Մենք ընդհանուր հասանելիության համար թողարկում ենք GPT‑5.6 մոդելների ընտանիքը՝ մեր սահմանափակ նախադիտումից հետո․ մեր նոր առաջատար մոդելը՝ Sol-ը, ինչպես նաև Terra-ն՝ ամենօրյա աշխատանքի համար հավասարակշռված մոդել, և Luna-ն՝ մեր առավել ծախսարդյունավետ մոդելը։
GPT‑5.6 Sol-ը նոր չափանիշ է սահմանում թե՛ բանականության, թե՛ արդյունավետության համար՝ հասնելով նորագույն մակարդակի արդյունքների կոդավորման, գիտելիքային աշխատանքի, կիբերանվտանգության և գիտության ոլորտներում, միաժամանակ գերազանցելով նախորդ և մրցակից առաջադեմ մոդելներին ավելի քիչ թոքեններով և ավելի ցածր գնահատված ծախսով։ Արդյունքում յուրաքանչյուր դոլարի դիմաց ստացվում է ավելի բարձր արդյունավետություն՝ նույն ծախսի դիմաց ավելի հաջողված աշխատանք կամ համադրելի արդյունքներ՝ ավելի ցածր ընդհանուր արժեքով։ Մենք նաև ներկայացնում ենք ամենապահանջկոտ աշխատանքն արագացնելու նոր եղանակ․ ultra -ն մեր ամենահզոր կարգավորումն է, որը համակարգում է մի քանի ագենտների աշխատանքը զուգահեռ աշխատանքային հոսքերում՝ բարդ առաջադրանքներն ավելի արագ ավարտելու համար։ Համակարգիչ օգտագործելու ավելի հզոր կարողություններն ու դիզայնի վերաբերյալ ավելի լավ դատողությունը GPT‑5.6 Sol-ը դարձնում են մինչ այժմ մեր ամենակատարելագործված համագործակիցը, որն օգնում է ստուգել, կատարելագործել և տրամադրել օգտագործման պատրաստ արդյունքներ։
Մենք ուսուցանել ենք GPT‑5.6-ը՝ յուրաքանչյուր թոքեն-ից ավելի օգտակար աշխատանք ստանալու համար։ «Ագենտների վերջին քննություն»(բացվում է նոր պատուհանում) գնահատման մեջ, որը ներառում է 55 ոլորտներում երկարատև մասնագիտական աշխատանքային գործընթացներ, GPT‑5.6 Sol-ը գրանցում է նոր առավելագույն արդյունք՝ 53.6 միավոր՝ 13.1 միավորով գերազանցելով Claude Fable 5-ին (հարմարվողական հիմնավորման ռեժիմում)։ Նույնիսկ միջին հիմնավորման դեպքում այն գերազանցում է Fable 5-ին 11,4 միավորով՝ գնահատված ծախսի մոտավորապես մեկ քառորդը կազմող արժեքով։ Այդ արդյունավետությունը տարածվում է նաև ավելի փոքր մոդելների վրա, որոնք կարևոր են Բանականությունն ավելի առատ և մատչելի դարձնելու համար։ GPT‑5.6 Terra-ն և GPT‑5.6 Luna-ն գերազանցում են Fable 5-ին՝ մոտավորապես արժեքի մեկ տասնվեցերորդով։ Արհեստական Հետազոտական Բանականության ինդեքսում(բացվում է նոր պատուհանում), որը համակողմանիորեն գնահատում է բանականության մակարդակը՝ ներառելով գործակալային աշխատանքը, ծրագրավորումը, գիտական դատողությունը և ընդհանուր կարողությունները, առավելագույն դատողության ռեժիմով GPT‑5.6 Sol-ը Fable 5-ին զիջում է ընդամենը մեկ միավորով, սակայն առաջադրանքներն ավարտում է 61%-ով ավելի քիչ ժամանակում և գնահատված արժեքի մոտավորապես կեսով։
Գործակալների վերջին քննությունը(բացվում է նոր պատուհանում)․ Երկարաժամկետ գործակալական աշխատանքային հոսքեր մասնագիտական ոլորտներում։
GPT‑5.6-ը թողարկվում է մինչ օրս մեր ամենահզոր պաշտպանական միջոցներով, որոնք նախատեսված են նպատակաուղղված և հարմարվողական չարաշահումներին դիմակայելու համար՝ առանց օրինական աշխատանքը լայնորեն սահմանափակելու։ Մինչև ընդհանուր հասանելիությունը մենք մոդելներն ու պաշտպանական միջոցներն անցկացրել ենք մինչ օրս մեր ամենածավալուն գնահատման շրջանի միջով՝ համատեղելով մարդկային նախափորձարկումը լայնածավալ ավտոմատացված փորձարկման հետ։ Նախադիտման ընթացքում մենք սերտորեն համագործակցել ենք փորձագիտական կազմակերպությունների, ինչպես նաև վստահելի գործընկերների հետ՝ ավելի լայն գործարկումից առաջ պաշտպանական մեխանիզմները ճնշման փորձարկման ենթարկելու և պաշտպանիչ միջոցներն ամրապնդելու համար։ Արդյունքում ստացված համակարգը մոդելի մեջ ուսուցմամբ ներդրված պաշտպանությունները շերտավորում է իրական ժամանակում կատարվող ստուգումներով, մշտադիտարկմամբ և վստահության ու ռիսկի մակարդակներին համապատասխան ճշգրտված հասանելիությամբ։
