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(avautuu uudessa ikkunassa). 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(avautuu uudessa ikkunassa)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(avautuu uudessa ikkunassa).
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.
Suojausten on myös pysyttävä tehokkaina, kun hyökkääjät mukauttavat taktiikoitaan. Suojaus, joka toimii vain kiinteää tunnettujen hyökkäysten joukkoa vastaan, ei ole riittävän vankka edistyneelle mallille.
Siksi kohdistamme turvallisuuteen enemmän älykkyyttä ja laskentaa kuin koskaan ennen: käytämme omia mallejamme löytämään heikkouksia ja parantamaan suojauksia nopeammin. Käytimme yli 700 000 A100:aa vastaavaa GPU-tuntia automatisoituun red teamingiin, jonka tavoitteena oli löytää universaaleja jailbreak-hyökkäyksiä: hyökkäyksiä, jotka voivat toimia monissa kehotteissa tai konteksteissa eivätkä vain yhdessä kapeassa tilanteessa. Keskittyminen näihin vaikeampiin ja yleisempiin hyökkäyksiin antoi meidän testata suojauksia kiinteää tunnettujen epäonnistumisten joukkoa laajemmin. Sen avulla voimme myös tutkia paljon enemmän hyökkäysmalleja kuin pelkkä ihmistestaus kattaisi, tunnistaa epäonnistumismalleja aiemmin ja lyhentää matkaa heikkouden löytämisestä sen korjaamiseen.
Automaattisen red teamingin lisäksi teimme yhteistyötä kolmannen osapuolen testaajien kanssa toteuttaaksemme laajaa ihmisasiantuntijoiden red teamingiä, joka jatkuu esikatselujakson ajan. Ihmisten tekemä red teaming täydentää automatisoitua työtä testaamalla suojauksia luovia asiantuntijoita vastaan, jotka yrittävät käyttää mallia väärin tavoilla, joita järjestelmämme eivät ehkä ennakoi.
Mikään arviointi ei voi edustaa jokaista tuotekokoonpanoa, monivaiheista hyökkäystä tai todellista työnkulkua. Siksi ylläpidämme nopean reagoinnin prosessia, jossa uudet löydetyt jailbreakit toisinnetaan, arvioidaan, priorisoidaan ja korjataan, minkä jälkeen lisäämme ne jatkuviin arviointeihimme, jotta voimme jatkossa testata vastaavia epäonnistumisia vastaan.
Esikatselun aikana GPT‑5.6-mallit ovat aluksi saatavilla API:n ja Codexin kautta valitulle joukolle luotettuja kumppaneita ja organisaatioita. Aiomme tuoda ne pian laajemmin ChatGPT:n, Codexin ja API:n käyttäjien saataville.
Tässä GPT‑5.6:n myötä käyttöön otetussa uudessa nimeämisjärjestelmässä numero ilmaisee mallin sukupolven, kun taas Sol, Terra ja Luna ilmaisevat pysyviä kyvykkyystasoja, jotka voivat kehittyä omassa tahdissaan. Yhdessä malliperhe tarjoaa käyttäjille ja kehittäjille selkeämpiä valintoja älykkyyden, nopeuden ja kustannusten välillä.
GPT‑5.6:n hinta määräytyy miljoonaa tokenia kohti kolmessa mallikoossa: Sol $5 syöte / $30 tuloste; Terra $2,50 syöte / $15 tuloste; ja Luna $1 syöte / $6 tuloste. GPT‑5.6 tuo myös ennakoitavamman kehotteiden välimuistituksen, mukaan lukien tuen eksplisiittisille välimuistin katkaisukohdille ja 30 minuutin vähimmäiskestolle. GPT‑5.6:ssa ja myöhemmissä malleissa välimuistiin kirjoituksista laskutetaan 1,25-kertaisesti mallin välimuistittomaan syötehintaan nähden, kun taas välimuistista luvut saavat edelleen 90 %:n välimuistisyötealennuksen.
Julkaisemme heinäkuussa myös GPT‑5.6 Solin Cerebrasilla jopa 750 tokenin sekuntinopeudella, mikä tuo edistyneen älykkyyden asiakkaille ennennäkemättömällä nopeudella. Pääsy on aluksi rajattu valituille asiakkaille, kun laajennamme kapasiteettia.
Odotamme innolla, että opimme lisää tämän esikatselujakson aikana ja tuomme GPT‑5.6 Solin, Terran ja Lunan pian useampien ihmisten saataville.
1. Arvioimme viivettä ja API-kustannuksia tarkastelemalla malliemme tuotantokäyttäytymistä ja simuloimalla offline-tilassa. Nämä arviot huomioivat työkalukutsujen yksityiskohdat, otostetut tokenit ja syötetokenit. Todelliset tulokset voivat vaihdella huomattavasti ja riippuvat monista tekijöistä, joita simulaatiomme ei kata. Simuloimme viiveen nopeilla API-nopeuksilla ja kustannukset normaalilla API-hinnoittelulla.
2. Kaikki mallit arvioidaan ExploitBench API -testikehyksellä, jossa käytetään 5 siementä ja päättelyn jatkuvuutta.
3. Ajoimme ExploitGymin alfa-API:ssamme, joka tuottaa vastauksia nopeammin kuin julkinen API:mme, ja skaalasimme tulokset sitten vastaamaan julkista API:amme. Kun viiveet skaalataan julkiselle API:llemme odotettuihin nopeuksiin, osa arvioiduista viiveistä ylittää 2 ja 6 tunnin aikarajat, vaikka niitä noudatettiin oikein arviointiajossa. Aikakriittiseen työhön tarjoamme API:ssa priority processing -käsittelyä ja Codexissa fast mode -tilaa.
4. Mallit, joille ei ole raportoitu tulostokeneita, viivettä tai kustannuksia, esitetään vaakasuuntaisina pisteviivoina.
