We're beginning a limited preview of the GPT‑5.6 series: Sol, our flagship model; Terra, a balanced model for everyday work; and Luna, a fast and affordable model. Terra has competitive performance to GPT‑5.5 while being 2x cheaper and Luna brings strong capability at our lowest cost.
GPT‑5.6 Sol launches with our most robust safety stack to date. We strengthened protections for higher-risk activity, sensitive cyber requests, and repeated misuse, and spent multiple weeks finding weaknesses, pressure-testing our system, and hardening it against real-world attacks.
We believe in broad access, and we plan to make GPT‑5.6 Sol, Terra, and Luna generally available in the coming weeks. As part of our ongoing engagement with the U.S. government, we previewed our plans and the models’ capabilities ahead of today’s launch. At their request, we are starting with a limited preview for a small group of trusted partners whose participation has been shared with the government, before releasing more broadly. During this preview, we will continue testing and coordinating closely with partners as we work toward broader availability. We don’t believe this kind of government access process should become the long-term default. It keeps the best tools from users, developers, enterprises, cyber defenders, and global partners who need them. We are taking this short-term step because we believe it is the strongest path to broader availability in the coming weeks, while we work with the Administration to develop the cyber Executive Order framework and a repeatable process for future model releases.
GPT‑5.6 Sol is our strongest model yet. To give a preview of model performance, we share a set of evaluations highlighting improved agentic capabilities in coding, biology, and cybersecurity, with additional safety and preparedness evaluations available in our system card(բացվում է նոր պատուհանում). We will share an expanded suite of evaluation results when we make the model broadly available.
With GPT‑5.6, we’re introducing a new max reasoning effort to give Sol the most time to reason deeply. Additionally, we’re introducing a new ultra mode that goes beyond the capabilities of a single agent by leveraging subagents to accelerate complex work.
For coding workflows, GPT‑5.6 Sol sets a new state of the art on Terminal‑Bench 2.1, which tests command-line workflows requiring planning, iteration, and tool coordination.
GPT‑5.6 Sol also shows broad improvements in biology workflows. On GeneBench v1, which evaluates long-horizon genomics and quantitative-biology analyses, it achieves stronger results than GPT‑5.5 while using fewer tokens.
GPT‑5.6 Sol is our most capable model yet for cybersecurity. It shifts the performance-efficiency frontier for long-horizon security tasks including vulnerability research and exploitation. On ExploitBench², GPT‑5.6 Sol is competitive with Mythos Preview using only ~1/3 of the output tokens. On ExploitGym(բացվում է նոր պատուհանում)3, a benchmark created by UC Berkeley researchers in collaboration with OpenAI and other frontier labs, GPT‑5.6 Sol, Terra, and Luna models all demonstrate strong improvements in cyber capabilities as we increase reasoning.
We developed GPT‑5.6 Sol, Terra and Luna with our most robust safeguards to date, with configurations matched to each model’s capabilities. As the model becomes more capable, we design safeguards to increasingly hold up to real-world adversarial pressure while preserving access to legitimate work such as code review, vulnerability research, patch development, debugging, security education, and defensive testing. Our goal is to make prohibited offensive activity more difficult, uncertain, and detectable without unnecessarily limiting those beneficial uses. Based on our assessment of the model and safeguards, we expect substantial benefit for legitimate defensive work, while meaningfully constraining prohibited offensive use.
GPT‑5.6 Sol is better at helping people find and fix vulnerabilities than reliably carrying out end-to-end attacks. As these capabilities continue to advance, our priority is to make sure they reach and benefit defenders, who can use these tools to find weaknesses, develop patches, and strengthen systems more broadly.
GPT‑5.6 Sol does not cross the Cyber Critical threshold under our Preparedness Framework. In evaluations involving Chromium and Firefox, it identified bugs and exploitation primitives—the building blocks of an exploit—but did not autonomously produce a functional full-chain exploit under the conditions tested. Still, benchmark thresholds cannot capture every way a model may be used or combined with other tools. That uncertainty, along with the model’s broader step change in capabilities, is why we are pairing the model’s increased capabilities with stronger safeguards and a phased release. We share more details about our safeguards in the GPT‑5.6 Preview system card(բացվում է նոր պատուհանում).
No single safeguard is sufficient against determined or adaptive misuse. Across the GPT‑5.6 preview, we use layered safeguards, with exact configurations varying across models, and pressure-test them for real-world attacks. These include protections trained into the model, real-time checks during generation, account-level signals, differentiated access, monitoring, enforcement, and continued testing.
