Ugrás a fő tartalomra
OpenAI

2026. július 9.

TermékKiadás

GPT‑5.6: Élvonalbeli intelligencia, amely az ambícióiddal együtt skálázódik

Több intelligencia minden tokenből, nagyobb teljesítmény dolláronként, és több képesség igény szerint a legnehezebb feladataihoz.

Betöltés…

A limitált előzetes verzió után általánosan elérhetővé tesszük a GPT‑5.6 modellcsaládot: új zászlóshajónkat, a Sol-t, valamint a Terra-t, amely kiegyensúlyozott modell a mindennapi munkához, és a Luna-t, a legköltséghatékonyabb modellt.

A GPT‑5.6 Sol új mércét állít fel az intelligencia és a hatékonyság terén: a programozás, a tudásmunka, a kiberbiztonság és a tudományos feladatok széles körében a legkorszerűbb teljesítményt nyújtja, miközben kevesebb token felhasználásával és alacsonyabb becsült költség mellett múlja felül a korábbi, valamint a versenytárs élvonalbeli modelleket. Az eredmény jobb egységnyi ráfordításra jutó teljesítmény: több sikeresen elvégzett munka azonos költés mellett, vagy összehasonlítható eredmények alacsonyabb teljes összköltséggel. Emellett új módot vezetünk be a legigényesebb munkák felgyorsítására: az ultra a legmagasabb teljesítményű beállításunk, amely több ügynököt koordinál párhuzamos munkafolyamatokban, hogy a komplex feladatokat gyorsabban elvégezze. A fejlettebb számítógép-használat és a tervezési szakértelemnek köszönhetően a GPT‑5.6 Sol a legkifinomultabb együttműködő partnerünk, amely segít az eredmények ellenőrzésében, finomításában és azonnal felhasználható formában történő átadásában.

A GPT‑5.6-ot úgy tanítottuk be, hogy minden tokenből több hasznos munkát hozzon ki. Az Agents’ Last Exam(új ablakban nyílik meg) nevű, 55 területet felölelő, hosszú lefutású szakmai munkafolyamatokat értékelő teszten a GPT‑5.6 Sol új csúcsot állít fel 53,6-os eredménnyel, 13,1 ponttal felülmúlva a Claude Fable 5-öt (adaptív érvelés). Még közepes érvelési szinten is 11,4 ponttal felülmúlja a Fable 5-öt, a becsült költség nagyjából egynegyedéért. Ez a hatékonyság a kisebb modellekre is kiterjed, amelyek elengedhetetlenek ahhoz, hogy az intelligencia szélesebb körben elérhető és megfizethetőbb legyen: GPT‑5.6 Terra és GPT‑5.6 Luna jobb teljesítményt nyújtanak a Fable 5-nél, nagyjából tizenhatod akkora költségen. Az Artificial Analysis Intelligence Index(új ablakban nyílik meg) egy széles körű intelligencia-mutató, amely kiterjed az ügynöki munkára, a kódolásra, a tudományos érvelésre és az általános képességekre. A GPT‑5.6 Sol maximális érveléssel egy ponttal marad el a Fable 5-től, miközben a feladatokat 61%-kal rövidebb idő alatt, nagyjából fele akkora becsült költséggel teljesíti.

Agents’ Last Exam benchmark(új ablakban nyílik meg): hosszú távú, ügynöki munkafolyamatok különböző szakmai területeken.

A GPT‑5.6 minden eddiginél robusztusabb biztonsági védelmi megoldásokkal kerül bevezetésre. Ezeket úgy terveztük, hogy ellenálljanak a tudatosan és alkalmazkodó módon végrehajtott visszaélési kísérleteknek, miközben nem korlátozzák szükségtelenül a legitim felhasználási eseteket. Az általános elérhetőség előtt a modelleket és a hozzájuk tartozó biztonsági védelmi mechanizmusokat minden eddiginél átfogóbb értékelési folyamatnak vetettük alá, amely ötvözte a humán red teaminget a nagyléptékű automatizált teszteléssel. Az előzetes kipróbálási időszak során szorosan együttműködtünk szakértő szervezetekkel és megbízható partnerekkel, hogy a szélesebb körű bevezetés előtt próbára tegyük a védelmi intézkedéseket és megerősítsük a biztosítékokat. Az így létrejövő rendszer több rétegben ötvözi a modellbe betanított védelmi intézkedéseket a valós idejű ellenőrzésekkel, a monitorozással, valamint a bizalomhoz és a kockázathoz igazított hozzáféréssel.

