हम GPT‑5.6 सीरीज़ का एक सीमित प्रीव्यू शुरू कर रहे हैं: Sol, हमारा फ़्लैगशिप मॉडल है; Terra, रोज़मर्रा के कामों के लिए एक संतुलित मॉडल है; और Luna, एक तेज़ और किफ़ायती मॉडल है. Terra, GPT‑5.5 के सामने टक्कर की परफ़ॉर्मेंस देता है और 2 गुना सस्ता है, जबकि Luna में हमें सबसे कम खर्च पर मज़बूत क्षमताएँ मिलती हैं.
GPT‑5.6 Sol अब तक के हमारे सबसे मज़बूत सुरक्षा स्टैक के साथ लॉन्च हो रहा है. हमने ज़्यादा रिस्क वाले काम, संवेदनशील साइबर रिक्वेस्ट और बार-बार होने वाले गलत इस्तेमाल के खिलाफ़ सुरक्षा को मज़बूत किया है और कई हफ़्ते कमज़ोरियाँ खोजने, प्रेशर-टेस्ट करने और असल दुनिया के हमलों के खिलाफ़ उसे मज़बूत बनाने में लगाए हैं.
हम ज़्यादा-से-ज़्यादा लोगों तक पहुँचना चाहते हैं और आने वाले हफ़्तों में GPT‑5.6 Sol, Terra और Luna को सामान्य तरीके से उपलब्ध करने की योजना बना रहे हैं. अमेरिकी सरकार के साथ जारी बातचीत के मुताबिक, हमने आज के लॉन्च से पहले, उन्हें अपनी योजनाएँ और इस मॉडल की क्षमताओं की एक झलक दिखाई थी. जैसा कि सरकार ने अनुरोध किया है, हम इसे बड़े पैमाने पर रिलीज़ करने से पहले, भरोसेमंद पार्टनर्स के एक छोटे समूह के लिए सीमित तौर पर शुरू कर रहे हैं, जिसकी जानकारी सरकार को दी गई है. इस प्रीव्यू के दौरान, हम सुरक्षा को और मज़बूत करने के लिए लगातार जाँच करते रहेंगे और अपने पार्टनर्स के साथ मिलकर काम करेंगे. हमें नहीं लगता कि सरकार से मंज़ूरी लेकर काम करने का यह तरीका ज़्यादा समय तक चलना चाहिए. इससे ये बेहतरीन टूल्स उन यूज़र, डेवलपर, एंटरप्राइज़, साइबर डिफ़ेंडर और ग्लोबल पार्टनर तक नहीं पहुँच पाते, जिन्हें इनकी ज़रूरत है. हम यह कदम कुछ समय के लिए इसलिए उठा रहे हैं क्योंकि हमारा मानना है कि आने वाले हफ़्तों में इन्हें बड़े पैमाने पर उपलब्ध कराने का यह सबसे अच्छा रास्ता है. इस दौरान हम सरकार के साथ मिलकर एक साइबर एग्ज़ीक्यूटिव ऑर्डर फ़्रेमवर्क और बार-बार किए जा सकने वाले प्रोसेस पर काम कर रहे हैं, ताकि भविष्य में रिलीज़ होने वाले मॉडल्स के लिए उनका इस्तेमाल किया जा सके.
GPT‑5.6 Sol अब तक का हमारा सबसे मज़बूत मॉडल है. मॉडल के परफ़ॉर्मेंस का प्रीव्यू देने के लिए, हम इवैल्यूएशन का एक सेट शेयर कर रहे हैं जो कोडिंग, बायोलॉजी और साइबर सुरक्षा में बेहतर एजेंटिक क्षमताओं को दिखाता है, इसके साथ ही अतिरिक्त सुरक्षा और तैयारी से जुड़ा इवैल्यूएशन हमारे सिस्टम कार्ड(एक नई विंडो में खुलेगा) में मौजूद हैं. जब हम मॉडल को बड़े पैमाने पर उपलब्ध कराएँगे, तब इवैल्यूएशन के नतीजों को और ज़्यादा डिटेल के साथ शेयर करेंगे.