GPT‑5.6 Sol-ը մինչ այժմ մեր լավագույն կոդավորման մոդելն է։ Artificial Analysis Coding Agent Index-ում առավելագույն դատողության ռեժիմով GPT‑5.6 Sol-ը գրանցում է նոր առաջատար արդյունք՝ 80 միավոր՝ 2.8 միավորով գերազանցելով Fable 5-ին։ Միաժամանակ այն օգտագործում է կրկնակիից էլ պակաս ելքային թոքեններ, առաջադրանքները կատարում է կրկնակիից էլ կարճ ժամանակում և արժե մոտ մեկ երրորդով պակաս։ Այս առավելությունը տարածվում է մոդելների ամբողջ շարքի վրա․ Terra-ն փոքր-ինչ գերազանցում է Fable 5-ին, իսկ Luna-ն՝ Opus 4.8-ին։ Երկուսն էլ դա անում են մոտ երեք անգամ ավելի արագ, օգտագործում են մոտ երկու անգամ պակաս ելքային թոքեններ և ունեն մոտավորապես չորս անգամ ավելի ցածր գնահատված արժեք։ Այն նաև նոր առաջատար արդյունքներ է գրանցում Terminal-Bench 2.1 և DeepSWE թեստերում, որոնք գնահատում են հրամանային տողով բարդ աշխատանքային գործընթացների կատարումը և իրական կոդային բազաներում երկարաժամկետ ծրագրային ինժեներիայի առաջադրանքները։
Artificial Analysis-ի կոդավորման գործակալների ինդեքս. կոդավորման գործակալների կատարողականության անկախ ինդեքս՝ իրականացման, տերմինալի օգտագործման և իրական կոդային բազաների համատեքստում։
GPT‑5.6-ը կարող է գրել և գործարկել թեթև ծրագրեր, որոնք համակարգում են գործիքները, մշակում միջանկյալ արդյունքները, հետևում առաջընթացին և ընտրում հաջորդ գործողությունը՝ աշխատանքի ընթացքի զարգանալուն զուգընթաց։ Սա թույլ է տալիս գործիքների ինտենսիվ օգտագործում պահանջող առաջադրանքներն առաջ տանել ավելի քիչ թոքեններով, մոդելի հետ ավելի քիչ փոխազդեցություններով և ավելի քիչ ուղղորդմամբ։ Մշակողներից յուրաքանչյուր քայլը ծրագրավորելու կամ գործիքի յուրաքանչյուր պատասխանը կրկին մոդելին փոխանցելու պահանջի փոխարեն, Responses API-ում Programmatic Tool Calling-ը(բացվում է նոր պատուհանում) կարող է զտել միջանկյալ տվյալների մեծ ծավալը, պահպանել միայն կարևոր տեղեկությունը և ընթացքի ընթացքում հարմարեցնել աշխատանքային գործընթացը։
Այն խնդիրների դեպքում, որոնց լուծման համար նպատակահարմար է ավելի շատ ժամանակ և հաշվողական ռեսուրսներ հատկացնել, GPT‑5.6‑ը կարող է գերազանցել արդյունավետության այս կանխադրված մակարդակը։ max ռեժիմը GPT‑5.6-ին xhigh-ից էլ ավելի շատ ժամանակ է տալիս՝ դատողություններ կատարելու և այլընտրանքային տարբերակներ ուսումնասիրելու, ստուգումներ իրականացնելու և իր մոտեցումը վերանայելու համար։ ultra ռեժիմն ավելի հեռուն է գնում՝ ըստ կանխադրման զուգահեռ համակարգելով չորս ագենտի աշխատանքը։ Այն ավելի շատ թոքեններ է օգտագործում, սակայն բարդ առաջադրանքներում ապահովում է ավելի բարձր արդյունքներ և արդյունքին հասնելու ավելի կարճ ժամանակ։ Ստորև ներկայացված գծապատկերներում BrowseComp, SEC-Bench Pro և Terminal-Bench 2.1 թեստերի շրջանակում համեմատվում են ultra ռեժիմի կանխադրված՝ չորս ագենտով կազմաձևը և մեկ ագենտով բազային տարբերակը։ BrowseComp-ի և SEC-Bench Pro-ի համար ներկայացված են նաև 16 ագենտով կազմաձևերի արդյունքները։ Բոլոր երեք գնահատումներում զուգահեռ աշխատող ագենտների ավելացումը արդյունքի և կատարման ժամանակի հարաբերակցությունը բարելավում է՝ թույլ տալով ավելի բարձր արդյունքների հասնել ավելի կարճ ժամանակում։ API-ում մշակողները կարող են Responses API-ի բազմագենտ բետա տարբերակով ստեղծել Ultra-ի նման փորձառություններ։
GPT‑5.6-ը դիզայնի վերաբերյալ դատողության մեջ զգալի առաջընթաց է ապահովում։ Նույնիսկ միայն ընդհանուր ուղղություն ստանալով՝ GPT‑5.6‑ը ստեղծում է ճաշակով, հարմար և լիարժեք աշխատող միջերեսներ։ Համակարգչից օգտվելու դրա ավելի հզոր կարողությունները թույլ են տալիս ստուգել և կատարելագործել ռենդերացված արդյունքը՝ ոչ թե պարզապես գեներացնել հիմքում ընկած կոդը կամ բովանդակությունը, որպեսզի այն կարողանա հայտնաբերել տեսողական, ֆունկցիոնալ խնդիրները և կիրառել վերջնական հղկումներ՝ նախքան աշխատանքը վերադարձնելը։
Հարցում՝ Կարո՞ղ եք ինձ համար իրականացնել 3D առագաստանավային խաղ՞։ Այն ամենի համար, ինչին անհրաժեշտ են բիթմափներ/տեքստուրաներ/սփրայթեր (կամ եթե ձեր ստեղծած ցանկացած 3D մոդելի համար օգտակար է ունենալ մոկափ-ռեֆերենս), կարող եք ազատորեն օգտագործել imagegen-ը։
