Nous lançons un aperçu limité de la série GPT‑5.6 : Sol, notre modèle phare; Terra, un modèle équilibré pour le travail quotidien; et Luna, un modèle rapide et abordable. Terra offre des performances concurrentielles par rapport à GPT‑5.5 tout en coûtant 2 fois moins cher, et Luna offre de solides capacités à notre coût le plus bas.
GPT‑5.6 Sol est lancé avec notre dispositif de sécurité le plus robuste à ce jour. Nous avons renforcé les protections pour les activités à risque plus élevé, les demandes cyber sensibles et les abus répétés, et consacré plusieurs semaines à trouver des faiblesses, à mettre notre système à l’épreuve et à le renforcer contre les attaques réelles.
Nous croyons à un accès large et prévoyons de rendre GPT‑5.6 Sol, Terra et Luna généralement disponibles dans les prochaines semaines. Dans le cadre de notre dialogue continu avec le gouvernement des États-Unis, nous avons présenté en avant-première nos plans et les capacités des modèles avant le lancement d’aujourd’hui. À sa demande, nous commençons par un aperçu limité auprès d’un petit groupe de partenaires de confiance dont la participation a été communiquée au gouvernement, avant une diffusion plus large. Pendant cet aperçu, nous continuerons de tester et de coordonner étroitement avec nos partenaires pendant que nous travaillons à une disponibilité plus large. Nous ne croyons pas que ce type de processus d’accès gouvernemental devrait devenir la norme à long terme. Il prive des meilleurs outils les utilisateurs, les développeurs, les entreprises, les cyberdéfenseurs et les partenaires mondiaux qui en ont besoin. Nous prenons cette mesure à court terme parce que nous croyons qu’elle constitue la meilleure voie vers une disponibilité plus large dans les prochaines semaines, pendant que nous travaillons avec l’Administration à élaborer le cadre du décret présidentiel sur le cyber et un processus reproductible pour les prochaines versions de modèles.
GPT‑5.6 Sol est notre modèle le plus puissant à ce jour. Pour donner un aperçu des performances du modèle, nous présentons un ensemble d’évaluations qui mettent en évidence de meilleures capacités agentiques en codage, en biologie et en cybersécurité, ainsi que d’autres évaluations de sécurité et de préparation disponibles dans notre fiche système(s'ouvre dans une nouvelle fenêtre). Nous partagerons un ensemble élargi de résultats d’évaluation lorsque nous rendrons le modèle largement accessible.
Avec GPT‑5.6, nous introduisons un nouvel effort de raisonnement `max` afin de donner à Sol le plus de temps possible pour raisonner en profondeur. Nous introduisons également un nouveau mode `ultra` qui dépasse les capacités d’un seul agent en s’appuyant sur des sous-agents pour accélérer les travaux complexes.
Pour les flux de travail de codage, GPT‑5.6 Sol établit un nouvel état de l’art sur Terminal‑Bench 2.1, qui teste des flux de travail en ligne de commande nécessitant planification, itération et coordination d’outils.
GPT‑5.6 Sol montre aussi de vastes améliorations dans les flux de travail en biologie. Sur GeneBench v1, qui évalue des analyses de génomique et de biologie quantitative à long horizon, il obtient de meilleurs résultats que GPT‑5.5 tout en utilisant moins de tokens.
GPT‑5.6 Sol est notre modèle le plus capable à ce jour en cybersécurité. Il repousse la frontière performance-efficacité pour les tâches de sécurité à long horizon, y compris la recherche de vulnérabilités et l’exploitation. Sur ExploitBench², GPT‑5.6 Sol est concurrentiel avec Mythos Preview en utilisant seulement environ le tiers des tokens de sortie. Sur ExploitGym(s'ouvre dans une nouvelle fenêtre)3, un banc d’essai créé par des chercheurs de l’UC Berkeley en collaboration avec OpenAI et d’autres laboratoires de pointe, les modèles GPT‑5.6 Sol, Terra et Luna démontrent tous de nettes améliorations des capacités cyber à mesure que nous augmentons le raisonnement.
Nous avons développé GPT‑5.6 Sol, Terra et Luna avec nos mesures de protection les plus robustes à ce jour, selon des configurations adaptées aux capacités de chaque modèle. À mesure que le modèle gagne en capacités, nous concevons des mesures de protection capables de mieux résister aux pressions adversariales réelles, tout en préservant l’accès aux usages légitimes comme la revue de code, la recherche de vulnérabilités, le développement de correctifs, le débogage, l’éducation à la sécurité et les tests défensifs. Notre objectif est de rendre les activités offensives interdites plus difficiles, incertaines et détectables, sans limiter inutilement ces usages bénéfiques. D’après notre évaluation du modèle et des mesures de protection, nous nous attendons à des avantages importants pour le travail défensif légitime, tout en limitant de façon significative les usages offensifs interdits.