Alapértelmezetten hatékony, igény szerint maximális teljesítmény

A GPT‑5.6 Sol az eddigi legjobb kódolási modellünk. Az Artificial Analysis Coding Agent Index rangsorában a maximális érvelést használó GPT‑5.6 Sol 80-as eredménnyel új csúcseredményt ér el, 2,8 ponttal a Fable 5 fölött, miközben kevesebb mint feleannyi kimeneti tokent használ, kevesebb mint feleannyi időt vesz igénybe, és körülbelül egyharmaddal kevesebbe kerül. Ez az előny a teljes modellcsaládra kiterjed: a Terra valamivel a Fable 5 modell felett teljesít, míg a Luna jobb teljesítményt nyújt az Opus 4.8-nál. Mindezt megközelítőleg harmadannyi idő alatt, közel feleannyi kimeneti token felhasználásával, valamint hozzávetőleg a becsült költség egynegyedéért érik el. Emellett új csúcseredményeket ér el a Terminal‑Bench 2.1-en és a DeepSWE-n: ezek a tesztek összetett parancssori munkafolyamatokat és hosszú távú mérnöki feladatokat vizsgálnak valós kódbázisokban.

Mesterséges elemzésű kódolóügynök-index: a kódolóügynök teljesítményének független indexe a megvalósítás, a terminálhasználat és a valós kódbázisok között.

A GPT‑5.6 képes könnyű, memóriában futó programokat írni és végrehajtani, amelyek összehangolják az eszközök működését, feldolgozzák a köztes eredményeket, nyomon követik a feladat előrehaladását, és a munkafolyamat során önállóan meghatározzák a következő lépést. Ennek köszönhetően az eszközigényes feladatok kevesebb token felhasználásával, kevesebb modellhívással, valamint minimális iránymutatás mellett is hatékonyabban hajthatók végre. Ahelyett, hogy a fejlesztőknek minden lépést szkriptelniük kellene, vagy minden eszközválaszt vissza kellene küldeniük a modellen keresztül, a Responses API-ban elérhető Programmatic Tool Calling(új ablakban nyílik meg) képes nagy mennyiségű köztes adatot szűrni, csak a lényeges információkat megtartani, és menet közben is igazítani a munkafolyamatát.

Azoknál a problémáknál, amelyeknél a több idő és számítási kapacitás ráfordítása megtérül, a GPT‑5.6 túl tud lépni ezen a hatékony alapbeállításon. A max beállítás még az xhigh-nál is több időt ad a GPT‑5.6-nak arra, hogy gondolkodjon, alternatívákat vizsgáljon, ellenőrzéseket futtasson, és felülvizsgálja a megközelítését. Az ultra még tovább megy, alapértelmezés szerint négy ügynököt koordinál párhuzamosan, ami a magasabb tokenhasználatért cserébe Erős eredményeket és gyorsabb eredményelérést tesz lehetővé a nagy igénybevételű feladatoknál. Az alábbi diagramok az ultra alapértelmezett négyügynökös beállítását hasonlítják össze az együgynökös alapkonfigurációval a BrowseComp, a SEC-Bench Pro és a Terminal-Bench 2.1 benchmarkokon; a BrowseComp és a SEC-Bench Pro esetében a 16 ügynökös konfigurációk is szerepelnek. Mindhárom kiértékelésben a párhuzamos ügynökök hozzáadása felfelé és balra tolja a pontszám–késleltetés élvonalbeli határgörbéjét, ami jobb eredményeket tesz lehetővé rövidebb idő alatt. Az API-ban a fejlesztők a Responses API többügynökös bétájának használatával ultra-szerű élményeket hozhatnak létre.

1 / 11
A GPT‑5.6 az egyik legerősebb modell, amelyet a CursorBench-en teszteltünk, és a korai kiértékelésekben megbízható eredményeket nyújtott. Ez egy izgalmas előrelépés a fejlesztők számára a perzisztencia, az intelligencia és az általános hatékonyság terén. Alig várjuk, hogy elérhetővé tegyük ezt a modellt a Cursor-felhasználóink számára.
– Oskar Schulz, a Cursor elnöke

Nagy előrelépés a dizájnban

A GPT‑5.6 ugrásszerű előrelépést hoz a tervezési ítélőképesség terén. A GPT‑5.6 csupán erős iránymutatás alapján is ízléses, ergonomikus és funkcionális felületeket hoz létre. A továbbfejlesztett számítógép-használati képességek lehetővé teszik, hogy ne csupán a mögöttes kódot vagy tartalmat hozza létre, hanem a kész eredményt is megjelenítse, ellenőrizze és finomítsa, így ennek köszönhetően képes felismerni a vizuális és működésbeli hibákat, elvégezni az utolsó simításokat, és csak ezután átadni a kész munkát.

Utasítás: udnál készíteni nekem egy 3D-s vitorlás játékot? Bármihez, amihez bitmapokra/textúrákra/sprite-okra van szükség (vagy ha hasznos, hogy legyen mockup-referencia bármely általad készített 3D modellhez), nyugodtan használd az imagegen eszközt.