GPT‑5.6‑ի frontend հնարավորությունները ևս բնական լեզվով ձևակերպված հարցումները ChatGPT Աշխատանքում վերածում են մշակված, ինտերակտիվ բացատրությունների և պատկերավոր ներկայացումների։
Հարցում․ Ստեղծեք ինտերակտիվ սպիրոգրաֆ՝ բացատրելու, թե ինչպես է այն աշխատում։
GPT‑5.6 -ն ապահովում է ավելի լավ արդյունքներ մասնագիտական առաջադրանքների համար։ Այն հավաքում է ձեր փաստաթղթերում և առօրյա աշխատանքային հոսքերում՝ Slack-ում, Notion-ում, Microsoft 365-ում ու Google Drive-ում սփռված ու չկազմակերպված տեղեկությունները և դրանք վերածում մասնագիտական մակարդակի, տարածման պատրաստ նյութերի։
GPT‑5.6-ի ուժեղ կողմը գիտելիքահեն աշխատանքում դրսևորվում է գնահատումներում, որոնք ընդգրկում են երկարաժամկետ մասնագիտական վերլուծությունը, դիտարկումը, գործիքների օգտագործումը և համակարգչի օգտագործումը։ GPT‑5.6 Sol-ը գրանցում է նոր առաջատար արդյունքներ BrowseComp-ում՝ 92,2% և OSWorld 2.0-ում՝ 62,6%։ OSWorld-ում այն գերազանցում է Opus 4.8-ին՝ միաժամանակ օգտագործելով 85%-ով ավելի քիչ ելքային թոքեն։ Այստեղ ծախսի դիմաց արդյունավետության աճը վերաբերում է GPT‑5.6‑ի ամբողջ մոդելային շարքին։ Luna-ն գրեթե հասնում է GPT‑5.5‑ի առավելագույն արդյունավետությանը՝ դրա գնահատված արժեքի կեսից էլ պակաս ծախսով, իսկ Terra-ն գերազանցում է այն՝ միաժամանակ ավելի քիչ արժենալով։
BrowseComp․ GPT‑5.6 Sol-ը նոր առաջատար արդյունք է գրանցում BrowseComp-ում՝ գործակալային դիտարկման առաջադրանքներից բաղկացած չափորոշիչում։
GPT‑5.6 Sol-ը բարելավում է որակը ներկայացումներում, փաստաթղթերում և էլեկտրոնային աղյուսակներում՝ ստեղծելով ավելի հղկված և ճշգրիտ արդյունքներ։ Այն կարող է զրոյից ստեղծել լիովին խմբագրվող ներկայացումներ՝ հարցման տեքստն ու աղբյուրի նյութը վերածելով համահունչ տեսողական պատմության՝ հստակ դասավորությամբ, հիերարխիայով և դիզայնով։
Բարելավումը հատկապես նկատելի է ձևանմուշներին և հղումային սլայդաշարերին հետևելիս։ GPT‑5.6-ը կարող է հասկանալ սլայդաշարի դիզայնի համակարգը՝ դասավորությունները, տիպոգրաֆիան, միջակայքները, գույները և բովանդակության կրկնվող օրինաչափությունները, ներառյալ Slide Master-ում ներկառուցված կանոնները, և հետևողականորեն կիրառել այդ կանոնները նոր նյութին։ Այս օրինակում, երբ պահանջվում է թարմացնել թվերը՝ հղումային ֆայլի հիման վրա, GPT‑5.5-ի ելքում բացակայում են գլխավոր սլայդի կարևոր բաղադրիչները, մինչդեռ GPT‑5.6-ն ավելի ճշգրտորեն է հետևում հղումային կառուցվածքին։
Հղման ֆայլ
GPT‑5.5-ի արդյունք
GPT‑5.5‑ում բացակայում են գլխավոր սլայդի հիմնական բաղադրիչները
GPT‑5.6 ելք
GPT‑5.6-ը նաև ստեղծում է տեսողական առումով ավելի հղկված փաստաթղթեր և էլեկտրոնային աղյուսակներ։ Այն ավելի ճշգրտորեն է պահպանում հղումների բարդ ձևաչափերը, ինչը կարևոր է գիտելիքի աշխատանքի կրկնելի գործողությունների համար։ Այն ավելի մեծ ճշգրտությամբ է մշակում հավասարումները և ֆինանսական մոդելները, ինչպես նաև ավելի արդյունավետ է օգտագործում տպագրական ձևավորումը, տարածությունները, հիերարխիան և էջի կամ աշխատաթերթի դասավորությունը։
GPT‑5.6‑ը փորձարկող վաղ հաճախորդները տարբեր ոլորտներում նկատել են գիտելիքահենք աշխատանքի արդյունքների բարելավումներ։
GPT‑5.6-ը մեր մինչ օրս ամենաուժեղ կիբեռանվտանգության մոդելն է, որն առաջադեմ կատարողականության է հասնում զգալիորեն ավելի քիչ թոքեններով։ ExploitBench2 թեստում, որը գնահատում է խոցելի կոդին հասնելուց մինչև կամայական կոդի գործարկում արձանագրված առաջընթացը, այն գրանցում է 73.5% արդյունք՝ GPT‑5.5‑ի 47.9%-ի դիմաց՝ ելքային թոքենների հավասար բյուջեի պայմաններում։ ExploitGym3-ում, որտեղ գործակալներից պահանջվում է իրական խոցելիությունները վերածել գործող շահագործման մեթոդների, այն երկու ժամ տևողության սահմանափակման պայմաններում գրեթե կրկնապատկում է GPT‑5.5‑ի առավելագույն անցողիկ արդյունքը՝ 15.1%-ից հասցնելով 24.9%-ի։ Վեց ժամ տրամադրելու դեպքում ցուցանիշը հասնում է 33.7%-ի։ SEC-Bench Pro-ում, որը ստուգում է բարդ ծրագրային ապահովման համար հայեցակարգի ապացույցների ստեղծումը, այն գրանցում է 71.2% արդյունք՝ GPT‑5.5‑ի 45.8%-ի դիմաց, ընդ որում՝ ավելի ցածր հապաղմամբ։