GPT‑5.6 is trained to refuse prohibited cyber assistance, including when users attempt to disguise their intent or jailbreak the model. These model-level safeguards establish the first boundary around what the model should and should not help with.
Real-time cyber and biology misuse classifiers provide another layer by evaluating output as it is generated. For higher risk cases, if they detect a potential violation, the generation may be paused while a larger reasoning model reviews the conversation and its context. If the output is assessed as disallowed, it is withheld before it reaches the user.
Flagged activity can also trigger account-level review across relevant conversations and risk signals, consistent with our terms and policies around content retention and review. Looking beyond a single conversation helps our systems distinguish persistent malicious behavior from legitimate dual-use security work, where similar technical concepts may appear in very different contexts.
Together, these layers make the overall approach more robust than any one safeguard on its own. Model behavior reduces the likelihood of harmful responses, real-time systems can intervene during generation, account-level review can identify broader patterns, and differentiated access preserves important defensive work without making the most sensitive capabilities broadly available by default.
Especially during the preview, users may encounter safeguards that block or refuse some requests. Other requests may take longer because generation is paused for additional review. Safeguards may occasionally intervene on legitimate work, particularly in dual-use areas where defensive and offensive activity can initially look similar.
That is part of what the preview is designed to test. We want to understand not only whether the safeguards constrain misuse, but whether legitimate users can still complete normal work reliably and efficiently. Feedback during the preview will help us reduce unnecessary blocks and delays, improve how the safeguards interpret context, and create a smoother experience before wider release.
We are also working with enterprise customers on longer-term approaches—including privacy-preserving detection, customer-operated safety controls, and access calibrated to the risk of a customer, user, or workload—to advance safety while supporting enterprise privacy requirements.
Պաշտպանական միջոցները պետք է արդյունավետ մնան նաև այն դեպքում, երբ հարձակվողները հարմարեցնում են իրենց մարտավարությունը։ Պաշտպանությունը, որն աշխատում է միայն հայտնի հարձակումների ֆիքսված հավաքածուի վրա, բավականաչափ կայուն չէ սահմանային մոդելի համար։
Այդ պատճառով մենք անվտանգության վրա կիրառում ենք ավելի շատ բանականություն և հաշվողական ռեսուրս, քան երբևէ՝ մեր սեփական մոդելներով ավելի արագ գտնելով թույլ կողմերը և բարելավելով պաշտպանական միջոցները։ Մենք ավելի քան 700,000 A100-համարժեք GPU ժամ ենք հատկացրել ավտոմատացված red teaming-ին՝ ունիվերսալ jailbreak-ներ գտնելու համար. հարձակումներ, որոնք կարող են աշխատել բազմաթիվ հարցումների կամ համատեքստերի մեջ, ոչ միայն մեկ նեղ միջավայրում։ Այս ավելի բարդ և ընդհանուր հարձակումների վրա կենտրոնանալը թույլ տվեց պաշտպանական միջոցները ստուգել հայտնի ձախողումների ֆիքսված հավաքածուից դուրս։ Դա նաև թույլ է տալիս ուսումնասիրել շատ ավելի շատ հարձակման ձևաչափեր, քան կարող էր ընդգրկել միայն մարդկանց թեստավորումը, ավելի վաղ բացահայտել ձախողման օրինաչափությունները և կրճատել ճանապարհը՝ թույլ կետը գտնելուց մինչև այն շտկելը։
