અમે અમારા મર્યાદિત પ્રિવ્યૂ બાદ સામાન્ય ઉપલબ્ધતા માટે GPT‑5.6 ફેમિલી મોડલો લૉન્ચ કરી રહ્યા છીએ: અમારા નવા મુખ્ય Solની સાથે-સાથે રોજિંદા કામ માટેનું સંતુલિત મોડલ Terra અને અમારું સૌથી સસ્તું મોડલ Luna.
GPT‑5.6 Sol કોડિંગ, નોલેજ વર્ક, સાયબર સુરક્ષા અને વિજ્ઞાનમાં અત્યાધુનિક પરિણામો હાંસલ કરીને ઇન્ટેલિજન્સ અને કાર્યક્ષમતા બંને માટે નવું ધોરણ સ્થાપિત કરે છે, સાથે-સાથે ઓછા ટોકન અને ઓછા અંદાજિત ખર્ચે અગાઉના અને સ્પર્ધાત્મક અત્યાધુનિક મોડલો કરતાં વધુ સારું પરફોર્મન્સ કરે છે. પરિણામે દર ડૉલર દીઠ વધુ મજબૂત પરફોર્મન્સ મળે છે: સમાન ખર્ચે વધુ સફળ કાર્ય અથવા ઓછા કુલ ખર્ચે તુલનાત્મક પરિણામો મળે છે. અમે સૌથી વધુ માંગવાળા કામને ઝડપી બનાવવા માટે એક નવી રીત પણ રજૂ કરી રહ્યા છીએ: ultra એ અમારી સૌથી ઉચ્ચ ક્ષમતા ધરાવતી સેટિંગ છે, જે જટિલ કાર્યોને ઝડપથી પૂર્ણ કરવા માટે સમાંતર વર્કસ્ટ્રીમ્સમાં બહુવિધ એજન્ટોનું સંકલન કરે છે. કમ્પ્યૂટરનો વધુ સશક્ત ઉપયોગ અને ડિઝાઇન સંબંધિત નિર્ણયક્ષમતા GPT‑5.6 Sol ને અત્યાર સુધીનો અમારો સૌથી સુઘડ સહયોગી બનાવે છે, જે તપાસવામાં, સુધારવામાં અને ઉપયોગ માટે તૈયાર પરિણામો પૂરી પાડવામાં મદદ કરે છે.
અમે GPT‑5.6 ને તાલીમ આપી છે જેથી દરેક ટોકનમાંથી વધુ ઉપયોગી કામ મેળવી શકાય. 55 ક્ષેત્રોમાં લાંબા સમય સુધી ચાલતા પ્રોફેશનલ વર્કફ્લોઝના મૂલ્યાંકન Agents’ Last Exam(નવી વિન્ડોમાં ખૂલે છે) પર, GPT‑5.6 Sol એ 53.6 નો નવો હાઇ સ્કોર સ્થાપિત કર્યો છે, અને Claude Fable 5 (એડેપ્ટિવ રિઝનિંગ) ને 13.1 પોઇન્ટથી પાછળ છોડે છે. મીડિયમ રીઝનિંગ પર પણ, તે અંદાજિત ચોથા ભાગના ખર્ચમાં Fable 5 ને 11.4 પોઈન્ટથી પાછળ રાખે છે. આ કાર્યક્ષમતા નાના મોડલ્સ સુધી પણ વિસ્તરેલી છે, જે ઇન્ટેલિજન્સને વધુ સુલભ અને સસ્તું બનાવવા માટે આવશ્યક છે: GPT‑5.6 Terra અને GPT‑5.6 Luna અંદાજિત સોળમા ભાગના ખર્ચમાં Fable 5 કરતા વધુ સારું પ્રદર્શન કરે છે. એજન્ટિક કાર્ય, કોડિંગ, વૈજ્ઞાનિક રિઝનિંગ અને સામાન્ય ક્ષમતાઓને આવરી લેતા ઇન્ટેલિજન્સના વ્યાપક માપદંડ આર્ટિફિશિયલ એનાલિસિસ ઇન્ટેલિજન્સ ઇન્ડેક્સ(નવી વિન્ડોમાં ખૂલે છે) પર, મહત્તમ રિઝનિંગ સાથેનું GPT‑5.6 Sol, એ Fable 5 થી માત્ર એક પોઈન્ટ પાછળ છે, જ્યારે તે કાર્યોને 61% ઓછા સમયમાં અને અંદાજિત અડધા ખર્ચમાં પૂર્ણ કરે છે.
Agents’ Last Exam(નવી વિન્ડોમાં ખૂલે છે): વ્યાવસાયિક ક્ષેત્રોમાં લાંબા ગાળાના એજન્ટિક કાર્યપ્રવાહો.
GPT‑5.6 અમારા અત્યાર સુધીના સૌથી મજબૂત સુરક્ષા ઉપાયો સાથે લૉન્ચ થાય છે, જે વાજબી કાર્યને વ્યાપકપણે મર્યાદિત કર્યા વિના દૃઢસંકલ્પિત અને અનુકૂલનશીલ દૂરુપયોગ સામે ટકી રહેવા માટે રચાયેલું છે. સામાન્ય ઉપલબ્ધતા પહેલાં, અમે માનવ રેડ ટીમિંગને મોટા પાયે ઑટોમેટેડ ટેસ્ટિંગ સાથે જોડીને મોડલો અને સુરક્ષા ઉપાયોને અત્યાર સુધીના અમારા સૌથી વ્યાપક મૂલ્યાંકન સમયગાળામાંથી પસાર કર્યા છે. પ્રિવ્યૂ દરમિયાન, અમે વ્યાપક લૉન્ચ પહેલાં સંરક્ષણ પ્રણાલીનું સઘન પરીક્ષણ કરવા અને સુરક્ષા ઉપાયોને વધુ મજબૂત બનાવવા માટે નિષ્ણાત સંસ્થાઓ તેમજ વિશ્વાસુ ભાગીદારો સાથે મળીને ઘનિષ્ઠતાપૂર્વક કામ કર્યું છે. આના પરિણામસ્વરૂપે જે સિસ્ટમ બને છે તેમાં મોડલમાં પહેલાંથી જ તૈયાર સુરક્ષા સ્તરોની સાથે-સાથે વાસ્તવિક-સમયની તપાસ, દેખરેખ અને ભરોસા તેમજ જોખમના આધારે નક્કી કરવામાં આવેલી ઍક્સેસ સામેલ હોય છે.