GPT‑5.6‑ն աջակցում է պաշտպանության կարևոր խնդիրների կատարմանը, ինչպիսիք են կոդի անվտանգության ստուգումը, խոցելիությունների շտկումը, սպառնալիքների մոդելավորումը և պաշտպանական թիմի աշխատանքը։ «OpenAI Daybreak»-ի Trusted Access for Cyber ծրագրի չափանիշներին համապատասխանող մասնագետներն ու կազմակերպությունները կարող են օգտվել դրա պաշտպանական հնարավորությունների ավելի լայն շրջանակից՝ լիազորված միջավայրերում իրականացվող հաստատված աշխատանքների համար նախատեսված ավելի ճշգրիտ անվտանգության սահմանափակումների շնորհիվ։ Այդ աշխատանքների թվում են խոցելիությունների նախնական գնահատումն ու վավերացումը, վնասաբեր ծրագրերի վերլուծությունը, հայտնաբերման մեխանիզմների մշակումը և շտկումների վավերացումը։
Անհատները կարող են հաստատել իրենց ինքնությունը և խնդրել վստահելի մուտք(բացվում է նոր պատուհանում), իսկ կազմակերպությունները կարող են դիմել իրենց թիմերի համար։ Անհատ անդամները մինչև սեպտեմբերի 1-ը պետք է միացնեն Հաշվի առաջադեմ անվտանգությունը(բացվում է նոր պատուհանում) ՝ օգտագործելով սարքակազմով պաշտպանված մուտքի բանալիներ, որպեսզի պահպանեն մուտքը կիբեռանվտանգության ոլորտում մեր առավել հզոր առաջատար մոդելներ։ Հակառակ դեպքում նրանց հասանելիությունը կվերադառնա կանխադրված մակարդակին Այն օգտատերերը, որոնք դեռ չունեն սարքաշարով ապահովված անցաբանալիներ, կարող են օգտվել մեր գործընկեր Yubico-ի արտոնյալ գներից(բացվում է նոր պատուհանում) ։ Մենք նաև լրացուցիչ միջոցներ ենք ձեռնարկում՝ բարձր ռիսկ ունեցող սուբյեկտների և բարձր ռիսկային իրավազորություններում հասանելիությունը սահմանափակելու համար։
ExploitBench. Աստիճանաբար ավելի հզոր V8 էքսփլոյթների ստեղծում. GPT‑5.6-ը զգալի առաջընթաց է ցույց տալիս GPT‑5.5-ի համեմատ։ Ուշացման գծապատկերը չի ցուցադրվում, քանի որ այս բենչմարքի համար ուշացման գնահատումն անվստահելի է։
GPT‑5.6 Sol-ը նաև լայնածավալ բարելավումներ է ցույց տալիս գիտական հետազոտությունների ոլորտում։ Կենսագիտության գնահատումներում GPT‑5.6‑ը ցույց է տալիս Պարետոյի բարելավումներ GPT‑5.5‑ի նկատմամբ՝ իրական աշխարհի կենսաբանության, կենսագիտության հետազոտական աշխատանքային հոսքերի և քիմիայի ոլորտներում։
GeneBench Pro․ երկարաժամկետ գենոմիկայի և քանակական կենսաբանության վերլուծություններ։ GPT‑5.6-ը հասնում է ավելի ուժեղ արդյունքների՝ ավելի քիչ թոքեններով և ավելի կարճ ժամանակում։ Claude Fable 5-ը ներառված չէ, քանի որ այն չի պատասխանում(բացվում է նոր պատուհանում) առաջադեմ կենսաբանության հարցերին և հրաժարվում է պատասխանել այս գնահատման հարցերի մեծամասնությանը։
GPT‑5.6-ը ԱԲ հետազոտություններն արագացնող մեր մինչ օրս ամենահզոր մոդելն է։ OpenAI-ում հետազոտողներն այն օգտագործում են մշակման ամբողջ գործընթացում՝ խափանումների պատճառները պարզելու, ուսուցման համակարգերն օպտիմալացնելու, փորձարկումներ իրականացնելու և արդյունքները մեկնաբանելու համար։ GPT‑5.6‑ի ներքին փորձարկումների ընթացքում մենք արդեն նկատեցինք աշխատանքի այս արագացումն ու դրա ավելի լայն կիրառումը․ մեկ ակտիվ հետազոտողի հաշվով օրական ելքային թոքենների միջին քանակը ավելի քան կրկնակի գերազանցում էր GPT‑5.5‑ի դեպքում գրանցված ամենաբարձր ցուցանիշը։
Աշխատելու այս ձևն արագորեն դառնում է ստանդարտ։ Վերջին վեց ամիսների ընթացքում հետազոտական հաշվարկային ռեսուրսների այն մասնաբաժինը, որը հատկացված է ներքին կոդավորման ինֆերենսին, աճել է 100-ապատիկ, մինչդեռ ներքին ագենտային թոքենների օգտագործումը մոտավորապես 22-ապատիկ է աճել։ Այս կիրառման ցուցանիշներն ինքնին չեն չափում հետազոտությունների առաջընթացը, բայց ցույց են տալիս, թե որքան արագ է աճում արհեստական բանականության աջակցությունը թե՛ հետազոտական, թե՛ այլ թիմերում՝ վաճառքից ու մարքեթինգից մինչև օգտատերերի սպասարկում, ֆինանսներ և այլ ոլորտներ։