GPT‑5.6 Sol aide mieux les gens à trouver et à corriger des vulnérabilités qu’à mener de façon fiable des attaques de bout en bout. À mesure que ces capacités continuent de progresser, notre priorité est de veiller à ce qu’elles atteignent les défenseurs et leur profitent, afin qu’ils puissent utiliser ces outils pour trouver des faiblesses, développer des correctifs et renforcer plus largement les systèmes.
GPT‑5.6 Sol ne franchit pas le seuil Cyber Critical selon notre Preparedness Framework. Dans des évaluations portant sur Chromium et Firefox, il a identifié des bogues et des primitives d’exploitation — les éléments de base d’un exploit —, mais n’a pas produit de façon autonome un exploit fonctionnel en chaîne complète dans les conditions testées. Cela dit, les seuils de référence ne peuvent pas saisir toutes les façons dont un modèle peut être utilisé ou combiné à d’autres outils. Cette incertitude, tout comme l’élargissement marqué des capacités du modèle, explique pourquoi nous associons ses capacités accrues à des mesures de protection plus solides et à un déploiement par étapes. Nous donnons plus de détails sur nos mesures de protection dans la fiche système de l’aperçu GPT‑5.6(s'ouvre dans une nouvelle fenêtre).
Aucune mesure de protection unique ne suffit contre une utilisation malveillante déterminée ou adaptative. Dans l’ensemble de l’aperçu de GPT‑5.6, nous utilisons des mesures de protection en couches, dont les configurations exactes varient selon les modèles, et nous les soumettons à des tests de résistance face à des attaques réelles. Ces mesures comprennent des protections entraînées dans le modèle, des vérifications en temps réel pendant la génération, des signaux au niveau du compte, un accès différencié, la surveillance, l’application des règles et des tests continus.
GPT‑5.6 est entraîné à refuser l’aide cyber interdite, y compris lorsque les utilisateurs tentent de dissimuler leur intention ou de jailbreaker le modèle. Ces mesures de protection au niveau du modèle établissent la première limite autour de ce que le modèle devrait aider à faire ou non.
Les classificateurs d’utilisation malveillante cyber et biologique en temps réel ajoutent une autre couche en évaluant la sortie à mesure qu’elle est générée. Dans les cas à risque plus élevé, s’ils détectent une violation potentielle, la génération peut être mise en pause pendant qu’un modèle de raisonnement plus grand examine la conversation et son contexte. Si la sortie est jugée interdite, elle est retenue avant d’atteindre l’utilisateur.
Une activité signalée peut aussi déclencher un examen au niveau du compte portant sur les conversations et les signaux de risque pertinents, conformément à nos conditions et politiques sur la conservation et l’examen du contenu. Regarder au-delà d’une seule conversation aide nos systèmes à distinguer un comportement malveillant persistant d’un travail de sécurité légitime à double usage, où des concepts techniques similaires peuvent apparaître dans des contextes très différents.
Ensemble, ces couches rendent l’approche globale plus robuste que n’importe quelle mesure de protection prise isolément. Le comportement du modèle réduit la probabilité de réponses nuisibles, les systèmes en temps réel peuvent intervenir pendant la génération, l’examen au niveau du compte peut repérer des tendances plus larges, et l’accès différencié préserve les travaux défensifs importants sans rendre les capacités les plus sensibles largement accessibles par défaut.
Surtout pendant l’aperçu, les utilisateurs pourraient rencontrer des mesures de protection qui bloquent ou refusent certaines demandes. D’autres demandes pourraient prendre plus de temps, car la génération est mise en pause pour un examen supplémentaire. Les mesures de protection peuvent parfois intervenir dans des travaux légitimes, particulièrement dans les domaines à double usage où les activités défensives et offensives peuvent d’abord se ressembler.
C’est en partie ce que l’aperçu vise à tester. Nous voulons comprendre non seulement si les mesures de protection limitent les abus, mais aussi si les utilisateurs légitimes peuvent encore accomplir leur travail normal de façon fiable et efficace. Les commentaires reçus pendant l’aperçu nous aideront à réduire les blocages et les délais inutiles, à améliorer la façon dont les mesures de protection interprètent le contexte et à créer une expérience plus fluide avant le déploiement élargi.
Nous travaillons également avec des clients d’entreprise à des approches à plus long terme — notamment la détection préservant la confidentialité, des contrôles de sécurité exploités par les clients et un accès calibré selon le risque associé à un client, à un utilisateur ou à une charge de travail — afin de faire progresser la sécurité tout en respectant les exigences des entreprises en matière de confidentialité.
Les mesures de protection doivent aussi demeurer efficaces lorsque les attaquants adaptent leurs tactiques. Une protection qui fonctionne seulement contre un ensemble fixe d’attaques connues n’est pas assez robuste pour un modèle de pointe.