A GPT‑5.6 frontend képességei emellett a természetes nyelvű kéréseket letisztult, interaktív magyarázatokká és vizualizációkká alakítják a ChatGPT Munka során.

Utasítás: Hozz létre egy interaktív spirográfot, amely bemutatja a működését.

Teljes körű támogatás a professzionális tudásmunkában

A GPT‑5.6 jobb eredményeket nyújt professzionális feladatokhoz. Képes a dokumentumokból és a mindennapi munkafolyamatokból – például a Slackből, a Notionből, a Microsoft 365-ből és a Google Drive-ból – származó, rendezetlen információkat feldolgozni, majd azokat szakértői szintű, megosztható anyagokká alakítani.

A GPT‑5.6 tudásmunkában mutatott erőssége a hosszabb távú szakmai elemzést, böngészést, eszközhasználatot és számítógép-használatot felölelő értékelésekben is megmutatkozik. A GPT‑5.6 Sol új csúcseredményeket ér el a BrowseComp esetében 92,2%-kal, valamint az OSWorld 2.0 esetében 62,6%-kal; az OSWorld-ön felülmúlja az Opus 4.8-at, miközben 85%-kal kevesebb kimeneti tokent használ. Itt az egy dollárra jutó teljesítményben elért javulás a teljes GPT‑5.6 modellcsaládra vonatkozik. A Luna a becsült költség kevesebb mint feléért szinte megegyezik a GPT‑5.5 csúcsteljesítményével, míg a Terra alacsonyabb költségek mellett is felülmúlja azt.

BrowseComp: GPT‑5.6 Sol új csúcsteljesítményt ér el a BrowseComp ügynöki böngészési feladataiban.

A GPT‑5.6 Sol javítja a prezentációk, dokumentumok és táblázatok minőségét, így kidolgozottabb és pontosabb kimeneteket hoz létre. Teljesen szerkeszthető prezentációkat képes készíteni a nulláról, az utasítást és a forrásanyagot egységes vizuális történetté alakítva, jól felépített elrendezéssel, átgondolt információs hierarchiával és igényes megjelenéssel.

A javulás különösen szembetűnő a sablonok és a referenciaként szolgáló diasorok követésekor. A GPT‑5.6 képes kikövetkeztetni a prezentáció tervezési rendszerét – az elrendezést, a tipográfiát, a térközöket, a színeket és az ismétlődő tartalmi mintákat, beleértve a mesterdián beágyazott szabályokat is –, és következetesen alkalmazni ezeket a konvenciókat az új anyagokra. Ebben a példában, amikor a rendszernek egy referenciafájl alapján kell frissítenie a számokat, a GPT‑5.5 kimenetéből hiányoznak a mesterdián szereplő fontos elemek, míg a GPT‑5.6 hűebben követi a referenciaszerkezetet.

Referenciafájl
Bemeneti dia a GPT-5.6 stílusillesztéséhez
GPT‑5.5 kimenet
GPT-5.5 kimeneti dia stílusillesztéshez

A GPT‑5.5‑ből hiányoznak a mesterdia kulcsfontosságú elemei

GPT‑5.6 kimenet
GPT-5.6 kimeneti dia stílusillesztéshez

A GPT‑5.6 emellett vizuálisan kifinomultabb dokumentumokat és táblázatokat készít. Pontosabban követi az összetett hivatkozási formátumokat, ami fontos a megismételhető tudásmunka-tevékenységekhez. A GPT‑5.6 nagyobb pontossággal kezeli a matematikai képleteket és pénzügyi modelleket, miközben kifinomultabban alkalmazza a tipográfiát, a térközöket, a vizuális hierarchiát, valamint az oldalak és munkalapok elrendezését.

A GPT‑5.6 tesztelését végző korai ügyfelek különböző területeken tapasztaltak javulást a tudásalapú munkák eredményeiben.

1 / 9
A GPT‑5.6 különösen hatékony a produkciós szintű alkalmazások fejlesztése mögött álló hosszú, összetett munkafolyamatokban. A Lovable által jelenleg használt egyik modellként nagyjából 25%-kal kevesebb lépéssel és 35–48%-kal kevesebb eszközhívással nyújt eredményt a felhasználóknak, mint a korábbi modell, miközben javítja a projektek sikerességét és 15%-kal csökkenti az elakadt futtatások számát. Ez jelentős különbség bárki számára, aki megpróbál a Go segítségével az ötlettől a működő alkalmazásig eljutni.
– Fabian Hedin, társalapító, Lovable