GPT‑5.6 के साथ, हम Sol को गहराई से रीज़निंग करने के लिए सबसे ज़्यादा समय देने के लिए एक नया `max` रीज़निंग एफ़र्ट पेश कर रहे हैं. साथ ही, हम एक नया `ultra` मोड भी ला रहे हैं, जो जटिल कामों को तेज़ी से करने के लिए सब-एजेंटों का इस्तेमाल करके सिंगल एजेंट की क्षमताओं से आगे निकल जाता है.
कोडिंग वर्कफ़्लो के मामले में, GPT‑5.6 Sol ने Terminal‑Bench 2.1 पर एक नया रिकॉर्ड बनाया है, जो कमांड-लाइन पर किए जाने वाले ऐसे कामों की टेस्टिंग करता है, जिनमें प्लानिंग, सुधार, और अलग-अलग टूल के बीच तालमेल की ज़रूरत होती है.
GPT‑5.6 Sol बायोलॉजी वर्कफ़्लो में भी बड़ा सुधार दिखाता है. GeneBench v1 पर, जो लॉन्ग-होराइज़न जीनोमिक्स और क्वांटिटेटिव-बायोलॉजी एनालिसिस का इवैल्यूएशन करता है, यह कम टोकन में भी GPT‑5.5 के मुकाबले ज़्यादा बेहतर नतीजे देता है.
GPT‑5.6 Sol साइबर सुरक्षा के लिए अब तक का हमारा सबसे कैपेबल मॉडल है. यह सुरक्षा खामियों पर रिसर्च और सिस्टम में सेंध लगाने जैसे लॉन्ग-होराइज़न वाले सुरक्षा कामों के लिए परफ़ॉर्मेंस-एफ़िशिएंसी फ़्रंटियर को बदल देता है. ExploitBench² पर, GPT‑5.6 Sol सिर्फ़ ~1/3 आउटपुट टोकन का इस्तेमाल करके Mythos Preview को टक्कर देता है. ExploitGym(एक नई विंडो में खुलेगा)3 पर, जो UC Berkeley के रिसर्चर्स ने OpenAI और अन्य फ़्रंटियर लैब्स के साथ मिलकर एक बेंचमार्क बनाया है, GPT‑5.6 के Sol, Terra और Luna मॉडल रीज़निंग बढ़ाने पर साइबर क्षमताओं में बहुत अच्छा सुधार दिखाते हैं.
हमने GPT‑5.6 के Sol, Terra और Luna को अब तक के अपने सबसे मज़बूत सेफ़गार्ड्स के साथ डेवलप किया है, जिनकी कॉन्फ़िगरेशन हर मॉडल की क्षमताओं से मेल खाती है. जैसे-जैसे मॉडल और ज़्यादा कैपेबल होता जाता है, हम सेफ़गार्ड्स को इस तरह डिज़ाइन करते हैं कि वे असल दुनिया के बढ़ते दबाव में और मज़बूती से टिके रहें, साथ ही कोड रिव्यू, सुरक्षा खामियों की रिसर्च, पैच डेवलपमेंट, डिबगिंग, सुरक्षा की ट्रेनिंग और डिफ़ेंसिव टेस्टिंग जैसे सही कामों के एक्सेस में भी कोई समस्या न आए. हमारा मकसद इन फ़ायदेमंद इस्तेमालों को बेकार में रोके बिना गैरकानूनी हमलों को ज़्यादा मुश्किल, अनिश्चित और पकड़ मे आने लायक बनाना है. मॉडल और सेफ़गार्ड्स के हमारे असेसमेंट के आधार पर, हमें उम्मीद है कि सही तरीके से सुरक्षा करने के काम में काफ़ी फ़ायदा होगा और गैरकानूनी हमलों पर काफ़ी हद तक रोक लगेगी.