Ավտոմատացված red teaming-ից բացի, մենք աշխատեցինք երրորդ կողմի թեստավորողների հետ՝ իրականացնելու լայնածավալ մարդկային փորձագիտական red teaming, որը կշարունակվի նախադիտման ընթացքում։ Մարդկային red teaming-ը լրացնում է ավտոմատացված աշխատանքը՝ պաշտպանական միջոցները փորձարկելով ստեղծագործ փորձագետների դեմ, որոնք փորձում են մոդելը չարաշահել այնպիսի եղանակներով, որոնք մեր համակարգերը կարող են չկանխատեսել։
Ոչ մի գնահատում չի կարող ներկայացնել յուրաքանչյուր արտադրանքի կազմաձև, բազմաքայլ հարձակում կամ իրական աշխարհի աշխատանքային հոսք։ Ուստի մենք պահպանում ենք արագ արձագանքման գործընթաց՝ նոր հայտնաբերված jailbreak-ները վերարտադրելու, գնահատելու, առաջնահերթացնելու և շտկելու համար, ապա ավելացնում ենք դրանք մեր շարունակական գնահատումներին, որպեսզի ապագայում ստուգենք նմանատիպ ձախողումների դեմ։
Նախադիտման ընթացքում GPT‑5.6 մոդելները սկզբում API-ի և Codex-ի միջոցով հասանելի կլինեն վստահելի գործընկերների և կազմակերպությունների ընտրված խմբի համար։ Շուտով նախատեսում ենք դրանք ավելի լայնորեն հասանելի դարձնել ChatGPT, Codex և API օգտագործողներին։
GPT‑5.6‑ի հետ ներկայացվող անվանակոչման այս նոր համակարգում թիվը ցույց է տալիս մոդելի սերունդը, իսկ Sol-ը, Terra-ն և Luna-ն՝ կայուն կարողությունների մակարդակներ, որոնք կարող են առաջընթաց ունենալ իրենց սեփական տեմպով։ Ընդհանուր առմամբ, այս ընտանիքը մարդկանց և մշակողներին տալիս է ավելի հստակ ընտրություն՝ ըստ բանականության, արագության և արժեքի։
GPT‑5.6‑ի գինը սահմանված է 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 ներկայացնում է ավելի կանխատեսելի հարցումների քեշավորում, ներառյալ հստակ քեշի ընդհատման կետերի աջակցություն և քեշի 30 րոպե նվազագույն կյանք։ GPT‑5.6-ի և ավելի ուշ մոդելների համար քեշի գրումները գանձվում են մոդելի չքեշավորված մուտքի սակագնի 1.25x չափով, իսկ քեշի ընթերցումները շարունակում են ստանալ քեշավորված մուտքի 90% զեղչը։
Հուլիսին մենք նաև գործարկում ենք GPT‑5.6 Sol-ը Cerebras-ում՝ մինչև 750 թոքեն վայրկյանում արագությամբ՝ սահմանային բանականությունը հաճախորդներին հասցնելով աննախադեպ արագությամբ։ Սկզբում հասանելիությունը սահմանափակ կլինի ընտրված հաճախորդներով, մինչ մենք ընդլայնում ենք հզորությունը։
Ուրախ ենք շարունակել սովորել այս նախադիտման շրջանից և շուտով GPT‑5.6 Sol-ը, Terra-ն և Luna-ն հասանելի դարձնել ավելի շատ մարդկանց։
1. Մենք գնահատում ենք ուշացումը և API-ի արժեքը՝ դիտարկելով մեր մոդելների արտադրական վարքագիծը և կատարելով օֆլայն մոդելավորում։ Այս գնահատումները հաշվի են առնում գործիքների կանչերի մանրամասները, նմուշառված թոքենները և մուտքային թոքենները։ Իրական արդյունքները կարող են էապես տարբերվել և կախված են բազմաթիվ գործոններից, որոնք մեր մոդելավորումը չի ընդգրկում։ Մենք ուշացումը մոդելավորում ենք API-ի արագ արագություններով, իսկ արժեքը՝ API-ի սովորական գնագոյացմամբ։
2. Բոլոր մոդելները գնահատվում են ExploitBench API harness-ի միջոցով՝ 5 seed-ով և հիմնավորման շարունակականությամբ։
3. Մենք ExploitGym-ը գործարկել ենք մեր ալֆա API-ում, որն արձագանքներն ավելի արագ է թողարկում, քան մեր հանրային API-ն, ապա վերամասշտաբավորել ենք՝ հանրային API-ին համապատասխանեցնելու համար։ Երբ ուշացումները վերամասշտաբավորվում են մեր հանրային API-ի համար ակնկալվող արագություններին, որոշ գնահատված ուշացումներ գերազանցում են 2 ժամ և 6 ժամ ժամանակային սահմանները, թեև գնահատման գործարկման ընթացքում դրանք ճիշտ են պահպանվել։ Ժամանակի նկատմամբ զգայուն աշխատանքի համար ավելի բարձր արագություն ստանալու նպատակով API-ում առաջարկում ենք առաջնահերթ մշակում, իսկ Codex-ում՝ արագ ռեժիմ։
4. Մոդելները, որոնց համար ելքային թոքեններ, ուշացում կամ արժեք չեն նշվել, ցուցադրված են հորիզոնական կետագծերով։