Az élvonalbeli kiterjesztése a kiberbiztonság és a tudomány területén

A GPT‑5.6 az eddigi legerősebb kiberbiztonsági modellünk, amely élvonalbeli teljesítményt ér el jelentősen kevesebb token felhasználásával. Az ExploitBench2, amely a sebezhető kód elérésétől a tetszőleges kódfuttatásig tartó előrehaladást méri, 73,5%-ot ér el, míg a GPT‑5.5 47,9%-ot ér el hasonló kimeneti token-költség mellett. Az ExploitGym3, amelyen az ügynököknek a valós sebezhetőségeket működőképes kihasználási módszerekké kell alakítaniuk, a GPT‑5.5 sikerességi arányát a kétórás időkorlát mellett szinte megduplázza, 15,1%-ról 24,9%-ra; hat óra alatt pedig eléri a 33,7%-ot. A SEC-Bench Pro tesztelési környezetben, amely komplex szoftverek esetében vizsgálja a koncepcióbizonyíték-generálást, a rendszer 71,2%-os eredményt ért el, szemben a GPT‑5.5 45,8%-os teljesítményével, és mindezt rövidebb késleltetési idő mellett.

A GPT‑5.6 támogatja a fontos védekezési feladatokat, mint a biztonsági kódellenőrzés, a javítások alkalmazása, a fenyegetésmodellezés és a kék csapatműveletek. Az OpenAI Daybreak Trusted Access for Cyber program jogosult személyei és szervezetei pontosabb védelmi intézkedések révén férhetnek hozzá a program védelmi képességeihez az engedélyezett környezetekben végzett ellenőrzött munkák során, beleértve a sérülékenységek triázsát és validálását, a kártevőelemzést, az észlelésfejlesztést és a javítások validálását.

Az egyének igazolhatják személyazonosságukat, és megbízható hozzáférést kérhetnek(új ablakban nyílik meg), a szervezetek pedig jelentkezhetnek a csapataik számára. Az egyéni tagoknak szeptember 1-jéig hardveralapú hozzáférési kulcsokkal engedélyezniük kell a Fejlett fiókvédelmet(új ablakban nyílik meg), hogy továbbra is hozzáférhessenek a kiberképességek terén legfejlettebb élvonalbeli modelljeinkhez, akik ezt nem teszik meg, visszakerülnek az alapértelmezett hozzáférési szintre. Azok a felhasználók, akik még nem rendelkeznek hardveres védelemmel ellátott hozzáférési kulcsokkal, kedvezményes áron(új ablakban nyílik meg) juthatnak hozzá partnerünktől, a Yubico-tól. További lépéseket is teszünk az erős kockázatú szervezetekhez és az erős kockázatú joghatóságokban való hozzáférés korlátozása érdekében.

ExploitBench: Egyre fejlettebb V8-exploitek készítése; a GPT‑5.6 jelentős javulást mutat a GPT‑5.5-höz képest. A latenciadiagram nem jelenik meg, mivel ennél a benchmarknál a latenciabecslés megbízhatatlan.

A GPT‑5.6 Sol a tudományos kutatás területén is széles körű előrelépést mutat. Az élettudományi értékelések során a GPT‑5.6 Pareto-eredményjavulást mutat a GPT‑5.5‑höz képest a valós biológia, az élettudományi kutatási munkafolyamatok és a kémia területén.

GeneBench Pro: Hosszú távú genomikai és kvantitatív biológiai elemzések; a GPT‑5,6 kevesebb tokennel és rövidebb idő alatt jobb eredményeket ér el. Claude Fable 5 nem része ennek, mivel nem válaszol(új ablakban nyílik meg) összetett biológiai kérdésekre, és elutasítja a kérdések többségét ebben az értékelésben.

A GPT‑5.6 gyorsítja az OpenAI fejlődését

A GPT‑5.6 az eddigi legerősebb modellünk az AI-kutatás felgyorsítására. Az OpenAI-n belül a kutatók a fejlesztési ciklus egészében használják: hibák diagnosztizálására, betanítási rendszerek optimalizálására, kísérletek futtatására és eredmények értelmezésére. Már a GPT‑5,6 belső tesztelési időszakában is láttuk ezt a gyorsulást és az intenzívebb használatot, mivel az egy aktív kutatóra jutó átlagos napi tokenkibocsátás több mint kétszerese volt a GPT‑5,5 esetében megfigyelt erős szintnek.

Ez a munkavégzési forma gyorsan bevett gyakorlattá válik. Az elmúlt hat hónapban a kutatási számítási kapacitás belső kódolási következtetésre fordított aránya százszorosára nőtt, miközben a belső ügynöki tokenhasználat körülbelül 22-szeresére emelkedett. Ezek a használati mutatók önmagukban nem mérik a kutatási előrehaladást, de megmutatják, milyen gyorsan növekszik az AI-alapú segítségnyújtás a kutatásban és más csapatoknál, például az értékesítés, a marketing, a felhasználói operáció, a pénzügy és más területeken.