GPT‑5.6 Sol भरोसेमंद तरीके से हमला करने के मुकाबले लोगों को सुरक्षा खामियाँ ढूँढने और उन्हें ठीक करने में मदद देने के मामले में ज़्यादा बेहतर है. जैसे-जैसे ये क्षमताएँ बेहतर हो रही हैं, हमारी प्रायोरिटी है कि ये क्षमताएँ डिफ़ेंडर्स तक पहुँचें और उन्हें फ़ायदा मिले, वे इन टूल का इस्तेमाल कमियों को ढूँढने, पैच बनाने और बड़े तौर पर सिस्टम को मज़बूत करने के लिए कर सकते हैं.
GPT‑5.6 Sol हमारे प्रिपेयर्डनेस फ़्रेमवर्क के तहत Cyber Critical की सीमा को पार नहीं करता है. Chromium और Firefox से जुड़े इवैल्यूएशन में, इसने बग और एक्सप्लॉइटेशन प्रिमिटिव्स—यानी एक्सप्लॉइट के बिल्डिंग ब्लॉक्स— को पहचानने का काम किया, लेकिन टेस्टिंग की सीमाओं में रहते हुए अपने-आप कोई काम करने लायक फ़ुल-चेन एक्सप्लॉइट नहीं बनाया. फिर भी, बेंचमार्क सीमाएँ उन सभी तरीकों को नहीं पकड़ सकतीं जिनसे किसी मॉडल का इस्तेमाल किया जा सकता है या जितनी तरह से उन्हें अन्य टूल के साथ जोड़ा जा सकता है. यह अनिश्चितता, साथ ही मॉडल की क्षमताओं में बड़े पैमाने पर हो रहे बदलाव ही वे वजहें है कि हम मॉडल की बढ़ी हुई क्षमताओं को और मज़बूत सेफ़गार्ड्स और कई फ़ेज़ में होने वाली रिलीज़ के साथ जोड़ रहे हैं. हम अपने सेफ़गार्ड्स के बारे में ज़्यादा जानकारी GPT‑5.6 Preview सिस्टम कार्ड(एक नई विंडो में खुलेगा) में शेयर कर रहे हैं.
जब कोई हमलावर पूरी तैयारी के साथ या सुरक्षा उपायों के साथ अपनी स्ट्रैटेजी को बदलकर हमला करता है, तो ऐसे गलत इस्तेमाल के लिए कोई भी अकेला सेफ़गार्ड काफ़ी नहीं होता है, GPT‑5.6 के पूरे प्रिव्यू के दौरान, हम कई लेयर वाले सेफ़गार्ड्स का इस्तेमाल कर रहे हैं, जिनकी कॉन्फ़िगरेशन अलग-अलग मॉडल के हिसाब से अलग है और असल दुनिया के हमलों के लिए उनकी प्रेशर-टेस्टिंग की जा रही है . इनमें मॉडल को दी गई सुरक्षा की ट्रेनिंग, जेनरेशन के दौरान रीयल-टाइम जाँच, अकाउंट के स्तर पर सिग्नल, अलग-अलग तरह का एक्सेस, मॉनिटरिंग, एन्फोर्समेंट और लगातार होने वाली टेस्टिंग शामिल हैं.
GPT‑5.6 को इस तरह से ट्रेन किया गया है कि वह कोई भी ऐसी साइबर मदद देने से साफ़ मना कर दे जो प्रतिबंधित है, भले ही यूज़र अपने इरादे को छिपाने या मॉडल को धोखे से जेलब्रेक करने की कोशिश ही क्यों न करें. मॉडल के स्तर पर सेट किए गए ये सेफ़गार्ड्स सुरक्षा की पहली लेयर बनाते हैं, जिससे मॉडल को पता चलता है कि किस काम में मदद करनी चाहिए और किसमें नहीं.
रियल-टाइम साइबर और बायोलॉजी के गलत इस्तेमाल को पकड़ने वाले क्लासिफ़ायर्स सुरक्षा की एक और लेयर जोड़ते हैं और आउटपुट के जेनरेट होने पर उसे इवैल्यूएट करते हैं. ज़्यादा रिस्क वाले मामलों में, अगर किसी संभावित उल्लंघन का पता चलता है, तो आउटपुट जेनरेशन को कुछ समय के लिए रोका जा सकता है, ताकि एक बड़ा रीज़निंग मॉडल पूरी बातचीत और उसके कॉन्टेक्स्ट की जाँच कर सके. अगर वह जवाब नियमों के खिलाफ़ मिलता है, तो उसे यूज़र तक पहुँचने से पहले ही रोक दिया जाता है.