GPT‑5.6 Sol અમારું અત્યાર સુધીનું શ્રેષ્ઠ કોડિંગ મોડલ છે. આર્ટિફિશિયલ એનાલિસિસ કોડિંગ એજન્ટ ઇન્ડેક્સ, પર, મેક્સ રીઝનિંગ સાથેનું GPT‑5.6 Sol એ 80 ના સ્કોર સાથે અત્યાધુનિક નવું ધોરણ સ્થાપિત કર્યું છે, જે Fable 5 કરતા 2.8 પોઈન્ટ વધુ છે. આ દરમિયાન, તે અડધાથી પણ ઓછા આઉટપુટ ટોકન્સનો ઉપયોગ કરે છે, અડધાથી પણ ઓછા સમયમાં કાર્ય પૂર્ણ કરે છે અને તેનો ખર્ચ લગભગ એક-તૃતીયાંશ જેટલો ઓછો છે. આ ફાયદો સમગ્ર ફેમિલી સુધી વિસ્તરે છે: Terra એ Fable 5 થી થોડું ઉપર પ્રદર્શન કરે છે, જ્યારે Luna એ Opus 4.8 કરતા વધુ સારું પ્રદર્શન કરે છે; આ દરેક મોડલ આશરે ત્રીજા ભાગના સમયમાં, અડધા જેટલા આઉટપુટ ટોકન્સ સાથે અને અંદાજિત ચોથા ભાગના ખર્ચમાં આ સિદ્ધિ મેળવે છે. તે Terminal‑Bench 2.1 અને DeepSWE પર નવા અત્યાધુનિક પરિણામો પણ સ્થાપિત કરે છે, સાથે જ વાસ્તવિક કોડબેઝમાં જટિલ કમાન્ડ-લાઇન વર્કફ્લોઝ અને લાંબા ગાળાના એન્જિનિયરિંગનું પરીક્ષણ કરે છે.
આર્ટિફિશિયલ એનાલિસિસ કોડિંગ એજન્ટ ઇન્ડેક્સ: અમલીકરણ, ટર્મિનલ ઉપયોગ અને વાસ્તવિક કોડબેઝમાં કોડિંગ એજન્ટની પરફોર્મન્સનો સ્વતંત્ર ઇન્ડેક્સ.
GPT‑5.6 હળવા પ્રોગ્રામ્સ લખી અને ચલાવી શકે છે, જે ટૂલ્સનું સંકલન કરે છે, વચગાળાના પરિણામોને પ્રોસેસ કરે છે, પ્રગતિનું નિરીક્ષણ કરે છે અને કામ આગળ વધે તેમ આગળની ક્રિયા પસંદ કરે છે. આનાથી ટૂલ-હેવી કાર્યો ઓછા ટોકન્સ, ઓછા મોડલ રાઉન્ડ ટ્રીપ્સ અને ઓછા માર્ગદર્શન સાથે આગળ વધી શકે છે. ડેવલપર્સને દરેક પગલું સ્ક્રિપ્ટ કરાવવાની અથવા દરેક ટૂલ પ્રતિસાદને મોડલ મારફતે પાછો પસાર કરાવવાની જરૂર પાડવાને બદલે, Responses APIમાં Programmatic Tool Calling(નવી વિન્ડોમાં ખૂલે છે) મધ્યવર્તી ડેટાની મોટી માત્રાને ફિલ્ટર કરી શકે છે, ફક્ત મહત્વનું હોય તે જ રાખી શકે છે અને માર્ગમાં પોતાનો વર્કફ્લો અનુકૂલિત કરી શકે છે.
સમય અને કમ્પ્યૂટ સંસાધનોના રોકાણનું વધુ સારું પરિણામ આપતી સમસ્યાઓમાં, તેમાં GPT‑5.6 આ કાર્યક્ષમ ડિફૉલ્ટથી આગળ જઈ શકે છે. max GPT‑5.6 ને તર્ક કરવા, વિકલ્પો શોધવા, તપાસ કરવા અને તેના અભિગમને સુધારવા માટે xhigh કરતાં વધુ સમય આપે છે. ultra એ ચાર એજન્ટોને ડિફોલ્ટ રૂપે સમાંતર સંકલન કરીને વધુ આગળ વધે છે, જે માંગવાળા કાર્યો પર વધુ સારા પરિણામો અને ઝડપી સમય-થી-પરિણામ માટે વધુ ટોકન વપરાશનો ઉપયોગ કરે છે. નીચેના ચાર્ટ્સ BrowseComp, SEC-Bench Pro, અને Terminal-Bench 2.1 પર 'Ultra' ના ડિફોલ્ટ ફોર-એજન્ટ સેટઅપની વન-એજન્ટ બેઝલાઇન સાથે સરખામણી કરે છે; BrowseComp અને SEC-Bench Pro માં 16-એજન્ટ કન્ફિગરેશન પણ દર્શાવવામાં આવ્યા છે. ત્રણેય મૂલ્યાંકનોમાં, સમાંતર એજન્ટ્સ ઉમેરવાથી સ્કોર-લેટન્સી અત્યાધુનિક ઉપર અને ડાબી તરફ ખસે છે, જે ઓછા સમયમાં વધુ મજબૂત પરિણામો પ્રાપ્ત કરે છે. APIમાં, ડેવલપર્સ Responses API માં મલ્ટી-એજન્ટ બીટાનો ઉપયોગ કરીને અલ્ટ્રા જેવો અનુભવ બનાવી શકે છે.
GPT‑5.6 ડિઝાઇન અંગેની નિર્ણયક્ષમતામાં નોંધપાત્ર ફેરફાર લાવે છે. માત્ર હાઇ-લેવલ દિશાનિર્દેશથી, GPT‑5.6 રુચિસભર, એર્ગોનોમિક અને કાર્યક્ષમ ઇન્ટરફેસ બનાવે છે. કમ્પ્યુટરનો ઉપયોગ કરવાની તેની વધુ મજબૂત ક્ષમતાઓ તેને માત્ર મૂળભૂત કોડ અથવા કન્ટેન્ટ જનરેટ કરવા સુધી મર્યાદિત રાખતી નથી, પરંતુ રેન્ડર થયેલા પરિણામનું નિરીક્ષણ અને તેને વધુ સુવ્યવસ્થિત બનાવવાની પણ મંજૂરી આપે છે—જેથી તે કામ પાછું સોંપતા પહેલાં દૃશ્ય અને કાર્યાત્મક સમસ્યાઓ શોધી શકે અને અંતિમ સુધારા લાગુ કરી શકે.
પ્રોમ્પ્ટ: શું તમે મારા માટે 3D સેઇલિંગ ગેમ ઇમ્પ્લીમેન્ટ કરી શકો છો? જે કંઈપણ માટે બિટમૅપ્સ/ટેક્સ્ચર્સ/સ્પ્રાઇટ્સની જરૂર હોય (અથવા તમે બનાવતા કોઈપણ 3D મોડલ માટે મોકઅપ રેફરન્સ હોય તો મદદરૂપ થાય), તેના માટે imagegen નો નિઃસંકોચ ઉપયોગ કરો.
GPT‑5.6 ની ફ્રન્ટએન્ડ ક્ષમતાઓ કુદરતી ભાષામાં કરેલી વિનંતીઓને ChatGPT Work માં સુવ્યવસ્થિત, ઇન્ટરઍક્ટિવ સમજાવટો અને વિઝ્યુઅલાઇઝેશનોમાં પણ રૂપાંતરિત કરે છે.
પ્રોમ્પ્ટ: તે કેવી રીતે કાર્ય કરે છે તે સમજાવવા માટે એક ઇન્ટરેક્ટિવ સ્પાયરોગ્રાફ બનાવો.
GPT‑5.6 વ્યાવસાયિક કાર્યો માટે વધુ સારા પરિણામો આપે છે. તે તમારા દસ્તાવેજો અને Slack, Notion, Microsoft 365 અને Google Drive જેવા રોજિંદા વર્કફ્લોઝમાંથી અવ્યવસ્થિત સંદર્ભ લઈને તેને નિષ્ણાત-સ્તરના, શેર કરી શકાય એવા આર્ટિફેક્ટ્સમાં રૂપાંતરિત કરે છે.