E képesség közvetlen mérésére egy belső értékelési csomagot fejlesztettünk ki, amely valós AI-kutatási feladatokon alapul. A tesztek többek között kutatási rendszerek hibakeresését, számítási kernelek és tanítási (training) eljárások optimalizálását, gépi tanulási kísérletek végrehajtását, valamint egy másik mesterségesintelligencia-modell teljesítményének fejlesztését foglalják magukban.

Összesített RSI-képesség: A rekurzív önfejlesztés irányába tett előrehaladást mérő értékeléscsomagon azt figyeljük meg, hogy a GPT‑5.6 Sol 16,2 pontos javulást mutat a GPT‑5.5‑höz képest, minden területen felgyorsítva a belső kutatást.

A biztonság és védelem képességekhez igazodó skálázása 

Ahogy nőnek a modell képességei, erősítjük a biztonsági eszköztárunkat, hogy a fejlett intelligencia továbbra is széles körben hasznos maradhasson, miközben szigorúbb vizsgálatot alkalmazunk a legnagyobb kockázatú felhasználások esetében. A GPT‑5.6 esetében az eddigi legmegbízhatóbb biztonsági rendszerünket építettük ki, az egyes modellek képességeihez igazítva, és minden eddiginél nagyobb számítási kapacitással megtámogatva.

A GPT‑5.6 modellek a biológia és a kiberbiztonság területén is nagyobb képességűek korábbi modelljeinknél, de egyik kategóriában sem lépik át a kritikus küszöbértéket. A kiberbiztonság területén végzett tesztjeink arra utalnak, hogy a GPT‑5.6 jobb a sebezhetőségek megtalálásában és kijavításában, mint abban, hogy megbízhatóan hajtson végre autonóm, teljes folyamatot lefedő támadásokat megerősített célpontok ellen – így lehetőséget ad a védekezőknek arra, hogy még azelőtt megerősítsék a rendszereket, mielőtt a gyengeségeket kihasználnák. A biológia területén tesztjeink arra utalnak, hogy a GPT‑5.6 képes támogatni a jogszerű kutatást, de nem biztosítja azt a teljes körű képességet, amely egy rendkívül veszélyes, új fenyegetés létrehozásához, megtervezéséhez vagy szintetizálásához szükséges.

Mindkét terület eredendően kettős felhasználású. A kiberbiztonságban ugyanazok a képességek, amelyek segíthetnek egy támadónak kihasználni egy sérülékenységet, segíthetnek a védekező félnek megtalálni és reprodukálni azt, valamint megbízható javítást kidolgozni rá. A túlzott blokkolás ezért önmagában is biztonsági kockázatot jelent. Ez megakadályozhatja a védelmi szakembereket abban, hogy rendszereket teszteljenek és javításokat telepítsenek, miközben a rosszindulatú szereplők továbbra is más modelleket használnak, beleértve az egyre fejlettebb nyílt forráskódú modelleket, valamint a bevált eszközöket is. A hatékony védelmi intézkedések figyelembe veszik a kérés kontextusát és várható következményeit, megőrizve a jogszerű védelmi célú munka lehetőségét, miközben szigorúbb kontrollokat alkalmaznak ott, ahol a bizonyítékok súlyos károkozási kockázatra utalnak.

A GPT‑5.6 védelmi mechanizmusai a nagyobb pontosság és redundancia érdekében többrétegűek, és úgy vannak kialakítva, hogy az új támadások megjelenésekor gyorsan alkalmazkodjanak. A modellbe betanított védelmi mechanizmusok a valós idejű ellenőrzésekkel, a folyamatos monitorozással és a fiókszintű szabályérvényesítéssel együtt működnek, hogy segítsenek a rendszernek biztonságosnak maradni akkor is, ha egy adott réteg nem a tervezett módon működik. Sok rendszerben önmagukban az osztályozói jelzők döntik el, mit kell blokkolni, és a károkozás megelőzése érdekében alacsonyabb intelligenciájú, nehezebben módosítható modellekre támaszkodnak. A megközelítésünk egy érvelésfigyelőt ad hozzá, amely áttekinti a beszélgetést annak megállapítására, hogy fennáll-e a károkozás lehetősége. Ennek a kialakításnak az a célja, hogy lehetővé tegye a védelmi célú munkát, miközben megakadályozza a súlyos visszaéléseket, a legérzékenyebb képességek pedig ellenőrzött felhasználók számára vannak fenntartva a Trusted Access révén. Mivel egyes védelmi mechanizmusok tesztidőbeli érvelést használnak, gyorsan frissíthetjük őket a hiányosságok kiküszöbölésére anélkül, hogy az osztályozókat az alapoktól kellene újratanítani.