Այս կարողությունն ուղղակիորեն չափելու համար մենք մշակել ենք գնահատումների ներքին փաթեթ՝ հիմնված իրական AI հետազոտական առաջադրանքների վրա, ներառյալ հետազոտական համակարգերի վրիպազերծումը, միջուկների և ուսուցման բաղադրատոմսերի օպտիմալացումը, մեքենայական ուսուցման փորձարկումների իրականացումը և մեկ այլ մոդելի բարելավումը։
Ագրեգացված RSI կարողություն․ Ինքնակատարելագործման կրկնվող գործընթացում առաջընթացը չափող մի շարք գնահատումներով՝ GPT‑5.6 Sol-ը GPT‑5.5‑ի համեմատ բարելավել է արդյունքը 16,2 միավորով՝ ընդհանուր առմամբ արագացնելով ներքին հետազոտությունները։
Մոդելների կարողությունների ընդլայնմանը զուգընթաց մենք ամրապնդում ենք նաև անվտանգության մեր համակարգը, որպեսզի առաջադեմ արհեստական բանականությունը շարունակի լայնորեն օգտակար լինել, իսկ ամենաբարձր ռիսկ պարունակող կիրառությունները ենթարկվեն առավել խիստ վերահսկողության։ GPT‑5.6‑ի համար մենք ստեղծել ենք մինչ օրս մեր ամենահուսալի անվտանգության համակարգը՝ այն համապատասխանեցնելով յուրաքանչյուր մոդելի հնարավորություններին և օգտագործելով երբևէ ամենամեծ հաշվարկային հզորությունը։
GPT‑5.6 մոդելներն ավելի ունակ են, քան մեր ավելի վաղ մոդելները, թե՛ կենսաբանության, թե՛ կիբեռանվտանգության ոլորտներում, սակայն այդ կատեգորիաներից ոչ մեկում չեն հատում կրիտիկական շեմը։ Կիբերանվտանգության ոլորտում մեր թեստավորումը ցույց է տալիս, որ GPT‑5.6-ը ավելի լավ է հայտնաբերում և շտկում խոցելիությունները, քան հուսալիորեն իրականացնում ինքնավար, սկզբից մինչև վերջ իրականացվող հարձակումներ ուժեղացված պաշտպանությամբ թիրախների դեմ՝ պաշտպաններին հնարավորություն տալով ամրապնդել համակարգերը նախքան թույլ կողմերի շահագործումը։ Կենսաբանության ոլորտում մեր փորձարկումները ցույց են տալիս, որ GPT‑5.6-ը կարող է աջակցել օրինական հետազոտություններին, սակայն չի տրամադրում այն սկզբից մինչև վերջ ամբողջական կարողությունը, որն անհրաժեշտ է խիստ վտանգավոր նոր սպառնալիք ստեղծելու, նախագծելու կամ սինթեզելու համար։
Երկու ոլորտներն էլ իրենց բնույթով երկակի օգտագործման են։ Կիբերանվտանգության ոլորտում այն նույն կարողությունները, որոնք կարող են հարձակվողին օգնել խոցելիությունից օգտվելու հարցում, պաշտպանվող կողմին կարող են օգնել այն հայտնաբերել, վերարտադրել և հուսալի լուծում մշակել։ Հետևաբար, չափից ավելի արգելափակումը ինքնին ստեղծում է անվտանգության ռիսկ։ Այն կարող է խանգարել պաշտպանվող կողմին համակարգերը փորձարկել և շտկումներ տեղադրել, մինչդեռ չարամիտ դերակատարները շարունակում են օգտվել այլ մոդելներից, այդ թվում՝ գնալով ավելի հզոր բաց կոդով մոդելներից, ինչպես նաև արդեն իսկ կիրառվող գործիքներից։ Արդյունավետ պաշտպանական մեխանիզմները հաշվի են առնում հարցման համատեքստն ու դրա հավանական հետևանքները՝ թույլ տալով օրինական պաշտպանական աշխատանքը և ավելի խիստ վերահսկողություն կիրառելով այն դեպքերում, երբ առկա տվյալները վկայում են վնաս պատճառելու լուրջ վտանգի մասին։
GPT‑5.6-ի պաշտպանական մեխանիզմները շերտավորված են՝ ավելի մեծ ճշգրտություն և կրկնապահովություն ապահովելու համար, և նախագծված են արագ հարմարվելու նոր հարձակումների ի հայտ գալուն զուգընթաց։ Մոդելում ուսուցանված պաշտպանական միջոցներն աշխատում են իրական ժամանակում կատարվող ստուգումների, շարունակական մոնիթորինգի և հաշվի մակարդակով կիրարկման հետ միասին, որպեսզի օգնեն համակարգին մնալ անվտանգ նույնիսկ այն դեպքում, երբ որևէ որոշակի շերտ չի գործում նախատեսվածի պես։ Շատ համակարգերում միայն դասակարգչի նշաններն են որոշում, թե ինչ արգելափակել՝ հենվելով ցածր բանականություն ունեցող մոդելների վրա, որոնք վնասը կանխելու նպատակով դժվար է փոփոխել։ Մեր մոտեցումն ավելացնում է հիմնավորման վերահսկիչ, որը վերանայում է խոսակցությունը՝ պարզելու, թե արդյոք առկա է վնասի հավանականություն։ Այս դիզայնը նախատեսված է պաշտպանական աշխատանքը հնարավոր դարձնելու համար՝ միաժամանակ արգելափակելով լուրջ չարաշահումները, իսկ ամենազգայուն հնարավորությունները «Trusted Access» (վստահելի մուտք) համակարգի միջոցով վերապահվում են հաստատված օգտատերերին։ Քանի որ որոշ պաշտպանական միջոցներ օգտագործում են թեստավորման ժամանակ կատարվող հիմնավորում, մենք կարող ենք արագ թարմացնել դրանք՝ բացերը վերացնելու համար՝ առանց դասակարգիչները զրոյից վերապատրաստելու անհրաժեշտության։