GPT‑5.6 ની નોલેજ વર્કમાં લાંબા ગાળાના વ્યાવસાયિક વિશ્લેષણ, બ્રાઉઝિંગ, ટૂલનો ઉપયોગ અને કોમ્પ્યુટરના ઉપયોગ સુધીના મૂલ્યાંકનોમાં સ્પષ્ટપણે જોવા મળે છે. GPT‑5.6 Sol એ BrowseComp પર 92.2% અને OSWorld 2.0 પર 62.6% સાથે નવા અત્યાધુનિક પરિણામો સ્થાપિત કર્યા છે; OSWorld પર, તે 85% ઓછા આઉટપુટ ટોકનનો ઉપયોગ કરીને Opus 4.8 કરતાં આગળ નીકળી જાય છે. અહીં, ડૉલર દીઠ પરફોર્મન્સના લાભો સમગ્ર GPT‑5.6 ફેમિલીમાં વિસ્તરે છે. Luna અંદાજિત API ખર્ચ કરતાં અડધાથી પણ ઓછા ખર્ચે GPT‑5.5 ના પીક પર્ફોર્મન્સની લગભગ બરાબરી કરે છે, જ્યારે Terra ઓછા ખર્ચે તેને વટાવી જાય છે.
BrowseComp: GPT‑5.6 Sol એ BrowseComp પર અત્યાર સુધીનું શ્રેષ્ઠ પરિણામ હાંસલ કર્યું છે, જેમાં એજન્ટિક બ્રાઉઝિંગ કાર્યોનો સમાવેશ થાય છે.
GPT‑5.6 Sol પ્રેઝન્ટેશન્સ, દસ્તાવેજો અને સ્પ્રેડશીટ્સની ગુણવત્તામાં સુધારો કરે છે, અને વધુ વ્યવસ્થિત અને સચોટ આઉટપુટ તૈયાર કરે છે. તે શરૂઆતથી સંપૂર્ણપણે સંપાદનયોગ્ય પ્રેઝન્ટેશન્સ બનાવી શકે છે, જે પ્રોમ્પ્ટ અને સ્ત્રોત સામગ્રીનું ભાષાંતર કરીને મજબૂત લેઆઉટ, હાયરાર્કી અને ડિઝાઇન સાથેની સુસંગત વિઝ્યુઅલ નેરેટિવમાં રૂપાંતરિત કરે છે.
ટેમ્પ્લેટ્સ અને સંદર્ભ ડેક્સનું પાલન કરતી વખતે આ સુધારો વિશેષરૂપે સ્પષ્ટ દેખાય છે. GPT‑5.6 ડેક્સની ડિઝાઇન સિસ્ટમ—લેઆઉટ, ટાઇપોગ્રાફી, સ્પેસિંગ, રંગો અને સ્લાઇડ માસ્ટરમાં એમ્બેડ કરેલા નિયમો સહિત પુનરાવર્તિત થતા કન્ટેન્ટની પેટર્ન—વિશે અનુમાન કરી શકે છે અને તે કન્વેન્શનને નવી સામગ્રી પર સતત રીતે લાગુ કરી શકે છે. આ ઉદાહરણમાં, સંદર્ભ ફાઇલના આધારે નંબરો અપડેટ કરવાનું કહેવામાં આવ્યું ત્યારે, GPT‑5.5 આઉટપુટમાં માસ્ટર સ્લાઇડના મુખ્ય ઘટકોનો અભાવ આવે છે, જ્યારે GPT‑5.6 સંદર્ભ માળખાને વધુ નિષ્ઠાપૂર્વક અનુસરે છે.
સંદર્ભ ફાઇલ

GPT‑5.5 આઉટપુટ

GPT‑5.5 માં માસ્ટર સ્લાઇડના મુખ્ય ઘટકો ખૂટે છે
GPT‑5.6 આઉટપુટ

GPT‑5.6 દૃશ્યરૂપે વધુ પરિષ્કૃત દસ્તાવેજો અને સ્પ્રેડશીટ્સ પણ બનાવે છે. તે જટિલ સંદર્ભ ફોર્મેટ્સનું વધુ નિષ્ઠાપૂર્વક પાલન કરે છે, જે પુનરાવર્તિત કરી શકાય તેવી જ્ઞાન-કાર્ય પ્રવૃત્તિઓ માટે મહત્વપૂર્ણ છે. તે સમીકરણો અને નાણાકીય મોડલને વધુ ચોકસાઈથી સંભાળે છે, અને ટાઇપોગ્રાફી, અંતર, હાયરાર્કી, અને પેજ અથવા વર્કશીટ લેઆઉટનો વધુ સારો ઉપયોગ કરે છે.
GPT‑5.6નું પરીક્ષણ કરનારા પ્રારંભિક ગ્રાહકોએ વિવિધ ક્ષેત્રોમાં નોલેજ વર્ક આઉટપુટમાં સુધારો જોયો છે.
GPT‑5.6 અમારું અત્યાર સુધીનું સૌથી શક્તિશાળી સાયબરસિક્યોરિટી મોડલ છે, જે નોંધપાત્ર રીતે ઓછા ટોકન સાથે અત્યાધુનિક પરફોર્મન્સ હાંસલ કરે છે. ExploitBench2, પર, નબળાઈ ધરાવતા કોડ સુધી પહોંચવાથી લઈને આર્બિટ્રરી કોડ અમલ સુધીની પ્રગતિ માપે છે, તે તુલનાત્મક આઉટપુટ-ટોકન બજેટ પર GPT‑5.5 ના 47.9% ની સરખામણીમાં 73.5% સ્કોર કરે છે. એજન્ટ્સને વાસ્તવિક દુનિયાની નબળાઈઓને કાર્યરત એક્સપ્લોઇટ્સમાં ફેરવવાનું કહેનારા ExploitGym3, પર, તે બે કલાકની સમયમર્યાદામાં GPT‑5.5 ના પીક પાસ રેટને 15.1% થી વધારીને 24.9% કરી લગભગ બમણો કરે છે; છ કલાક સાથે, તે 33.7% સુધી પહોંચે છે. જટિલ સોફ્ટવેર માટે પ્રૂફ-ઓફ-કન્સેપ્ટ જનરેશનનું પરીક્ષણ કરનારા SEC-Bench Pro, પર, તે સુધારેલી લેટન્સી સાથે GPT‑5.5 ના 45.8% ની સામે 71.2% સ્કોર કરે છે.
GPT‑5.6 સુરક્ષિત કોડ સમીક્ષા, પેચિંગ, ધમકી મોડેલિંગ અને બ્લૂ ટીમિંગ જેવા મહત્ત્વપૂર્ણ રક્ષણાત્મક કાર્યોને સપોર્ટ કરે છે. OpenAI Daybreak ના Trusted Access for Cyber પ્રોગ્રામમાં પાત્ર વ્યક્તિઓ અને સંસ્થાઓ અધિકૃત પર્યાવરણોમાં ચકાસાયેલા કાર્ય માટે વધુ ચોક્કસ સુરક્ષા ઉપાયો દ્વારા નબળાઈઓના ટ્રાયેજ અને માન્યકરણ, માલવેર વિશ્લેષણ, ડિટેક્શન એન્જિનિયરિંગ અને પેચ વેલિડેશન સહિત તેની રક્ષણાત્મક ક્ષમતાનો વધુ ઉપયોગ કરી શકે છે.