Konzervatívabb megközelítést alkalmazunk, miközben tovább erősítjük a rendszert az adaptív támadásokkal szemben. A korábbi modellekkel összehasonlítva a GPT‑5.6 Sol kiberbiztonsági megoldásaink körülbelül tízszer több potenciálisan káros tevékenységet blokkolnak. Mivel ezek az intézkedések nehézséget okozhatnak a jóindulatú használat során, a ChatGPT‑ben és a Codexben lehetőséget biztosítunk arra, hogy egyszerűen újrapróbálják az utasításokat alacsonyabb képességű modelleken, és továbbra is csökkenteni fogjuk védelmi intézkedéseink jóindulatú használatra gyakorolt hatását, miközben fenntartjuk az erős robusztussági mércét. Ez tükrözi az iteratív bevezetési megközelítésünket: óvatosan indulunk, majd a valós használat során szerzett tapasztalatok alapján fejlesztünk rajta.

Az általános elérhetőség előtt lefuttattuk eddigi legintenzívebb biztonsági értékeléseinket, beleértve a kiterjedt támadásszimulációt, a külső szakértőkkel végzett alapos képesség- és védelmi tesztelést, valamint körülbelül 700 000 A100e GPU-órányi feketedobozos automatizált támadásszimulációt. Ez lehetővé tette számunkra, hogy szisztematikusan feltérképezzük a valószínű gyenge pontokat, feltárjuk a jailbreakeket, és még az indulás előtt megerősítsük a rendszert.

Tökéletes biztonság nem létezik, és folytatjuk az egyre nagyobb képességű modellek biztonságossá tétele érdekében végzett munkát. Új gyengeségeket fedeznek fel, és új jailbreakek is megjelennek, amelyek megkerülik a meglévő védelmi intézkedéseket. A modellek minden új generációja egyben új támadási és visszaélési lehetőségeket is teremt. Ehhez a valósághoz többrétegű védelmi intézkedésekkel, folyamatos felügyelettel, gyors hibaelhárítással és a védelmi közösséggel való együttműködéssel építünk. A GPT‑5.6 esetében meglévő biztonsági programjainkat(új ablakban nyílik meg) és biológiai hibajutalom programjainkat egy új, gyors hibaelhárítási folyamattal és eddigi legerősebb felügyeleti erőfeszítésünkkel egészítettük ki. A kutatóktól, a felügyeletből és a valós környezetben történő visszaélésekből származó megállapítások folyamatosan beépülnek majd az új értékelésekbe és az erősebb védelmi intézkedésekbe.

Tudj meg többet a védelmi intézkedéseinkről a frissített GPT‑5.6 rendszerkártyán(új ablakban nyílik meg).

Elérhetőség és árak

A GPT‑5.6 három modellkategóriát foglal magában: Sol, a csúcsmodellünk; Terra, egy alacsonyabb költségű modell, amely teljesítményében versenyképes a GPT‑5.5-tel; valamint Luna, a leggyorsabb és legkedvezőbb árú modellünk. A számozás a modell generációját jelöli, míg a Sol, Terra és Luna olyan, tartósan használt képességszintek, amelyek egymástól független ütemben fejlődhetnek.

GPT‑5.6 mától elérhető a ChatGPT‑ben, a Codexben és az OpenAI API-ban. A globális bevezetés most kezdődik, és a következő 24 órában fokozatosan halad tovább a teljes rendelkezésre állásig.

  • Csevegés: A Plus-, Pro-, Business- és Enterprise-felhasználók közepes és erős erőfeszítési beállítások mellett férhetnek hozzá a GPT‑5.6 Sol modellhez. A Pro- és Enterprise-felhasználók összetett feladatok esetén a legjobb minőségű eredményekhez a GPT‑5.6 Sol Pro-t is választhatják.
  • ChatGPT Munka és Codex: Free- és Go-felhasználók hozzáférnek a GPT‑5.6 Terrához. A Plus-, Pro-, Business- és Enterprise-felhasználók a GPT‑5.6 Sol, Terra és Luna verziók közül választhatnak, és mindegyikhez beállíthatják a kívánt erőfeszítési szintet. A max minden olyan felhasználó számára elérhető, aki hozzáfér a GPT‑5.6-hoz a ChatGPT Munka és a Codex szolgáltatásban, és a beállításokban kapcsolható be. A ChatGPT Munka esetében az ultra a Pro- és Enterprise-felhasználók számára érhető el. A Codexben a Plus és magasabb szintű csomagokban érhető el.
  • API: A fejlesztők a Solhoz, a Terrához és a Lunához az OpenAI API-n keresztül férhetnek hozzá. A Responses API-ban a programozott eszközhívás lehetővé teszi, hogy a GPT‑5.6 memóriában futó programokat írjon és hajtson végre, amelyek összehangolják az eszközöket és feldolgozzák a köztes eredményeket, így kompatibilissé téve azt a Zéró Adatmegőrzés (ZDR) szabvánnyal. A Multi-agent, amely kezdetben bétaverzióban érhető el, lehetővé teszi, hogy a GPT‑5.6 párhuzamosan futtasson alügynököket, és egyetlen kérésben összesítse a munkájuk eredményét.