Մենք ավելի զգուշավոր մոտեցում ենք որդեգրում՝ շարունակելով համակարգն ավելի դիմացկուն դարձնել հարմարվող հարձակումների նկատմամբ։ Նախորդ մոդելների համեմատ՝ GPT‑5.6 Sol-ի կիբերանվտանգության պաշտպանական մեխանիզմները մոտ տասն անգամ ավելի շատ հնարավոր վնասակար գործողություններ են արգելափակում։ Քանի որ այս միջոցները կարող են դժվարացնել անվնաս կիրառությունները, ChatGPT‑ում և Codex-ում հնարավորություն ենք տալիս հարցումները հեշտությամբ կրկին փորձել ավելի սահմանափակ կարողություններով մոդելների միջոցով։ Միևնույն ժամանակ շարունակելու ենք նվազեցնել պաշտպանական մեխանիզմների ազդեցությունն անվնաս կիրառությունների վրա՝ պահպանելով համակարգի դիմացկունության բարձր նշաձողը։ Սա արտացոլում է ներդրման մեր փուլային մոտեցումը․ սկզբում գործում ենք ավելի զգուշորեն, ապա համակարգը կատարելագործում ենք՝ հիմնվելով իրական կիրառությունից ստացած փորձի վրա։
Մինչև ընդհանուր հասանելիությունը մենք իրականացրինք մինչ օրս մեր ամենաինտենսիվ անվտանգության գնահատումները, այդ թվում՝ լայնածավալ նախափորձարկում, արտաքին փորձագետների հետ կարողությունների և պաշտպանիչ միջոցների համապարփակ փորձարկում, ինչպես նաև մոտավորապես 700 000 A100e GPU ժամ սև արկղի սկզբունքով ավտոմատացված նախափորձարկում։ Դա մեզ հնարավորություն տվեց համակարգված կերպով ստուգել հավանական թույլ կետերը, բացահայտել հաքերային հարձակման գործընթաց և օգնել ամրապնդել համակարգը նախքան գործարկումը։
Կատարյալ անվտանգություն գոյություն չունի, և գնալով ավելի հզորացող մոդելների անվտանգությունն ապահովելու մեր աշխատանքը շարունակվում է։ Նոր թերություններ կբացահայտվեն, ինչպես նաև՝ նոր շրջանցման եղանակներ, որոնք կկարողանան խուսափել առկա պաշտպանական մեխանիզմներից։ Մոդելների յուրաքանչյուր նոր սերունդ նաև հարձակումների և չարաշահման նոր հնարավորություններ կստեղծի։ Մենք այդ իրողությունը հաշվի ենք առնում՝ կիրառելով բազմաշերտ պաշտպանական մեխանիզմներ, շարունակական մշտադիտարկում, խնդիրների արագ շտկում և համագործակցություն պաշտպանական համայնքի հետ։ GPT‑5.6-ի համար մեր անվտանգության գործող(բացվում է նոր պատուհանում) և կենսաբանության ոլորտի խոցելիությունների հայտնաբերման պարգևատրման ծրագրերը համալրել ենք խնդիրների արագ վերացման նոր գործընթացով և մինչ օրս մեր ամենաընդգրկուն մշտադիտարկմամբ։ Հետազոտողների բացահայտումները, մշտադիտարկման արդյունքները և իրական աշխարհում չարաշահման դեպքերը շարունակաբար կօգտագործվեն նոր գնահատումներ մշակելու և պաշտպանական մեխանիզմներն ամրապնդելու համար։
Կարդացեք ավելին մեր պաշտպանական միջոցների մասին թարմացված GPT‑5.6 համակարգի քարտում(բացվում է նոր պատուհանում)։
GPT‑5.6-ը ներառում է մոդելների երեք մակարդակ՝ Sol՝ մեր առաջատար մոդելը, Terra՝ ավելի ցածր արժեքով մոդել, որի կատարողականը մրցունակ է GPT‑5.5-ի հետ, և Luna՝ մեր ամենաարագ և ամենամատչելի մոդելը։ Համարը նույնականացնում է սերունդը, մինչդեռ Sol-ը, Terra-ն և Luna-ն հնարավորությունների կայուն մակարդակներ են, որոնք կարող են զարգանալ իրենց սեփական տեմպով։
GPT‑5.6‑ն այսօրվանից հասանելի է ChatGPT‑ում, Codex-ում և OpenAI API-ում։ Գործարկումն արդեն սկսվել է ամբողջ աշխարհում և առաջիկա 24 ժամվա ընթացքում աստիճանաբար կընդլայնվի՝ հասանելի դառնալով բոլորին։
- Զրույց. Plus, Pro, Business, և Enterprise պլանների օգտատերերը կարող են օգտվել GPT‑5.6 Sol-ից միջին և հզոր ջանքի կարգավորումներով։ Pro և Enterprise օգտատերերը կարող են նաև ընտրել GPT‑5.6 Sol Pro-ն՝ բարդ առաջադրանքների համար առավելագույն որակի արդյունքներ ստանալու համար։
- ChatGPT Աշխատանք և Codex. Free-ի և Go-ի օգտատերերին հասանելի է GPT‑5.6 Terra-ն։ Plus, Pro, Business և Enterprise պլանների բաժանորդները կարող են ընտրել GPT‑5.6 Sol, Terra և Luna մոդելներից մեկը և յուրաքանչյուրի համար սահմանել գործադրվող ջանքերի մակարդակը։