વ્યક્તિઓ તેમની ઓળખ ચકાસી શકે છે અને વિશ્વસનીય ઍક્સેસની વિનંતી કરી શકે છે(નવી વિન્ડોમાં ખૂલે છે) અને સંસ્થાઓ તેમની ટીમો માટે અરજી કરી શકે છે. વ્યક્તિગત સભ્યોને અમારા સૌથી વધુ સાયબર-સક્ષમ અત્યાધુનિક મોડલોની ઍક્સેસ જાળવી રાખવા માટે 1 સપ્ટેમ્બર સુધીમાં હાર્ડવેર-સમર્થિત પાસકીઝ સાથે એડવાન્સ્ડ એકાઉન્ટ સુરક્ષા(નવી વિન્ડોમાં ખૂલે છે) સક્ષમ કરવાની જરૂર પડશે; જે લોકો આમ નહીં કરે તેઓ ડિફૉલ્ટ ઍક્સેસ પર પાછા ફરશે. જે વપરાશકર્તાઓ પાસે પહેલેથી હાર્ડવેર-બેક્ડ પાસકીઝ નથી, તેઓ અમારા ભાગીદાર Yubico પાસેથી પ્રેફર્ડ પ્રાઇસિંગ(નવી વિન્ડોમાં ખૂલે છે) મેળવી શકે છે. અમે ઉચ્ચ-જોખમી સંસ્થાઓ અને ઉચ્ચ-જોખમી અધિકારક્ષેત્રોમાં ઍક્સેસ મર્યાદિત કરવા માટે પણ વધારાના પગલાં લઈ રહ્યા છીએ.
ExploitBench: ક્રમશઃ વધુ સક્ષમ V8 એક્સપ્લોઇટ્સનું નિર્માણ; GPT‑5.5 ની સરખામણીએ GPT‑5.6, મોટો સુધારો બતાવે છે. આ બેન્ચમાર્ક માટે વિલંબતાનો અંદાજ વિશ્વસનીય ન હોવાથી વિલંબતા ચાર્ટ બતાવવામાં આવ્યો નથી.
GPT‑5.6 Sol વૈજ્ઞાનિક સંશોધન ક્ષેત્રમાં પણ વ્યાપક સુધારા દર્શાવે છે. લાઇફ સાયન્સના મૂલ્યાંકનો પર, GPT‑5.6 વાસ્તવિક-વિશ્વની બાયોલોજી, લાઈફ સાયન્સ સંશોધન વર્કફ્લોઝ અને કેમિસ્ટ્રી પર GPT‑5.5ની સરખામણીએ પેરેટો સુધારાઓ દર્શાવે છે.
GeneBench Pro: લાંબા-ગાળાના જિનોમિક્સ અને ક્વોન્ટિટેટિવ-બાયોલોજી વિશ્લેષણો; GPT‑5.6 ઓછા ટોકન અને ઓછા સમયમાં વધુ સારા પરિણામો પ્રાપ્ત કરે છે. Claude Fable 5 નો આમાં સમાવેશ કરવામાં આવ્યો નથી કારણ કે તે એડવાન્સ્ડ બાયોલોજીના પ્રશ્નોના(નવી વિન્ડોમાં ખૂલે છે) જવાબ આપતું નથી અને આ મૂલ્યાંકનમાં મોટાભાગના પ્રશ્નોના જવાબ આપવાનો ઇનકાર કરે છે.
AI સંશોધનને વેગ આપવા માટેનું GPT‑5.6 હજી સુધીનું અમારું સૌથી શક્તિશાળી મોડલ છે. OpenAI ની અંદર, સંશોધકો તેનો ઉપયોગ ડેવલપમેન્ટ લૂપના દરેક તબક્કે કરે છે: નિષ્ફળતાઓનું નિદાન કરવા, તાલીમ પ્રણાલીઓને ઓપ્ટિમાઇઝ કરવા, પ્રયોગો કરવા અને પરિણામોનું અર્થઘટન કરવા માટે. અમે GPT‑5.6 ના આંતરિક પરીક્ષણ સમયગાળા દરમિયાન પહેલેથી જ તે ઝડપ અને વધુ મજબૂત અપનાવવાની પ્રક્રિયા જોઈ છે, કારણ કે સક્રિય સંશોધક દીઠ દૈનિક સરેરાશ આઉટપુટ ટોકન્સ GPT‑5.5 માટે નોંધાયેલા સૌથી ઉચ્ચ સ્તર કરતા બમણા કરતા પણ વધારે હતા.
કામ કરવાની આ રીત ઝડપથી પ્રમાણભૂત બની રહી છે. છેલ્લા છ મહિનામાં, આંતરિક કોડિંગ ઇન્ફરન્સ માટે ફાળવવામાં આવેલા રિસર્ચ કમ્પ્યુટનો હિસ્સો 100 ગણો વધ્યો છે, જ્યારે આંતરિક એજન્ટિક ટોકનનો ઉપયોગ અંદાજે 22 ગણો વધ્યો છે. આ અપનાવવાના મેટ્રિક્સ પોતે જ સંશોધનની પ્રગતિને માપતા નથી, પરંતુ તે દર્શાવે છે કે સંશોધન માટે અને સેલ્સ, માર્કેટિંગ, યુઝર ઓપ્સ, ફાઇનાન્સ અને અન્ય ઘણી ટીમોમાં AI સહાય કેટલી ઝડપથી વધી રહી છે.
આ ક્ષમતાને સીધી રીતે માપવા માટે, અમે વાસ્તવિક AI સંશોધન કાર્યો પર આધારિત મૂલ્યાંકનોનો એક આંતરિક સ્યુટ વિકસાવ્યો, જેમાં સંશોધન સિસ્ટમ્સનું ડિબગિંગ, કર્નલ્સ અને ટ્રેનિંગ રેસિપીઝનું ઓપ્ટિમાઇઝેશન, મશીન-લર્નિંગ પ્રયોગો ચલાવવાનું, અને અન્ય મોડલને સુધારવાનું સામેલ છે.
એકંદર RSI ક્ષમતા: પુનરાવર્તિત સ્વ-સુધારણા તરફની પ્રગતિને માપતા મૂલ્યાંકનોના સમૂહ પર, અમે GPT‑5.6 Sol ને GPT‑5.5 કરતાં 16.2 પોઈન્ટનો સુધારો દર્શાવતા નિરીક્ષણ કરીએ છીએ, જે સમગ્ર રીતે આંતરિક સંશોધનને વેગ આપે છે.