A GPT‑5.6 ára 1M token értendő három modellméretben: Sol 5 USD bemenet / 30 USD kimenet; Terra 2,50 USD bemenet / 15 USD kimenet; Luna pedig 1 USD bemenet / 6 USD kimenet. A GPT‑5.6 kiszámíthatóbb utasítás-gyorsítótárazást is bevezet, beleértve az kifejezett gyorsítótár-töréspontok(új ablakban nyílik meg) támogatását és a 30 perces minimális gyorsítótár-élettartamot. A GPT‑5.6 és újabb modellek esetében a gyorsítótár-írások a modell nem gyorsítótárazott bemeneti díjának 1,25-szörösén kerülnek elszámolásra, míg a gyorsítótár-olvasások továbbra is megkapják a gyorsítótárazott bemenetre vonatkozó 90%-os kedvezményt.

Professzionális

ÉrtékelésGPT‑5.6 SolGPT‑5.6 TerraGPT‑5.6 LunaGPT‑5.5Claude Fable 5Claude Opus 4.8Gemini 3.1 Pro PreviewGemini 3.5 Flash
Agents’ Last Exam527%504%503%469%405%452%321%
GDPval-AA v21 747,8 Elo1 593 Elo1 591,8 Elo1 493,7 Elo1 759,6 Elo1 600,1 Elo9623 Elo1 348,8 Elo
Vezetési tanácsadási feladatok (belső)432%372%354%313%355%316%132%
Big Finance Bench53%51%36%49%44%
Artificial Analysis Intelligence Index v4.1589 Indexpontszám55 Indexpontszám512 Indexpontszám548 Indexpontszám599 Indexpontszám557 Indexpontszám465 Indexpontszám502 Indexpontszám

Kódolás

ÉrtékelésGPT‑5.6 SolGPT‑5.6 Sol UltraGPT‑5.6 TerraGPT‑5.6 LunaGPT‑5.5Claude Mythos 5Claude Mythos előzetesClaude Fable 5Claude Opus 4.8Gemini 3.1 Pro előzetes
Artificial Analysis Coding Agent Index v1.180 Indexpontszám774 Indexpontszám746 Indexpontszám764 Indexpontszám772 Indexpontszám725 Indexpontszám427 Indexpontszám
SWE-Bench Pro646%634%627%594%803%778%80%692%542%
DeepSWE v1.1727%696%672%67%697%59%118%
Terminal-Bench 2.1888%919%874%847%856%88%831%789%707%

Tudomány

ÉrtékelésGPT‑5.6 SolGPT‑5.6 TerraGPT‑5.6 LunaGPT‑5.5Claude Mythos 5Claude Mythos PreviewClaude Fable 5Claude Opus 4.8
MedChemBench483%35%304%355%
LifeSciBench599%56%512%504%
HealthBench Professional605%577%557%495%66%647%609%53%

Számítógép-használat

ÉrtékelésGPT‑5.6 SolGPT‑5.6 Sol UltraGPT‑5.6 TerraGPT‑5.6 LunaGPT‑5.5Claude Mythos 5Claude Mythos PreviewClaude Opus 4.8Gemini 3.1 Pro Preview
OSWorld 2.0626%502%456%475%548%
BrowseComp904%922%875%833%844%88%879%843%859%
BenchCAD706%623%631%444%384%355%273%
BenchCAD (Python eszköz)834%782%739%558%65%61%518%

Kiberbiztonság

ÉrtékelésGPT‑5.6 SolGPT‑5.6 Sol UltraGPT‑5.6 TerraGPT‑5.6 LunaGPT‑5.5Claude Mythos 5Claude Mythos PreviewClaude Opus 4.8
Capture-the-Flag kihívások967%918%852%881%
SEC-Bench Pro712%743%577%489%458%
CyberGym845%818%779%818%838%83%781%
ExploitBench735%529%332%479%78%742%40%
ExploitGym337%232%124%151%

Önfejlesztés

ÉrtékelésGPT‑5.6 SolGPT‑5.6 TerraGPT‑5.6 LunaGPT‑5.5
Belső kutatási hibakeresési értékelés683%678%508%50%
KernelGen 1P611%492%224%293%
NanoGPT969%145%166%265%
PostTrainBench Lite503%515%296%388%
RSI-index579%563%419%417%