फ़्लैग की गई किसी भी एक्टिविटी की वजह से पूरे अकाउंट का रिव्यू शुरू हो सकता है, इसमें सभी संबंधित बातचीत और रिस्क सिग्नल शामिल हैं, यह डेटा रखने और उसके रिव्यू से जुड़ी हमारी शर्तों और नीतियों के मुताबिक है. सिर्फ़ एक बातचीत तक सीमित नहीं रहने से हमारे सिस्टम को यह समझने में मदद मिलती है कि कौन वाकई में लगातार गलत इरादे से काम कर रहा है और कौन सही तरीके से सुरक्षा के डुअल-यूज़ काम कर रहा है, जहाँ एक जैसे टेक्निकल कॉन्सेप्ट बिल्कुल अलग तरह से दिखाई दे सकते हैं.
साथ मिलकर, ये सभी लेयर सुरक्षा के पूरे तरीके को किसी भी एक सेफ़गार्ड के मुकाबले ज़्यादा मजबूत बनाती हैं. मॉडल का व्यवहार ऐसे रिस्पॉन्स की संभावना को कम करता है, जो नुकसानदेह हो. जेनरेशन के दौरान ही रीयल-टाइम सिस्टम्स उसे रोक सकते हैं, अकाउंट-स्तर के रिव्यू से बड़े पैटर्न पहचाने जा सकते हैं, और अलग-अलग तरह के एक्सेस डिफ़ॉल्ट तौर पर सबसे संवेदनशील क्षमताओं को हर किसी के लिए उपलब्ध कराए बिना बचाव के ज़रूरी कामों को सुरक्षित रखता है.
विशेष तौर पर इस प्रिव्यू के दौरान, यूज़र को ऐसे सेफ़गार्ड्स का सामना करना पड़ सकता है, जो किसी रिक्वेस्ट को ब्लॉक या रिफ़्यूज़ कर दे. कुछ रिक्वेस्ट में शायद ज़्यादा समय लगे, क्योंकि अतिरिक्त रिव्यू के लिए जेनरेशन को कुछ समय के लिए रोका जाता है. सेफ़गार्ड्स कभी-कभी सही काम में भी रुकावट डाल सकते हैं, खासकर डुअल-यूज़ वाले मामलों में जहाँ डिफ़ेंसिव और ऑफ़ेंसिव काम शुरुआत में एक जैसे दिख सकते हैं.
प्रीव्यू को जिस टेस्टिंग के लिए डिज़ाइन किया गया है, यह सब उसी का एक हिस्सा है. हम सिर्फ़ यह समझना नहीं चाहते कि सेफ़गार्ड्स गलत इस्तेमाल को रोकेंगे या नहीं, बल्कि हमें यह भी देखना है कि क्या सही यूज़र अभी भी अपने सामान्य काम को भरोसेमंद और एफ़िशिएंट तरीके से पूरा कर पा रहे हैं. प्रिव्यू के दौरान मिलने वाले फ़ीडबैक से हमें बेवजह के ब्लॉक और देरी को कम करने, सेफ़गार्ड्स किसी कॉन्टेक्स्ट को कैसे समझते हैं इसमें सुधार करने, और इसे सबके लिए रिलीज़ करने से पहले एक अच्छा अनुभव तैयार करने में मदद करेंगे.
हम एंटरप्राइज़ ग्राहकों के साथ मिलकर कुछ लॉन्ग टर्म के तरीकों पर भी काम कर रहे हैं—जिसमें प्राइवेसी को सुरक्षित रखने वाला डिटेक्शन, ग्राहक की ओर से ऑपरेट किए जाने वाले सेफ़्टी कंट्रोल, और ग्राहक, यूज़र्स या वर्कलोड के रिस्क के हिसाब से तय किया गया एक्सेस शामिल है—ताकि एंटरप्राइज़ की प्राइवेसी से जुड़ी ज़रूरतों को पूरा करते हुए सुरक्षा को बेहतर किया जा सके.