max-ը հասանելի է բոլոր օգտատերերի համար, ովքեր GPT‑5.6-ին հասանելիություն ունեն ChatGPT Աշխատանքում և Codex-ում, և կարող է միացվել կարգավորումներում։ ChatGPT Աշխատանքումultra-ն հասանելի է Pro և Enterprise օգտատերերի համար։ Codex-ում այն հասանելի է Plus և ավելի բարձր պլաններում։ - API․ ծրագրավորողները կարող են OpenAI API-ի միջոցով օգտվել Sol, Terra և Luna մոդելներից։ Responses API-ում Programmatic Tool Calling-ը GPT‑5.6‑ին հնարավորություն է տալիս հիշողության մեջ գրել և գործարկել ծրագրեր, որոնք համակարգում են գործիքների աշխատանքը և մշակում միջանկյալ արդյունքները՝ ապահովելով Zero Data Retention (ZDR) ռեժիմի հետ համատեղելիություն։ Multi-agent գործառույթը, որն սկզբնական շրջանում հասանելի է բետա տարբերակով, GPT‑5.6‑ին հնարավորություն է տալիս միաժամանակ գործարկել մի քանի ենթագենտ և մեկ հարցման շրջանակում ամփոփել ու համադրել նրանց աշխատանքը։
GPT‑5.6-ի գինը հաշվարկվում է յուրաքանչյուր 1 մլն թոքենի համար՝ երեք մոդելի չափերով. Sol՝ $5 մուտքային / $30 ելքային, Terra՝ $2.50 մուտքային / $15 ելքային, իսկ Luna՝ $1 մուտքային / $6 ելքային։ GPT‑5.6-ը նաև ներդնում է հարցումների ավելի կանխատեսելի քեշավորում՝ ներառյալ քեշի հստակ ընդհատման կետերի(բացվում է նոր պատուհանում) աջակցությունը և քեշի պահպանման նվազագույն 30 րոպեանոց ժամկետը։ GPT‑5.6 և ավելի ուշ մոդելների համար քեշի գրումները գանձվում են մոդելի՝ քեշում չպահված մուտքագրման սակագնի 1.25x չափով, մինչդեռ քեշի ընթերցումները շարունակում են ստանալ քեշավորված մուտքագրման 90% զեղչը։
Մասնագիտական
| Գնահատում | GPT‑5.6 Լուծում | GPT‑5.6 Terra | GPT‑5.6 Luna | GPT‑5.5 | Claude Fable 5 | Claude Opus 4.8 | Gemini 3.1 Pro Preview | Gemini 3.5 Flash | |||||||
| Ագենտների վերջին քննությունը | 52 | 7% | 50 | 4% | 50 | 3% | 46 | 9% | 40 | 5% | 45 | 2% | 32 | 1% | — |
| GDPval-AA v2 | 1747,8 Elo | 1593 Elo | 1 591,8 Էլո | 1493,7 Էլո | 1759,6 Էլո | 1600,1 Էլո | 962 | 3 Էլո | 1348,8 Elo | ||||||
| Կառավարման խորհրդատվության առաջադրանքներ (ներքին) | 43 | 2% | 37 | 2% | 35 | 4% | 31 | 3% | 35 | 5% | 31 | 6% | 13 | 2% | — |
| Մեծ ֆինանսների բենչմարք | 53% | 51% | 36% | 49% | — | 44% | — | — | |||||||
| Artificial Analysis-ի Բանականության ինդեքս v4.1 | 58 | 9 Ինդեքսի միավոր | 55 Ինդեքսի միավոր | 51 | 2 Ինդեքսի միավոր | 54 | 8 Ինդեքսի միավոր | 59 | 9 Ինդեքսի միավոր | 55 | 7 Ինդեքսի միավոր | 46 | 5 Ինդեքսի միավոր | 50 | 2 Ինդեքսի միավոր |
Կոդավորում
| Գնահատում | GPT‑5.6 Լուծում | GPT‑5.6 Sol Ultra | 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 | ||||||||
| Artificial Analysis կոդավորման ագենտի ինդեքս v1.1 | 80 Ինդեքսի միավոր | — | 77 | 4 Ինդեքսի միավոր | 74 | 6 Ինդեքսի միավոր | 76 | 4 Ինդեքսի միավոր | — | — | 77 | 2 Ինդեքսի միավոր | 72 | 5 Ինդեքսի միավոր | 42 | 7 Ինդեքսի միավոր | ||
| 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% |
Անվտանգություն
| Գնահատում | GPT‑5.6 Լուծում | GPT‑5.6 Terra | GPT‑5.6 Luna | GPT‑5.5 | GPT‑5.4 | Claude Opus 4.8 | Claude Mythos 5 | Claude Mythos Preview |
| Healthbench Professional | 60.5% | 57.7% | 55.7% | 51.8% | 48.1% | 52.6% | 66% | 64.7% |
Համակարգչի օգտագործում
| Գնահատում | GPT‑5.6 Լուծում | 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 | Gemini 3.1 Pro Preview |
| 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 գործիք) | 83.4% | — | 78.2% | 73.9% | 55.8% | 65% | 61% | 51.8% | — |
Կիբերանվտանգություն
| Գնահատում | GPT‑5.6 Լուծում | 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 | ||||||
| Capture-the-Flag մարտահրավերներ | 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% | — | — | — |
Ինքնակատարելագործում
| Գնահատում | GPT‑5.6 Լուծում | GPT‑5.6 Terra | GPT‑5.6 Luna | GPT‑5.5 | ||||