જેમ જેમ મોડેલની ક્ષમતાઓમાં વધારો થાય છે, તેમ અમે અમારા સેફ્ટી સ્ટેકને વધુ મજબૂત બનાવીએ છીએ, જેથી એડવાન્સડ ઇન્ટેલિજન્સ વ્યાપકપણે ઉપયોગી રહી શકે અને સાથે જ સૌથી વધુ જોખમી ઉપયોગો પર વધુ કડક દેખરેખ રાખી શકાય. GPT‑5.6 માટે, અમે અત્યાર સુધીની સૌથી મજબૂત સુરક્ષા સિસ્ટમ બનાવી છે, જે દરેક મોડલની ક્ષમતાઓને અનુરૂપ સમાયોજિત છે અને અગાઉ ક્યારેય ન હોય તેટલી વધુ કમ્પ્યૂટિંગ શક્તિથી સંચાલિત છે.
GPT‑5.6 મોડલો જીવવિજ્ઞાન અને સાયબર સુરક્ષા બંનેમાં અમારા અગાઉનાં મોડલો કરતાં વધુ સક્ષમ છે, પરંતુ કોઈપણ શ્રેણીમાં ગંભીર (Critical) ટોચ મર્યાદાને ઓળંગતા નથી. સાયબરસુરક્ષામાં, અમારાં પરીક્ષણો સૂચવે છે કે GPT‑5.6 મજબૂત રીતે સુરક્ષિત લક્ષ્યો સામે વિશ્વસનીય રીતે સ્વાયત્ત, આરંભથી અંત સુધીના હુમલા ચલાવવા કરતાં નબળાઈઓ શોધવા અને સુધારવામાં વધુ સારું છે—જે રક્ષકોને નબળાઈઓનો દૂરુપયોગ થાય તે પહેલાં સિસ્ટમોને મજબૂત બનાવવાની તક આપે છે. જીવવિજ્ઞાનમાં, અમારાં પરીક્ષણો સૂચવે છે કે GPT‑5.6 વૈધ સંશોધનને સપોર્ટ કરી શકે છે, પરંતુ તે અત્યંત જોખમી નવા ખતરાને સર્જવા, એન્જિનિયરિંગથી વિકસાવવા અથવા સંશ્લેષિત કરવા માટે જરૂરી આરંભથી અંત સુધીની ક્ષમતા પ્રદાન કરતું નથી.
બંને ક્ષેત્રો મૂળભૂત રીતે દ્વિ-ઉપયોગી છે. સાયબર સુરક્ષામાં, જે ક્ષમતાઓ કોઈ હુમલાખોરને નબળાઈનો ગેરલાભ ઉઠાવવામાં મદદ કરી શકે છે, એ જ ક્ષમતાઓ કોઈ રક્ષકને તેને શોધવામાં, તેને પુનઃઉત્પાદિત કરવામાં અને વિશ્વસનીય સુધારો તૈયાર કરવામાં મદદ કરી શકે છે. તેથી, વધુ પડતા બ્લૉકિંગથી પણ એક અલગ જ સુરક્ષા જોખમ ઊભું થાય છે. તે રક્ષકોને સિસ્ટમોનું પરીક્ષણ કરવા અને પેચીસ લાગુ કરવા રોકી શકે છે, જ્યારે દુર્ભાવનાવાળા તત્વો વધુ સક્ષમ બનતા ઓપન-સોર્સ મોડલ સહિત અન્ય મોડલ અને સ્થાપિત સાધનોનો ઉપયોગ ચાલુ રાખે છે. અસરકારક સુરક્ષા ઉપાયો વિનંતીના સંદર્ભ અને તેના સંભવિત પરિણામોને ધ્યાનમાં લે છે, વાજબી રક્ષણાત્મક કાર્યને જાળવી રાખે છે અને જ્યાં પુરાવા ગંભીર નુકસાનના જોખમનો સંકેત આપે છે ત્યાં વધુ કડક નિયંત્રણો લાગુ કરે છે.
GPT‑5.6 ના સુરક્ષા ઉપાયો વધુ ચોકસાઈ અને વધારાની સુરક્ષા માટે સ્તરબદ્ધ રીતે તૈયાર કરાયેલા છે અને નવા હુમલા ઉદ્ભવે ત્યારે ઝડપથી અનુકૂળ થવા માટે ડિઝાઇન કરવામાં આવ્યા છે. મોડલમાં તાલીમ દ્વારા સમાવેલી સુરક્ષાઓ વાસ્તવિક સમયમાં તપાસો, સતત દેખરેખ અને એકાઉન્ટ-સ્તરના અમલીકરણ સાથે મળીને કામ કરે છે, જેથી કોઈ ચોક્કસ સ્તર અપેક્ષા મુજબ કામ ન કરે ત્યારે પણ સિસ્ટમને સુરક્ષિત રહેવામાં મદદ મળે. ઘણી સિસ્ટમો માં, માત્ર ક્લાસિફાયર ફ્લેગ્સ જ શું બ્લૉક કરવું તે નક્કી કરે છે, નુકસાન અટકાવવા માટે બદલવામાં વધુ મુશ્કેલ હોય એવા ઓછી ઇન્ટેલિજન્સ ધરાવતા મોડલ પર આધાર રાખે છે. અમારો અભિગમ એક રિઝનિંગ મોનિટર ઉમેરે છે, જે હાનિની સંભાવના છે કે નહીં તે નક્કી કરવા માટે વાતચીતની સમીક્ષા કરે છે. આ ડિઝાઇનનો હેતુ ગંભીર દૂરુપયોગને બ્લૉક કરતી વખતે રક્ષણાત્મક કાર્યને સક્ષમ બનાવવાનો છે, જેમાં સૌથી સંવેદનશીલ ક્ષમતાઓ Trusted Access મારફતે ચકાસાયેલા વપરાશકર્તાઓ માટે જ અનામત રાખવામાં આવે છે. કેટલાક સુરક્ષા ઉપાયો વાસ્વતિક સમયમાં રિઝનિંગનો ઉપયોગ કરે છે, તેથી અમે ક્લાસિફાયર્સને શરૂઆતથી ફરીથી તાલીમ આપ્યા વિના ખામીઓ દૂર કરવા માટે તેમને ઝડપથી અપડેટ કરી શકીએ છીએ.
અમે અનુકૂલનશીલ હુમલાઓ સામે સિસ્ટમને વધુ મજબૂત બનાવવાનું ચાલુ રાખતા હોવાથી, અમે વધુ સાવચેત અભિગમ અપનાવી રહ્યા છીએ. અગાઉના મોડલોની સરખામણીમાં, અમારા GPT‑5.6 Sol સાયબર સુરક્ષા ઉપાયો અંદાજે દસ ગણી વધુ સંભવિત નુકસાનકારક પ્રવૃત્તિને બ્લૉક કરે છે. આ પગલાં હાનિરહિત ઉપયોગ માટે અસુવિધા ઊભી કરી શકે છે, તેથી અમે ChatGPT અને Codexમાં ઓછી ક્ષમતા ધરાવતા મોડલ પર પ્રોમ્પ્ટને સરળતાથી ફરીથી અજમાવવાનો વિકલ્પ પ્રદાન કરીએ છીએ, અને મજબૂતીનો હાઇ માપદંડ જાળવી રાખીને હાનિરહિત ઉપયોગ પર અમારા સુરક્ષા ઉપાયોની અસર ઘટાડવાનું ચાલુ રાખીશું. આ અમારા પુનરાવર્તિત ડિપ્લોયમેન્ટ અભિગમને પ્રતિબિંબિત કરે છે, એટલે કે: સાવચેતીપૂર્વક શરૂઆત કરવી અને વાસ્તવિક દુનિયાના ઉપયોગમાંથી અમે જે શીખીએ તેના આધારે સુધારો કરવો.