जब हमलावर अपनी स्ट्रैटेजी बदलते हैं, तब भी सेफ़गार्ड का काम करते रहना ज़रूरी है. जो सुरक्षा सिर्फ़ जाने-पहचाने हमलों के खिलाफ़ काम करती है, वह किसी फ़्रंटियर मॉडल के लिए काफ़ी नहीं है.
इसीलिए हम सुरक्षा में पहले से कहीं ज़्यादा इंटेलिजेंस और कंप्यूट लगा रहे हैं, अपने ही मॉडल का इस्तेमाल कर कमज़ोरियाँ खोज रहे हैं और सेफ़गार्ड्स को तेज़ी से बेहतर कर रहे हैं. हमने यूनिवर्सल जेलब्रेक खोजने के लिए ऑटोमेटेड रेड-टीमिंग पर 700,000 से ज़्यादा A100 के बराबर GPU घंटे लगाए: ऐसे हमले जो सिर्फ़ किसी छोटे सेटअप में नहीं, बल्कि कई प्रॉम्प्ट या कॉन्टेक्स्ट्स में काम कर सकते हैं. इन ज़्यादा मुश्किल और सामान्य हमलों पर फ़ोकस करने से हमें सेफ़गार्ड्स को जाने-पहचाने हमलों से आगे ले जाकर टेस्टिंग करने में मदद मिली. इससे हम हमलों के उन पैटर्न को भी देख पाए, जो इंसानी टेस्टिंग के बस के बाहर की बात थी, कमियों के पैटर्न पहले पहचान सकते हैं, और कमज़ोरी खोजने से उसे दूर करने तक का रास्ता छोटा कर सकते हैं.
ऑटोमेटेड रेड-टीमिंग के अलावा, हमने बड़े पैमाने पर एक्सपर्ट्स से रेड-टीमिंग करने के लिए थर्ड-पार्टी टेस्टर्स के साथ काम किया, जो प्रीव्यू के दौरान भी जारी रहेगी. जब एक्सपर्ट्स खुद रेड-टीमिंग करते हैं, तो इससे ऑटोमेटेड रेड टीमिंग और बेहतर हो जाती है, क्योंकि इससे उन क्रिएटिव और एक्सपर्ट हमलावरों के खिलाफ़ भी सेफ़गार्ड्स की जाँच हो जाती है, जो मॉडल का कुछ इस तरह से गलत इस्तेमाल करने की कोशिश करते हैं जिसका अंदाज़ा शायद हमारे सिस्टम को न हो.
कोई भी इवैल्यूएशन हर प्रोडक्ट कॉन्फ़िगरेशन, कई स्टेप में किए गए हमलों या असल दुनिया के वर्कफ़्लो को ध्यान में नहीं रख सकता. इसलिए जब भी कोई नया जेलब्रेक दिखाई देता है, तो हम उसे फिर से तैयार करते हैं, परखते हैं, उसकी प्राथमिकता तय करते हैं, और उसका हल निकालने के लिए हमेशा एक रैपिड-रिस्पॉन्स प्रोसेस रखते हैं. इसके बाद हम उन्हें अपने नियमित इवैल्यूएशन्स में शामिल कर लेते हैं ताकि भविष्य में ऐसे खतरों को टेस्ट किया जा सके.
प्रिव्यू के दौरान, GPT‑5.6 मॉडल शुरू में API और Codex के ज़रिए भरोसेमंद पार्टनर्स और संगठनों के चुनिंदा समूह को मिलेंगे. हम जल्द ही ChatGPT, Codex और API का इस्तेमाल करने वाले लोगों के लिए इसे बड़े पैमाने पर उपलब्ध कराएँगे.
GPT‑5.6 के साथ पेश किए गए इस नेमिंग सिस्टम में जो संख्या है, वह मॉडल की पीढ़ी बताती है, जबकि Sol, Terra और Luna से उनके ड्यूरेबल कैपेबिलिटी टियर्स का पता चलता है, जो अपनी रफ़्तार से आगे बढ़ सकते हैं. एक साथ मिलकर, यह परिवार आम लोगों और डेवलपर्स को इंटेलिजेंस, स्पीड और लागत के आधार पर कई सारे विकल्प देती है.
