیم و چندین هفته صرف یافتن ضعفها، آزمون فشاری سامانه و مقاومسازی آن در برابر حملات دنیای واقعی کردیم.
ما به دسترسی گسترده باور داریم و قصد داریم GPT‑5.6 Sol، Terra و Luna را طی هفتههای آینده بهطور عمومی در دسترس قرار دهیم. در چارچوب تعامل مستمرمان با دولت ایالات متحده، پیش از عرضه امروز برنامهها و توانمندیهای مدلها را پیشنمایش دادیم. به درخواست آنها، پیش از انتشار گستردهتر، با پیشنمایشی محدود برای گروه کوچکی از شرکای مورد اعتماد آغاز میکنیم که مشارکتشان با دولت به اشتراک گذاشته شده است. در این پیشنمایش، همچنان به آزمون و هماهنگی نزدیک با شرکا ادامه میدهیم و برای دسترسی گستردهتر تلاش میکنیم. ما معتقد نیستیم این نوع فرایند دسترسی دولتی باید به پیشفرض بلندمدت تبدیل شود. این کار بهترین ابزارها را از دسترس کاربران، توسعهدهندگان، سازمانها، مدافعان سایبری و شرکای جهانی که به آنها نیاز دارند دور نگه میدارد. این گام کوتاهمدت را برمیداریم چون باور داریم بهترین مسیر برای دسترسی گستردهتر در هفتههای آینده است، در حالی که با دولت برای تدوین چارچوب فرمان اجرایی سایبری و فرایندی تکرارپذیر برای انتشارهای آینده مدل همکاری میکنیم.
GPT‑5.6 Sol قویترین مدل ما تاکنون است. برای ارائه پیشنمایشی از عملکرد مدل، مجموعهای از ارزیابیها را به اشتراک میگذاریم که توانمندیهای عاملی بهبودیافته در کدنویسی، زیستشناسی و امنیت سایبری را برجسته میکند؛ ارزیابیهای ایمنی و آمادگی بیشتر نیز در کارت سیستم(در یک پنجره جدید باز میشود) ما موجود است. وقتی مدل را بهطور گسترده در دسترس قرار دهیم، مجموعه گستردهتری از نتایج ارزیابی را منتشر خواهیم کرد.
با GPT‑5.6، تلاش استدلال تازه `max` را معرفی میکنیم تا Sol بیشترین زمان را برای استدلال عمیق داشته باشد. همچنین حالت تازه `ultra` را معرفی میکنیم که با بهرهگیری از زیرعاملها برای شتابدادن به کارهای پیچیده، از توانمندیهای یک عامل واحد فراتر میرود.
برای جریانهای کاری کدنویسی، GPT‑5.6 Sol در Terminal‑Bench 2.1، که جریانهای کاری خط فرمان نیازمند برنامهریزی، تکرار و هماهنگی ابزار را میآزماید، معیار تازهای از برتری ثبت میکند.
GPT‑5.6 Sol در جریانهای کاری زیستشناسی نیز بهبودهای گستردهای نشان میدهد. در GeneBench v1، که تحلیلهای ژنومیک بلندمدت و زیستشناسی کمّی را ارزیابی میکند، با مصرف توکنهای کمتر به نتایجی قویتر از GPT‑5.5 میرسد.
GPT‑5.6 Sol توانمندترین مدل ما تاکنون برای امنیت سایبری است. این مدل مرز عملکرد-بهرهوری را برای وظایف امنیتی بلندمدت، از جمله پژوهش آسیبپذیری و بهرهبرداری، جابهجا میکند. در ExploitBench²، GPT‑5.6 Sol فقط با حدود یکسوم توکنهای خروجی، عملکردی رقابتی با Mythos Preview دارد. در ExploitGym(در یک پنجره جدید باز میشود)3، بنچمارکی که پژوهشگران UC Berkeley با همکاری OpenAI و دیگر آزمایشگاههای پیشرو ساختهاند، مدلهای GPT‑5.6 Sol، Terra و Luna همگی با افزایش استدلال، بهبودهای قوی در توانمندیهای سایبری نشان میدهند.