સામાન્ય ઉપલબ્ધતા પહેલાં, અમે વ્યાપક રેડ ટીમિંગ, બાહ્ય નિષ્ણાતો સાથે મજબૂત ક્ષમતા અને સુરક્ષા ઉપાયોનું પરીક્ષણ અને અંદાજે 700,000 A100e GPU કલાકોનું બ્લેક-બોક્સ ઑટોમેટેડ રેડ ટીમિંગ સહિત અત્યાર સુધીના અમારા સૌથી સઘન સલામતી મૂલ્યાંકનો કર્યાં છે. આનાથી અમે સંભવિત નબળા બિંદુઓની વ્યવસ્થિત રીતે તપાસ કરી શક્યા, જેલબ્રેક્સ શોધી શક્યા અને લૉન્ચ પહેલાં સિસ્ટમને મજબૂત બનાવી શક્યા.
સંપૂર્ણ સુરક્ષા જેવું કંઈ હોતું નથી અને વધુ સક્ષમ બનતા મોડલો સુરક્ષિત બનાવવાનું અમારું કાર્ય નિરંતર ચાલુ છે. નવી નબળાઈઓ શોધવામાં આવશે, તેમજ હાલના સુરક્ષા ઉપાયોને અવરોધતા નવા જેલબ્રેક્સ પણ શોધવામાં આવશે. મોડલની દરેક નવી પેઢી હુમલા અને દૂરુપયોગ માટે નવા માર્ગો પણ ઊભા કરશે. અમે સ્તરીય સુરક્ષા ઉપાયો, સતત દેખરેખ, ઝડપી સુધારણા અને સમગ્ર રક્ષણાત્મક સમુદાયમાં સહયોગ દ્વારા તે વાસ્તવિકતાને ધ્યાનમાં રાખીને નિર્માણ કરીએ છીએ. GPT‑5.6 માટે, અમે અમારા હાલના સુરક્ષા(નવી વિન્ડોમાં ખૂલે છે) અને બાયોલોજી બગ બાઉન્ટી પ્રોગ્રામ નવી ઝડપી-નિવારણ પ્રક્રિયા અને અત્યાર સુધીના અમારા સૌથી મજબૂત દેખરેખ પ્રયાસ સાથે જોડ્યા છે. સંશોધકો પાસેથી, દેખરેખ દ્વારા અને વાસ્તવિક દુનિયામાં થતા દૂરુપયોગમાંથી મળતા તારણો સતત ધોરણે નવા મૂલ્યાંકનો અને વધુ મજબૂત સુરક્ષા ઉપાયો માટે આધારરૂપ બનશે.
અપડેટ કરેલા GPT‑5.6 સિસ્ટમ કાર્ડ(નવી વિન્ડોમાં ખૂલે છે)માં અમારા સુરક્ષા ઉપાયો વિશે વધુ વાંચો.
GPT‑5.6 ત્રણ મોડલ સ્તરોમાં વિસ્તરે છે: Sol, અમારું ફ્લેગશિપ; Terra, ઓછા ખર્ચનું મોડલ જેનું પ્રદર્શન GPT‑5.5ને ટક્કર આપતું છે; અને Luna, અમારું સૌથી ઝડપી અને સૌથી વધુ કિફાયતી મોડલ. સંખ્યા પેઢીને ઓળખાવે છે, જ્યારે Sol, Terra અને Luna ટકાઉ ક્ષમતા સ્તરો છે, જે પોતાની ગતિએ આગળ વધી શકે છે.
GPT‑5.6 આજથી ChatGPT, Codex અને OpenAI API પર ઉપલબ્ધ છે. આ રોલઆઉટ અત્યારે વૈશ્વિક સ્તરે શરૂ થઈ રહ્યું છે અને આગામી 24 કલાકમાં સંપૂર્ણ ઉપલબ્ધતા તરફ ક્રમશઃ આગળ વધશે.
- ચૅટ: Plus, Pro, Business અને Enterprise વપરાશકર્તાઓ મીડિયમ અને હાઇ પ્રયત્ન સેટિંગ્સ દ્વારા GPT‑5.6 Sol ઍક્સેસ કરી શકે છે. Pro અને Enterprise વપરાશકર્તાઓ જટિલ કાર્યો પર ઉચ્ચતમ ગુણવત્તાનાં પરિણામો માટે GPT‑5.6 Sol Pro પણ પસંદ કરી શકે છે.
- ChatGPT Work અને Codex: Free અને Go વપરાશકર્તાઓને GPT‑5.6 Terra નો ઍક્સેસ મળે છે. Plus, Pro, Business, અને Enterprise વપરાશકર્તાઓ GPT‑5.6 Sol, Terra અને Luna માંથી પસંદ કરી શકે છે અને દરેક માટે પ્રયાસનું સ્તર સેટ કરી શકે છે. ChatGPT Work અને Codexમાં GPT‑5.6 નો ઍક્સેસ ધરાવતા તમામ વપરાશકર્તાઓ માટે
maxઉપલબ્ધ છે અને તેને સેટિંગ્સમાં ચાલુ કરી શકાય છે. ChatGPT Work માં, Pro અને Enterprise વપરાશકર્તાઓ માટેultraઉપલબ્ધ છે. Codex માં, તે Plus અને તેનાથી ઉચ્ચ પ્લાન માટે ઉપલબ્ધ છે. - API: ડેવલપર્સ OpenAI API મારફતે Sol, Terra અને Luna ઍક્સેસ કરી શકે છે. Responses API માં, પ્રોગ્રામેટિક ટૂલ કૉલિંગ GPT‑5.6 ને મેમરીમાં એવા પ્રોગ્રામ્સ લખવા અને ચલાવવાની મંજૂરી આપે છે, જે ટૂલ્સનું સંકલન કરે છે અને મધ્યવર્તી પરિણામો પર પ્રક્રિયા કરે છે, જેથી તે ઝીરો ડેટા રિટેન્શન (ZDR) સાથે સુસંગત બને છે. મલ્ટી-એજન્ટ, જે શરૂઆતમાં બેટામાં ઉપલબ્ધ છે, GPT‑5.6 ને એક જ વિનંતીમાં સમકાલીન સબએજન્ટ્સ ચલાવવા અને તેમના કાર્યનું સંશ્લેષણ કરવાની સુવિધા આપે છે.
GPT‑5.6 ની કિંમત ત્રણ મોડલ કદ માટે 1M ટોકન દીઠ નક્કી કરવામાં આવી છે: Sol માટે ઇનપુટ $5 / આઉટપુટ $30; Terra માટે ઇનપુટ $2.50 / આઉટપુટ $15; અને Luna માટે ઇનપુટ $1 / આઉટપુટ $6. GPT‑5.6 વધુ અનુમાનિત પ્રોમ્પ્ટ કૅશિંગ પણ રજૂ કરે છે, જેમાં સ્પષ્ટ કૅશ બ્રેકપોઇન્ટ્સ(નવી વિન્ડોમાં ખૂલે છે) માટે સપોર્ટ અને 30-મિનિટની લઘુત્તમ કૅશ આવરદા સામેલ છે. GPT‑5.6 અને તેના પછીનાં મોડલો માટે, કૅશ રાઇટ્સનું બિલિંગ મોડલના અનકૅશ્ડ ઇનપુટ દરના 1.25x પર થાય છે, જ્યારે કૅશ રીડ્સને 90% કૅશ્ડ-ઇનપુટ ડિસ્કાઉન્ટ મળતું રહે છે.