C’est pourquoi nous appliquons plus d’intelligence et de capacité de calcul que jamais à la sécurité, en utilisant nos propres modèles pour trouver les faiblesses et améliorer les mesures de protection plus rapidement. Nous avons consacré plus de 700 000 heures GPU équivalentes A100 au red-teaming automatisé visant à trouver des jailbreaks universels : des attaques qui peuvent fonctionner avec de nombreuses invites ou dans de nombreux contextes, et pas seulement dans un cadre très restreint. En nous concentrant sur ces attaques plus difficiles et plus générales, nous avons pu tester les mesures de protection au-delà d’un ensemble fixe d’échecs connus. Cela nous permet aussi d’explorer bien plus de schémas d’attaque que ne le permettrait le seul test humain, de repérer plus tôt les tendances d’échec et de réduire le délai entre la découverte d’une faiblesse et sa correction.
En plus du red-teaming automatisé, nous avons travaillé avec des testeurs tiers pour mener un vaste red-teaming humain par des experts, qui se poursuivra pendant la période d’aperçu. Le red-teaming humain complète le travail automatisé en mettant à l’épreuve les mesures de protection face à des experts créatifs qui tentent d’utiliser le modèle à mauvais escient d’une manière que nos systèmes pourraient ne pas anticiper.
Aucune évaluation ne peut représenter toutes les configurations de produit, attaques en plusieurs étapes ou flux de travail réels. Nous maintenons donc un processus de réponse rapide pour reproduire, évaluer, prioriser et corriger les jailbreaks nouvellement découverts, puis les ajouter à nos évaluations continues afin de pouvoir tester à l’avenir les échecs similaires.
Pendant l’aperçu, les modèles GPT‑5.6 seront d’abord offerts par l’entremise de l’API et de Codex à un groupe sélectionné de partenaires et d’organisations de confiance. Nous prévoyons de les rendre bientôt plus largement accessibles aux personnes qui utilisent ChatGPT, Codex et l’API.
Dans ce nouveau système de dénomination introduit avec GPT‑5.6, le numéro indique la génération d’un modèle, tandis que Sol, Terra et Luna désignent des niveaux de capacités durables qui peuvent progresser à leur propre rythme. Ensemble, cette famille offre aux personnes et aux développeurs des choix plus clairs en matière d’intelligence, de vitesse et de coût.
GPT‑5.6 est tarifé par million de tokens pour trois tailles de modèles : Sol coûte 5 $ en entrée / 30 $ en sortie; Terra, 2,50 $ en entrée / 15 $ en sortie; et Luna, 1 $ en entrée / 6 $ en sortie. GPT‑5.6 introduit aussi une mise en cache des invites plus prévisible, y compris la prise en charge de points d’arrêt de cache explicites et une durée de vie minimale du cache de 30 minutes. Pour GPT‑5.6 et les modèles ultérieurs, les écritures en cache sont facturées à 1,25 fois le tarif d’entrée non mise en cache du modèle, tandis que les lectures en cache continuent de bénéficier de la réduction de 90 % sur les entrées mises en cache.
Nous lançons aussi GPT‑5.6 Sol sur Cerebras en juillet, jusqu’à 750 tokens par seconde, offrant aux clients une intelligence de pointe à une vitesse sans précédent. L’accès sera d’abord limité à certains clients pendant que nous augmentons la capacité.
Nous avons hâte de continuer à apprendre de cette période d’aperçu et d’offrir bientôt GPT‑5.6 Sol, Terra et Luna à un plus grand nombre de personnes.
1. Nous estimons la latence et le coût de l’API en observant le comportement en production de nos modèles et en effectuant des simulations hors ligne. Ces estimations tiennent compte des détails des appels d’outils, des tokens échantillonnés et des tokens d’entrée. Les résultats réels peuvent varier considérablement et dépendent de nombreux facteurs que notre simulation ne prend pas en compte. Nous simulons la latence à des vitesses API rapides et le coût selon la tarification API régulière.
2. Tous les modèles sont évalués avec le harnais d’API ExploitBench, avec 5 graines et la continuité du raisonnement.
3. Nous avons exécuté ExploitGym sur notre API alpha, qui produit des réponses plus rapidement que notre API publique, puis nous avons redimensionné les résultats pour les faire correspondre à notre API publique. Lors du redimensionnement des latences aux vitesses attendues pour notre API publique, certaines latences estimées dépassent ainsi les limites de temps de 2 h et de 6 h, même si elles ont été correctement respectées lors de l’exécution de l’évaluation. Pour obtenir des vitesses plus élevées pour les tâches sensibles au temps, nous offrons le traitement prioritaire dans l’API et le mode rapide dans Codex.
4. Les modèles pour lesquels les tokens de sortie, la latence ou le coût ne sont pas indiqués sont représentés par des lignes pointillées horizontales.