GPT‑5.6 के तीन साइज़ के मॉडल की कीमत हर 10 लाख टोकन के हिसाब से तय की गई है: Sol के लिए $5 इनपुट / $30 आउटपुट है; Terra के लिए $2.50 इनपुट / $15 आउटपुट है; और Luna के लिए $1 इनपुट / $6 आउटपुट है. GPT‑5.6 ज़्यादा प्रेडिक्टेबल प्रॉम्ट कैशिंग की सुविधा भी देता है, जिसमें एक्सप्लिसिट कैश ब्रेकपॉइंट हैं और कैश की लाइफ़ कम-से-कम 30 मिनट रहती है. GPT‑5.6 और उसके बाद के मॉडल के लिए, कैश लिखने का खर्च मॉडल के अनकैश्ड इनपुट रेट का 1.25 गुना होगा, जबकि कैश पढ़ने पर पहले की तरह 90% का कैश-इनपुट डिस्काउंट मिलता रहेगा.
हम जुलाई में Cerebras पर GPT‑5.6 Sol भी लॉन्च कर रहे हैं, जो हर सेकंड में 750 टोकन तक देगा और ग्राहकों तक ऐसी रफ़्तार से फ़्रंटियर इंटेलिजेंस पहुँचाएगा, जो अब तक कभी नहीं हुआ है. अभी हम इसकी क्षमता को बढ़ाने पर काम कर रहे हैं, इसलिए शुरुआत में इसकी सुविधा कुछ चुनिंदा यूज़र्स को ही मिल पाएगी.
हम प्रीव्यू के दौरान और नई चीज़ें सीखने के साथ ही, बहुत जल्दी GPT‑5.6 Sol, Terra और Luna को और ज़्यादा लोगों तक पहुँचाने के लिए उत्साहित हैं.
1. हम प्रोडक्शन के दौरान अपने मॉडल के व्यवहार को देखकर और ऑफ़लाइन सिम्युलेशन करके लेटेंसी और API के खर्च का अनुमान लगाते हैं. इन अनुमानों में टूल कॉल की डिटेल्स, सैंपल टोकन और इनपुट टोकन शामिल होते हैं. असल दुनिया में काम करते समय इनके नतीजे काफ़ी हद तक अलग हो सकते हैं और इसके पीछे कई ऐसी वजहें हो सकती हैं, जो हमारे सिम्युलेशन में शामिल नहीं हैं. हम तेज़ API स्पीड पर लेटेंसी को और सामान्य API प्राइसिंग पर लागत को सिम्युलेट करते हैं.
2. सभी मॉडल का इवैल्यूएशन 5 सीड और रीज़निंग जारी रखते हुए ExploitBench API हार्नेस का इस्तेमाल करके किया जाता है.
3. हमने ExploitGym को अपने अल्फ़ा API पर चलाया, जो हमारे पब्लिक API के मुकाबले तेज़ी से रिस्पॉन्स देता है और फिर उसे हमारे पब्लिक API से मेल खाने के लिए रीस्केल किया. जब लेटेंसी को पब्लिक API की एक्सपेक्टेड स्पीड के हिसाब से रीस्केल किया जाता है, तो भले ही इवैल्यूएशन के दौरान लिमिट का अच्छे से ख्याल रखा गया हो, कुछ अनुमानित लेटेंसी 2 घंटे और 6 घंटे की टाइम लिमिट से ज़्यादा हो जाती हैं. टाइम-सेंसिटिव कामों को तेज़ रफ़्तार से करने लिए,हम API में प्रायोरिटी प्रोसेसिंग और Codex में फ़ास्ट मोड ऑफ़र करते हैं.
4. जिन मॉडल्स के लिए आउटपुट टोकन, लेटेंसी या लागत की जानकारी नहीं है, उन्हें हॉरिज़ोन्टल बिंदू वाली लाइनों के तौर पर दिखाया किया गया है.