પ્રોફેશનલ
| Eval | GPT‑5.6 Sol | GPT‑5.6 Terra | GPT‑5.6 Luna | GPT‑5.5 | Claude Fable 5 | Claude Opus 4.8 | Gemini 3.1 Pro પ્રિવ્યૂ | Gemini 3.5 Flash |
| Agents' Last Exam | 52.7% | 50.4% | 50.3% | 46.9% | 40.5% | 45.2% | 32.1% | — |
| GDPval-AA v2 | 1,747.8 Elo | 1,593 Elo | 1,591.8 Elo | 1,493.7 Elo | 1,759.6 Elo | 1,600.1 Elo | 962.3 Elo | 1,348.8 Elo |
| મેનેજમેન્ટ કન્સલ્ટિંગ કાર્યો (આંતરિક) | 43.2% | 37.2% | 35.4% | 31.3% | 35.5% | 31.6% | 13.2% | — |
| બિગ ફાઇનાન્સ બેન્ચ | 53% | 51% | 36% | 49% | — | 44% | — | — |
| આર્ટિફિશિયલ એનાલિસિસ ઇન્ટેલિજન્સ ઇન્ડેક્સ v4.1 | 58.9 ઇન્ડેક્સ સ્કોર | 55 ઇન્ડેક્સ સ્કોર | 51.2 ઇન્ડેક્સ સ્કોર | 54.8 ઇન્ડેક્સ સ્કોર | 59.9 ઇન્ડેક્સ સ્કોર | 55.7 ઇન્ડેક્સ સ્કોર | 46.5 ઇન્ડેક્સ સ્કોર | 50.2 ઇન્ડેક્સ સ્કોર |
કોડિંગ
| Eval | GPT‑5.6 Sol | GPT‑5.6 Sol Ultra | GPT‑5.6 Terra | GPT‑5.6 Luna | GPT‑5.5 | Claude Mythos 5 | Claude Mythos પ્રિવ્યૂ | Claude Fable 5 | Claude Opus 4.8 | Gemini 3.1 Pro પ્રિવ્યૂ |
| આર્ટિફિશિયલ વિશ્લેષણ કોડિંગ એજન્ટ ઇન્ડેક્સ v1.1 | 80 ઇન્ડેક્સ સ્કોર | — | 77.4 ઇન્ડેક્સ સ્કોર | 74.6 ઇન્ડેક્સ સ્કોર | 76.4 ઇન્ડેક્સ સ્કોર | — | — | 77.2 ઇન્ડેક્સ સ્કોર | 72.5 ઇન્ડેક્સ સ્કોર | 42.7 ઇન્ડેક્સ સ્કોર |
| SWE-Bench Pro | 64.6% | — | 63.4% | 62.7% | 59.4% | 80.3% | 77.8% | 80% | 69.2% | 54.2% |
| DeepSWE v1.1 | 72.7% | — | 69.6% | 67.2% | 67% | — | — | 69.7% | 59% | 11.8% |
| Terminal-Bench 2.1 | 88.8% | 91.9% | 87.4% | 84.7% | 85.6% | 88% | — | 83.1% | 78.9% | 70.7% |
વિજ્ઞાન
| Eval | GPT‑5.6 Sol | GPT‑5.6 Terra | GPT‑5.6 Luna | GPT‑5.5 | Claude Mythos 5 | Claude Mythos પ્રિવ્યૂ | Claude Fable 5 | Claude Opus 4.8 |
| MedChemBench | 48.3% | 35% | 30.4% | 35.5% | — | — | — | — |
| LifeSciBench | 59.9% | 56% | 51.2% | 50.4% | — | — | — | — |
| HealthBench પ્રોફેશનલ | 60.5% | 57.7% | 55.7% | 49.5% | 66% | 64.7% | 60.9% | 53% |
કમ્પ્યુટરનો ઉપયોગ
| Eval | GPT‑5.6 Sol | GPT‑5.6 Sol Ultra | GPT‑5.6 Terra | GPT‑5.6 Luna | GPT‑5.5 | Claude Mythos 5 | Claude Mythos પ્રિવ્યૂ | Claude Opus 4.8 | Gemini 3.1 Pro પ્રિવ્યૂ |
| OSWorld 2.0 | 62.6% | — | 50.2% | 45.6% | 47.5% | — | — | 54.8% | — |
| BrowseComp | 90.4% | 92.2% | 87.5% | 83.3% | 84.4% | 88% | 87.9% | 84.3% | 85.9% |
| BenchCAD | 70.6% | — | 62.3% | 63.1% | 44.4% | 38.4% | 35.5% | 27.3% | — |
| BenchCAD (Python ટૂલ) | 83.4% | — | 78.2% | 73.9% | 55.8% | 65% | 61% | 51.8% | — |
સાયબર સિક્યુરિટી
| Eval | GPT‑5.6 Sol | GPT‑5.6 Sol Ultra | GPT‑5.6 Terra | GPT‑5.6 Luna | GPT‑5.5 | Claude Mythos 5 | Claude Mythos Preview | Claude Opus 4.8 |
| કૅપ્ચર-ધ-ફ્લેગ ચેલેન્જો | 96.7% | — | 91.8% | 85.2% | 88.1% | — | — | — |
| SEC-Bench Pro | 71.2% | 74.3% | 57.7% | 48.9% | 45.8% | — | — | — |
| CyberGym | 84.5 % | — | 81.8 % | 77.9 % | 81.8 % | 83.8 % | 83 % | 78.1 % |
| ExploitBench | 73.5 % | — | 52.9 % | 33.2 % | 47.9 % | 78 % | 74.2 % | 40 % |
| ExploitGym | 33.7 % | — | 23.2 % | 12.4 % | 15.1 % | — | — | — |
સ્વ-સુધાર
| Eval | GPT‑5.6 Sol | GPT‑5.6 Terra | GPT‑5.6 Luna | GPT‑5.5 |
| આંતરિક સંશોધન ડિબગિંગ મૂલ્યાંકન | 68.3% | 67.8% | 50.8% | 50% |
| KernelGen 1P | 61.1% | 49.2% | 22.4% | 29.3% |
| NanoGPT | 9.69% | 14.5% | 1.66% | 2.65% |
| PostTrainBench Lite | 50.3% | 51.5% | 29.6% | 38.8% |
| RSI ઇન્ડેક્સ | 57.9% | 56.3% | 41.9% | 41.7% |
મલ્ટીમોડલ
| Eval | GPT‑5.6 Sol | GPT‑5.6 Terra | GPT‑5.6 Luna | GPT‑5.5 | Claude Fable 5 | Claude Opus 4.8 | Gemini 3.1 Pro પ્રિવ્યૂ |
| MMMU Pro (ટૂલ્સ વગર) | 83% | 80.7% | 78.4% | 81.2% | — | — | 80.5% |
| MMMU Pro (ટૂલ્સ સાથે) | 84.6% | 82% | 79.5% | 83.2% | — | — | — |