Multimodális

ÉrtékelésGPT‑5.6 SolGPT‑5.6 TerraGPT‑5.6 LunaGPT‑5.5Claude Fable 5Claude Opus 4.8Gemini 3.1 Pro Preview
MMMU Pro (eszközök nélkül)83%807%784%812%805%
MMMU Pro (eszközökkel)846%82%795%832%
gdp.pdf307%247%227%26%298%225%167%

Tudományos

ÉrtékelésGPT‑5.6 SolGPT‑5.6 TerraGPT‑5.6 LunaGPT‑5.5Claude Mythos 5Claude Mythos PreviewClaude Fable 5Claude Opus 4.8Gemini 3.1 Pro Preview
GPQA Diamond946%929%923%936%941%946%926%92%943%
FrontierMath 1–3. szint (v2)89%849%786%853%87%80%596%
FrontierMath 4. szint (v2)83%683%585%725%878%561%

Eszközhasználat

ÉrtékelésGPT‑5.6 SolGPT‑5.6 TerraGPT‑5.6 LunaGPT‑5.5Claude Mythos 5Claude Mythos PreviewClaude Fable 5Claude Opus 48Gemini 31 Pro PreviewGemini 35 Flash
AutomationBench181%152%149%129%174%155%145%
Toolathlon58%531%534%556%617%611%617%599%488%

Hosszú kontextus

ÉrtékelésGPT‑5.6 SolGPT‑5.6 TerraGPT‑5.6 LunaGPT‑5.5Claude Mythos 5Claude Mythos PreviewClaude Opus 48
OpenAI MRCR v2 8-needle 256K-512K915%896%413%815%
OpenAI MRCR v2 8-needle 512K-1M738%725%413%74%
GraphWalks BFS 256k f1907%769%813%737%911%857%859%
GraphWalks BFS 1mil f1771%712%512%454%794%743%681%

Absztrakt indoklás

ÉrtékelésGPT‑5.6 SolGPT‑5.6 TerraGPT‑5.6 LunaGPT‑5.5Claude Opus 4.8Gemini 3.1 Pro előzetes
ARC-AGI-3⁷778%08%018%043%15%042%

Szerző

OpenAI

Lábjegyzetek

1. Kiberképességeket csökkentett biztonsági intézkedések mellett értékelnek. A felhasználók csatlakozhatnak az OpenAI Daybreak Megbízható hozzáférés a Cyberhez programjához, hogy bővebb hozzáférést kapjanak a védelmi kiberképességekhez.

2. Minden modellt az ExploitBench API végrehajtási környezet segítségével értékelünk, 5 seeddel és érvelési folytonossággal.

3. Az ExploitGymet az alfa API-nkon futtattuk, amely gyorsabban ad válaszokat, mint a nyilvános API-nk, majd átskáláztuk, hogy megfeleljen a nyilvános API-nknak. Amikor a késleltetéseket a nyilvános API-nkhoz elvárt sebességekre skálázzuk át, ez azt eredményezi, hogy egyes becsült késleltetések túllépik a két- és hatórás időkorlátokat, annak ellenére, hogy az értékelési futtatás során ezek megfelelően be lettek tartva. Az időérzékeny munkák gyorsabb elvégzése érdekében prioritású feldolgozást⁠ kínálunk az API-ban, a Codexben⁠ pedig gyors módot.

4. A késleltetést és az API-költséget úgy becsüljük meg, hogy megnézzük a modelljeink éles környezetben mutatott működését, majd ezt offline szimuláljuk. Ezek a becslések figyelembe veszik az eszközhívások részleteit, a mintavételezett tokeneket és a bemeneti tokeneket. A valós környezetben tapasztalt eredmények jelentősen eltérhetnek, és számos olyan tényezőtől függnek, amelyeket a szimulációnk nem vesz figyelembe. A késleltetést gyors API-sebességek mellett, a költségeket pedig szokásos API-árazás szerint szimuláljuk.

5. A jelentett kimeneti tokenekkel, késleltetéssel vagy költséggel nem rendelkező modelleket vízszintes, pontozott vonalakkal ábrázoljuk.

6. Többügynökös esetben a késleltetést a gyökérügynöktől számítjuk, míg a kimeneti token és az API-költségek összesítése az összes token magában foglalja. Az Ultra 4 ügynökkel fut.

7. A pontszámokat a HealthBench Professional tanulmányban leírt hivatalos pontozási megközelítéssel számítjuk ki; az így kapott pontszámok nem hasonlíthatók össze az Anthropic rendszerkártyáiban közölt eredményekkel.

8. Az Opus 4.8 ARC-AGI-3 tesztjét erős, nem pedig maximális érvelési erőfeszítéssel futtatták, mivel ez az egyetlen közzétett ARC-AGI-3 eredmény.