| Ներքին հետազոտության վրիպազերծման գնահատում | 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 ինդեքս | 57 | 9% | 56 | 3% | 41 | 9% | 41 | 7% |
Մուլտիմոդալ
| Գնահատում | GPT‑5.6 Լուծում | GPT‑5.6 Terra | GPT‑5.6 Luna | GPT‑5.5 | Claude Fable 5 | Claude Opus 4.8 | Gemini 3.1 Pro Preview | ||||||
| MMMU Pro (առանց գործիքների) | 83% | 80 | 7% | 78 | 4% | 81 | 2% | — | — | 80 | 5% | ||
| MMMU Pro (գործիքներով) | 84 | 6% | 82% | 79 | 5% | 83 | 2% | — | — | — | |||
| gdp.pdf | 30 | 7% | 24 | 7% | 22 | 7% | 26% | 29 | 8% | 22 | 5% | 16 | 7% |
Ակադեմիական
| Գնահատում | GPT‑5.6 Լուծում | 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 1-3-րդ մակարդակ (v2) | 89% | 84.9% | 78.6% | 85.3% | — | — | 87% | 80% | 59.6% |
| FrontierMath 4-րդ մակարդակ (v2) | 83% | 68.3% | 58.5% | 72.5% | — | — | 87.8% | 56.1% | — |
Գործիքների օգտագործում
| Գնահատում | GPT‑5.6 Լուծում | 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 | 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% | — |
Երկար համատեքստ
| Գնահատում | GPT‑5.6 Լուծում | GPT‑5.6 Terra | GPT‑5.6 Luna | GPT‑5.5 | Claude Mythos 5 | Claude Mythos Preview | 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 1 մլն f1 | 77.1% | 71.2% | 51.2% | 45.4% | 79.4% | 74.3% | 68.1% |
Աբստրակտ մտածողություն
| Գնահատում | GPT‑5.6 Լուծում | 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% |
Հեղինակ
Ծանոթագրություններ
1. Կիբեռանվտանգության հնարավորությունները գնահատվում են մեղմացված պաշտպանական սահմանափակումների պայմաններում։ Օգտատերերը կարող են միանալ «OpenAI Daybreak»-ի Trusted Access for Cyber ծրագրին պաշտպանական կիբեր կարողություններին ընդլայնված հասանելիություն ստանալու համար։
2. Բոլոր մոդելները գնահատվում են ExploitBench API harness-ի միջոցով՝ 5 seed-ով և հիմնավորման շարունակականությամբ։
3. Մենք ExploitGym-ը գործարկեցինք մեր ալֆա API-ի վրա, որն ավելի արագ է վերադարձնում պատասխանները, քան մեր հանրային API-ը, ապա արդյունքները վերամասշտաբավորեցինք՝ համապատասխանեցնելով մեր հանրային API-ին։ Երբ հապաղումները վերամասշտաբավորվում են՝ համապատասխանեցվելու մեր հանրային API-ի համար ակնկալվող արագություններին, դա հանգեցնում է նրան, որ որոշ գնահատված հապաղումներ գերազանցում են երկու և վեց ժամանոց ժամանակային սահմանաչափերը, չնայած գնահատման գործարկման ընթացքում այդ սահմանաչափերը ճիշտ պահպանվել են։ Ժամանակի առումով զգայուն աշխատանքների համար ավելի բարձր արագություններ ստանալու նպատակով API-ում առաջարկում ենք առաջնահերթ մշակում, իսկ Codex-ում՝ արագ ռեժիմ։
4. Մենք գնահատում ենք հապաղումը և API-ի ծախսը՝ դիտարկելով մեր մոդելների արտադրական վարքագիծը և օֆլայն սիմուլյացիա կատարելով։ Այս գնահատականները հաշվի են առնում գործիքի կանչի մանրամասները, նմուշառված թոքենները և մուտքային թոքենները։ Իրական աշխարհի արդյունքները կարող են զգալիորեն տարբերվել և կախված են բազմաթիվ գործոններից, որոնք մեր սիմուլյացիայում չեն արտացոլվում։ Մենք ուշացումը մոդելավորում ենք API-ի արագ աշխատանքի պայմաններով, իսկ արժեքը հաշվարկում ենք API-ի սովորական սակագներով։
5. Մոդելները, որոնց համար ելքային թոքեն, հապաղում կամ արժեք չեն հաղորդվել, ներկայացված են հորիզոնական կետագծերով։
6. Բազմագենտ ռեժիմի դեպքում հապաղումը բխում է արմատային ագենտից, իսկ ելքային թոքենների և API-ի արժեքի ընդհանուր ցուցանիշները ներառում են բոլոր թոքենները։ Ultra-ն գործարկվում է 4 ագենտով։
7. Մենք միավորները հաշվարկում ենք HealthBench Professional-ի գիտական հոդվածում նկարագրված պաշտոնական գնահատման մեթոդով, ուստի դրանք համադրելի չեն Anthropic-ի համակարգային քարտերում ներկայացված արդյունքների հետ։
8. Opus 4.8-ի ARC-AGI-3 թեստն իրականացվել է հիմնավորման «Հզոր», այլ ոչ թե «Առավելագույն» մակարդակով, քանի որ սա ARC-AGI-3-ի միակ հրապարակված արդյունքն է։