ما GPT‑5.6 Sol، Terra و Luna را با مقاومترین محافظتهای خود تا امروز توسعه دادیم؛ با پیکربندیهایی متناسب با توانمندیهای هر مدل. هرچه مدل توانمندتر میشود، محافظتها را طوری طراحی میکنیم که در برابر فشار خصمانه دنیای واقعی پایداری بیشتری داشته باشند و در عین حال دسترسی به کارهای مشروعی مانند بازبینی کد، پژوهش آسیبپذیری، توسعه وصله، اشکالزدایی، آموزش امنیت و آزمون دفاعی حفظ شود. هدف ما این است که فعالیت تهاجمی ممنوع را دشوارتر، نامطمئنتر و قابلتشخیصتر کنیم، بیآنکه این کاربردهای مفید را بیدلیل محدود کنیم. بر اساس ارزیابی ما از مدل و محافظتها، انتظار داریم برای کار دفاعی مشروع سود چشمگیری ایجاد شود و در عین حال استفاده تهاجمی ممنوع بهطور معناداری محدود گردد.
GPT‑5.6 Sol در کمک به افراد برای یافتن و رفع آسیبپذیریها بهتر عمل میکند تا در اجرای قابلاتکای حملات سرتاسری. با پیشرفت این توانمندیها، اولویت ما این است که مطمئن شویم به مدافعان میرسند و به سود آنها بهکار میروند؛ مدافعانی که میتوانند از این ابزارها برای یافتن ضعفها، توسعه وصلهها و تقویت گستردهتر سامانهها استفاده کنند.
GPT‑5.6 Sol طبق Preparedness Framework ما از آستانه Cyber Critical عبور نمیکند. در ارزیابیهای مربوط به Chromium و Firefox، این مدل باگها و اجزای اولیه بهرهبرداری—بلوکهای سازنده یک اکسپلویت—را شناسایی کرد، اما در شرایط آزمونشده بهطور خودکار یک اکسپلویت کاملِ زنجیرهای و کارکردی تولید نکرد. با این حال، آستانههای بنچمارک نمیتوانند همه شیوههای استفاده از یک مدل یا ترکیب آن با ابزارهای دیگر را پوشش دهند. همین عدم قطعیت، همراه با جهش گستردهتر توانمندیهای مدل، دلیل آن است که توانمندیهای افزایشیافته مدل را با محافظتهای قویتر و عرضه مرحلهای همراه میکنیم. جزئیات بیشتری درباره محافظتهای خود را در کارت سیستم پیشنمایش GPT‑5.6(در یک پنجره جدید باز میشود) به اشتراک میگذاریم.
هیچ محافظت واحدی در برابر سوءاستفاده مصمم یا سازگارشونده کافی نیست. در سراسر پیشنمایش GPT‑5.6، از محافظتهای لایهلایه استفاده میکنیم؛ پیکربندیهای دقیق در مدلهای مختلف تفاوت دارد و آنها را در برابر حملات دنیای واقعی تحت آزمون فشار قرار میدهیم. اینها شامل محافظتهای آموزشدادهشده در خود مدل، بررسیهای بلادرنگ هنگام تولید، سیگنالهای سطح حساب، دسترسی تفکیکشده، پایش، اعمال مقررات و آزمون مستمر است.
GPT‑5.6 آموزش دیده است که از ارائه کمک سایبری ممنوع خودداری کند، حتی وقتی کاربران میکوشند نیت خود را پنهان کنند یا مدل را جیلبریک کنند. این محافظتهای سطح مدل نخستین مرز را پیرامون آنچه مدل باید یا نباید در آن کمک کند تعیین میکنند.
طبقهبندهای بلادرنگ سوءاستفاده سایبری و زیستی با ارزیابی خروجی در حین تولید، لایه دیگری فراهم میکنند. در موارد پرریسکتر، اگر تخلف احتمالی را تشخیص دهند، ممکن است تولید متوقف شود تا یک مدل استدلال بزرگتر گفتوگو و زمینه آن را بازبینی کند. اگر خروجی غیرمجاز ارزیابی شود، پیش از رسیدن به کاربر نگه داشته میشود.
فعالیت علامتگذاریشده همچنین میتواند، مطابق با شرایط و خطمشیهای ما درباره نگهداری و بازبینی محتوا، بازبینی در سطح حساب را در گفتوگوهای مرتبط و سیگنالهای خطر فعال کند. نگاه فراتر از یک گفتوگوی واحد به سامانههای ما کمک میکند رفتار مخرب پایدار را از کار امنیتی مشروعِ دوکاربردی تشخیص دهند؛ جایی که مفاهیم فنی مشابه ممکن است در زمینههایی بسیار متفاوت ظاهر شوند.