| gdp.pdf | 30.7% | 24.7% | 22.7% | 26% | 29.8% | 22.5% | 16.7% |
શૈક્ષણિક
| Eval | GPT‑5.6 Sol | GPT‑5.6 Terra | GPT‑5.6 Luna | GPT‑5.5 | Claude Mythos 5 | Claude Mythos Preview | Claude Fable 5 | Claude Opus 4.8 | Gemini 3.1 Pro Preview |
| GPQA Diamond | 94.6% | 92.9% | 92.3% | 93.6% | 94.1% | 94.6% | 92.6% | 92% | 94.3% |
| FrontierMath Tier 1-3 (v2) | 89% | 84.9% | 78.6% | 85.3% | — | — | 87% | 80% | 59.6% |
| FrontierMath Tier 4 (v2) | 83% | 68.3% | 58.5% | 72.5% | — | — | 87.8% | 56.1% | — |
ટૂલનો ઉપયોગ
| Eval | GPT‑5.6 Sol | GPT‑5.6 Terra | GPT‑5.6 Luna | GPT‑5.5 | Claude Mythos 5 | Claude Mythos પ્રિવ્યૂ | Claude Fable 5 | Claude Opus 4.8 | Gemini 3.1 Pro પ્રિવ્યૂ | Gemini 3.5 Flash |
| AutomationBench | 18.1% | 15.2% | 14.9% | 12.9% | — | — | 17.4% | 15.5% | — | 14.5% |
| Toolathlon | 58% | 53.1% | 53.4% | 55.6% | 61.7% | 61.1% | 61.7% | 59.9% | 48.8% | — |
લાંબા સંદર્ભ
| Eval | GPT‑5.6 Sol | GPT‑5.6 Terra | GPT‑5.6 Luna | GPT‑5.5 | Claude Mythos 5 | Claude Mythos પૂર્વાવલોકન | Claude Opus 4.8 |
| OpenAI MRCR v2 8-needle 256K-512K | 91.5% | 89.6% | 41.3% | 81.5% | — | — | — |
| OpenAI MRCR v2 8-needle 512K-1M | 73.8% | 72.5% | 41.3% | 74% | — | — | — |
| GraphWalks BFS 256k f1 | 90.7% | 76.9% | 81.3% | 73.7% | 91.1% | 85.7% | 85.9% |
| GraphWalks BFS 1mil f1 | 77.1% | 71.2% | 51.2% | 45.4% | 79.4% | 74.3% | 68.1% |
અમૂર્ત રિઝનિંગ
| Eval | GPT‑5.6 Sol | GPT‑5.6 Terra | GPT‑5.6 Luna | GPT‑5.5 | Claude Opus 4.8 | Gemini 3.1 Pro Preview |
| ARC-AGI-3⁷ | 7.78% | 0.8% | 0.18% | 0.43% | 1.5% | 0.42% |
લેખક
ફૂટનોટ્સ
1. સાયબર ક્ષમતાઓનું મૂલ્યાંકન ઘટાડેલા સુરક્ષા ઉપાયો સાથે કરવામાં આવે છે. વપરાશકર્તાઓ રક્ષણાત્મક સાયબર ક્ષમતાઓની વધારેલી ઍક્સેસ માટે OpenAI Daybreakના Trusted Access for Cyber પ્રોગ્રામ માં જોડાઈ શકે છે.
2. બધા મોડલનું મૂલ્યાંકન ExploitBench API કાર્યપ્રણાલી સાથે 5 સીડ્સ અને રિઝનિંગ સતતતા વડે કરવામાં આવે છે.
3. અમે અમારા આલ્ફા API પર ExploitGym ચલાવ્યું, જે અમારા પબ્લિક API કરતાં વધુ ઝડપી પ્રતિસાદ આપે છે, અને પછી અમારા પબ્લિક API સાથે મેળ બેસાડવા માટે ફરીથી સ્કેલ કર્યું. અમારી પબ્લિક API માટે અપેક્ષિત ગતિઓ મુજબ વિલંબતાઓને ફરીથી માપાંકિત કરતી વખતે, મૂલ્યાંકન રનમાં સમય મર્યાદાઓનું યોગ્ય રીતે પાલન કરવામાં આવ્યું હોવા છતાં, આના કારણે કેટલીક અંદાજિત વિલંબતાઓ બે અને છ કલાકની સમય મર્યાદાઓને ઓળંગી જાય છે. સમય-સંવેદનશીલ કામ માટે વધુ ઝડપી ગતિ મેળવવા, અમે APIમાં પ્રાયોરિટી પ્રોસેસિંગ અને Codexમાં ઝડપી મોડ પ્રદાન કરીએ છીએ.
4. અમે અમારા મોડલોના પ્રોડક્શન બિહેવિયરને જોઈને અને ઑફલાઇન સિમ્યુલેટ કરીને લેટન્સી અને API ખર્ચનો અંદાજ લગાવીએ છીએ. આ અંદાજો ટૂલ કૉલની વિગતો, નમૂનારૂપ ટોકન અને ઇનપુટ ટોકનને ધ્યાનમાં લે છે. વાસ્તવિક દુનિયાનાં પરિણામો નોંધપાત્ર રીતે અલગ-અલગ હોઈ શકે છે અને તે અમારા સિમ્યુલેશનમાં ધ્યાનમાં લેવામાં ન આવેલા ઘણા પરિબળો પર આધાર રાખે છે. અમે લેટન્સીને ઝડપી API ગતિઓ પર અને ખર્ચને નિયમિત API કિંમતો પર સિમ્યુલેટ કરીએ છીએ.
5. જે મોડેલ્સ માટે આઉટપુટ ટોકન્સ, લેટન્સી અથવા ખર્ચની જાણ કરવામાં આવી નથી, તેમને આડા ટપકાંવાળા લાઈન તરીકે દર્શાવવામાં આવ્યા છે.
6. મલ્ટિ-એજન્ટ માટે, રૂટ એજન્ટ પરથી વિલંબતા લેવામાં આવે છે, જ્યારે આઉટપુટ ટોકન અને API-ખર્ચના કુલ આંકડાઓમાં તમામ ટોકનનો સમાવેશ થાય છે. Ultra ને 4 એજન્ટ્સ સાથે ચલાવવામાં આવે છે.
7. અમે HealthBench Professional પેપરમાં વર્ણવેલા સત્તાવાર સ્કોરિંગ અભિગમથી સ્કોરની ગણતરી કરીએ છીએ, જે Anthropic સિસ્ટમ કાર્ડ્સમાં રિપોર્ટ કરાયેલા પરિણામો સાથે તુલનીય નથી.
8. Opus 4.8 માટે ARC-AGI-3 હાઇ પર ચલાવવામાં આવ્યું હતું, મેક્સ રિઝનિંગ પ્રયત્ન પર નહીં, કારણ કે આ એકમાત્ર પ્રકાશિત ARC-AGI-3 પરિણામ છે.