این لایهها در کنار هم رویکرد کلی را از هر محافظت منفرد بهتنهایی مقاومتر میکنند. رفتار مدل احتمال پاسخهای زیانبار را کاهش میدهد، سامانههای بلادرنگ میتوانند هنگام تولید مداخله کنند، بازبینی سطح حساب میتواند الگوهای گستردهتر را شناسایی کند، و دسترسی تفکیکشده کار دفاعی مهم را حفظ میکند بیآنکه حساسترین توانمندیها بهطور پیشفرض بهصورت گسترده در دسترس باشند.
بهویژه در دوره پیشنمایش، کاربران ممکن است با محافظتهایی روبهرو شوند که برخی درخواستها را مسدود یا رد میکنند. برخی درخواستهای دیگر ممکن است زمان بیشتری ببرند، چون تولید برای بازبینی بیشتر متوقف میشود. محافظتها گاهی ممکن است در کار مشروع مداخله کنند، بهویژه در حوزههای دوکاربردی که فعالیت دفاعی و تهاجمی در ابتدا شبیه هم به نظر میرسند.
این بخشی از چیزی است که پیشنمایش برای آزمودنش طراحی شده است. میخواهیم بفهمیم نه فقط اینکه آیا محافظتها سوءاستفاده را محدود میکنند، بلکه آیا کاربران مشروع همچنان میتوانند کار عادی را با اطمینان و کارایی انجام دهند یا نه. بازخورد در دوره پیشنمایش به ما کمک میکند مسدودسازیها و تأخیرهای غیرضروری را کاهش دهیم، نحوه تفسیر زمینه توسط محافظتها را بهبود دهیم و پیش از انتشار گستردهتر تجربهای روانتر بسازیم.
همچنین با مشتریان سازمانی روی رویکردهای بلندمدتتر کار میکنیم—از جمله تشخیص حافظ حریم خصوصی، کنترلهای ایمنیِ ادارهشده توسط مشتری، و دسترسی متناسب با ریسک مشتری، کاربر یا حجم کار—تا ضمن پشتیبانی از الزامات حریم خصوصی سازمانی، ایمنی را پیش ببریم.
محافظتها باید حتی وقتی مهاجمان تاکتیکهای خود را تغییر میدهند هم مؤثر بمانند. محافظتی که فقط در برابر مجموعهای ثابت از حملات شناختهشده کار میکند، برای یک مدل پیشرو بهاندازه کافی مقاوم نیست.
به همین دلیل، بیش از هر زمان دیگری هوشمندی و توان محاسباتی را صرف ایمنی میکنیم و از مدلهای خودمان برای یافتن ضعفها و بهبود سریعتر محافظتها بهره میگیریم. بیش از ۷۰۰٬۰۰۰ ساعت GPU معادل A100 را به ردتیمینگ خودکار اختصاص دادیم تا جیلبریکهای فراگیر را پیدا کنیم: حملاتی که در بسیاری از اعلانها یا زمینهها کار میکنند، نه فقط در یک وضعیت محدود. تمرکز بر این حملات دشوارتر و عمومیتر به ما امکان داد محافظتها را فراتر از مجموعهای ثابت از شکستهای شناختهشده بیازماییم. همچنین میتوانیم الگوهای حمله بسیار بیشتری از آنچه آزمون انسانی بهتنهایی پوشش میدهد بررسی کنیم، الگوهای شکست را زودتر بیابیم و مسیر یافتن یک ضعف تا رفع آن را کوتاهتر کنیم.
علاوه بر ردتیمینگ خودکار، با آزمونگران شخص ثالث همکاری کردیم تا ردتیمینگ گسترده با متخصصان انسانی انجام دهیم؛ کاری که در دوره پیشنمایش ادامه خواهد یافت. ردتیمینگ انسانی مکمل کار خودکار است، چون محافظتها را در برابر متخصصان خلاقی میآزماید که میکوشند از مدل به شیوههایی سوءاستفاده کنند که شاید سامانههای ما پیشبینی نکنند.
هیچ ارزیابیای نمیتواند همه پیکربندیهای محصول، حملات چندمرحلهای یا جریانهای کاری دنیای واقعی را پوشش دهد. ازاینرو، یک فرایند پاسخگویی سریع را حفظ کردهایم تا جیلبریکهای تازه کشفشده را بازتولید، ارزیابی، اولویتبندی و رفع کنیم و سپس آنها را به ارزیابیهای جاری خود اضافه کنیم تا در آینده بتوانیم سامانه را در برابر موارد خطای مشابه نیز آزمایش کنیم.
در دوره پیشنمایش، مدلهای GPT‑5.6 در ابتدا از طریق API و Codex در اختیار گروهی منتخب از شرکای مورد اعتماد و سازمانها قرار خواهند گرفت. قصد داریم بهزودی دسترسی به این مدلها را برای کاربران ChatGPT، Codex و API بهطور گستردهتری فراهم کنیم.
در این نظام نامگذاری تازه که با GPT‑5.6 معرفی شده است، عدد نسل مدل را مشخص میکند و Sol، Terra و Luna سطحهای پایدار توانمندی را نشان میدهند که میتوانند با آهنگ خودشان پیش بروند. این خانواده در مجموع به افراد و توسعهدهندگان انتخابهای روشنتری از نظر هوشمندی، سرعت و هزینه میدهد.
قیمت GPT‑5.6 برای هر ۱ میلیون توکن در سه اندازه مدل تعیین شده است: Sol ورودی $5 / خروجی $30؛ Terra ورودی $2.50 / خروجی $15؛ و Luna ورودی $1 / خروجی $6. GPT‑5.6 همچنین کش اعلان قابلپیشبینیتری معرفی میکند، از جمله پشتیبانی از نقاط شکست صریح کش و حداقل عمر کش ۳۰ دقیقهای. برای GPT‑5.6 و مدلهای بعدی، نوشتن در کش با نرخ ۱٫۲۵ برابر نرخ ورودی بدون کش مدل محاسبه میشود، در حالی که خواندن از کش همچنان مشمول تخفیف ۹۰٪ ورودی کششده است.
همچنین در ماه ژوئیه GPT‑5.6 Sol را روی Cerebras با سرعت تا ۷۵۰ توکن بر ثانیه عرضه میکنیم تا هوشمندی پیشرو را با سرعتی بیسابقه به مشتریان برسانیم. در ابتدا، همزمان با گسترش ظرفیت، دسترسی به مشتریان منتخب محدود خواهد بود.
مشتاقیم همچنان از این دوره پیشنمایش بیاموزیم و GPT‑5.6 Sol، Terra و Luna را بهزودی در اختیار افراد بیشتری قرار دهیم.
۱. ما تأخیر و هزینه API را با بررسی رفتار تولیدی مدلهایمان و شبیهسازی آفلاین برآورد میکنیم. این برآوردها جزئیات فراخوانی ابزار، توکنهای نمونهبرداریشده و توکنهای ورودی را در نظر میگیرند. نتایج دنیای واقعی ممکن است بهطور چشمگیری متفاوت باشد و به عوامل بسیاری بستگی دارد که در شبیهسازی ما لحاظ نشدهاند. تأخیر را با سرعتهای بالای API و هزینه را با قیمتگذاری معمول API شبیهسازی میکنیم.
۲. همه مدلها با استفاده از ابزار API مربوط به ExploitBench، با ۵ seed و تداوم استدلال ارزیابی میشوند.
۳. ما ExploitGym را روی API آلفای خود اجرا کردیم که پاسخها را سریعتر از API عمومی ما خروجی میدهد، سپس آن را برای تطبیق با API عمومی خود بازتنظیم کردیم. هنگام بازتنظیم تأخیرها به سرعتهای مورد انتظار API عمومی، برخی تأخیرهای برآوردی از محدودیتهای زمانی ۲ و ۶ ساعت فراتر میروند، با اینکه در اجرای ارزیابی بهدرستی رعایت شده بودند. برای سرعت بیشتر در کارهای حساس به زمان، پردازش اولویتدار در API و حالت سریع در Codex را ارائه میکنیم.
۴. مدلهایی که توکن خروجی، تأخیر یا هزینه گزارششده ندارند، بهصورت خطوط نقطهچین افقی نمایش داده میشوند.
