Kami memulai pratinjau terbatas untuk seri GPT‑5.6: Sol, model unggulan kami; Terra, model seimbang untuk pekerjaan sehari-hari; dan Luna, model yang cepat dan terjangkau. Performa Terra kompetitif dengan GPT‑5.5, tetapi biayanya 2x lebih murah, sementara Luna menghadirkan kemampuan kuat dengan biaya terendah kami.
GPT‑5.6 Sol diluncurkan dengan rangkaian pengaman kami yang paling tangguh hingga saat ini. Kami memperkuat perlindungan untuk aktivitas berisiko lebih tinggi, permintaan siber sensitif, dan penyalahgunaan berulang, serta menghabiskan beberapa minggu untuk menemukan kelemahan, menguji sistem kami di bawah tekanan, dan memperkuatnya terhadap serangan dunia nyata.
Kami percaya pada akses yang luas, dan kami berencana membuat GPT‑5.6 Sol, Terra, dan Luna tersedia secara umum dalam beberapa minggu mendatang. Sebagai bagian dari keterlibatan berkelanjutan kami dengan pemerintah AS, kami telah mempratinjau rencana kami dan kemampuan model-model ini menjelang peluncuran hari ini. Atas permintaan mereka, kami memulai dengan pratinjau terbatas untuk sekelompok kecil mitra tepercaya yang partisipasinya telah dibagikan kepada pemerintah, sebelum merilisnya lebih luas. Selama pratinjau ini, kami akan terus menguji dan berkoordinasi erat dengan para mitra sambil bergerak menuju ketersediaan yang lebih luas. Kami tidak percaya proses akses pemerintah semacam ini harus menjadi standar jangka panjang. Proses ini menjauhkan alat terbaik dari pengguna, developer, perusahaan, pembela siber, dan mitra global yang membutuhkannya. Kami mengambil langkah jangka pendek ini karena kami yakin ini adalah jalan terkuat menuju ketersediaan yang lebih luas dalam beberapa minggu mendatang, sembari bekerja dengan Pemerintahan untuk mengembangkan kerangka Perintah Eksekutif siber dan proses yang dapat diulang untuk rilis model di masa depan.
GPT‑5.6 Sol adalah model terkuat kami sejauh ini. Untuk memberi pratinjau performa model, kami membagikan serangkaian evaluasi yang menyoroti peningkatan kemampuan agentik dalam pengodean, biologi, dan keamanan siber, dengan evaluasi keselamatan dan kesiapan tambahan tersedia di kartu sistem(terbuka di jendela baru) kami. Kami akan membagikan rangkaian hasil evaluasi yang lebih luas saat model ini tersedia secara luas.
Dengan GPT‑5.6, kami memperkenalkan upaya penalaran `max` baru agar Sol memiliki waktu paling banyak untuk bernalar secara mendalam. Selain itu, kami memperkenalkan mode `ultra` baru yang melampaui kemampuan satu agen dengan memanfaatkan subagen untuk mempercepat pekerjaan kompleks.
Untuk alur kerja pengodean, GPT‑5.6 Sol menetapkan state of the art baru pada Terminal‑Bench 2.1, yang menguji alur kerja baris perintah yang memerlukan perencanaan, iterasi, dan koordinasi alat.
GPT‑5.6 Sol juga menunjukkan peningkatan luas dalam alur kerja biologi. Pada GeneBench v1, yang mengevaluasi analisis genomika jangka panjang dan biologi kuantitatif, model ini meraih hasil lebih kuat daripada GPT‑5.5 sambil menggunakan lebih sedikit token.
GPT‑5.6 Sol adalah model kami yang paling mumpuni sejauh ini untuk keamanan siber. Model ini menggeser batas performa-efisiensi untuk tugas keamanan jangka panjang, termasuk riset kerentanan dan eksploitasi. Pada ExploitBench², GPT‑5.6 Sol kompetitif dengan Mythos Preview hanya dengan menggunakan ~1/3 token output. Pada ExploitGym(terbuka di jendela baru)3, tolok ukur yang dibuat oleh peneliti UC Berkeley bekerja sama dengan OpenAI dan lab frontier lainnya, model GPT‑5.6 Sol, Terra, dan Luna semuanya menunjukkan peningkatan kuat dalam kemampuan siber seiring kami meningkatkan penalaran.
Kami mengembangkan GPT‑5.6 Sol, Terra, dan Luna dengan pengaman kami yang paling tangguh hingga saat ini, dengan konfigurasi yang disesuaikan dengan kemampuan tiap model. Seiring model menjadi lebih mumpuni, kami merancang pengaman agar semakin tahan terhadap tekanan adversarial dunia nyata sambil tetap mempertahankan akses untuk pekerjaan yang sah, seperti peninjauan kode, riset kerentanan, pengembangan patch, debugging, pendidikan keamanan, dan pengujian defensif. Tujuan kami adalah membuat aktivitas ofensif yang dilarang menjadi lebih sulit, tidak pasti, dan terdeteksi tanpa membatasi secara tidak perlu penggunaan yang bermanfaat tersebut. Berdasarkan penilaian kami terhadap model dan pengaman, kami memperkirakan manfaat besar bagi pekerjaan defensif yang sah, sekaligus secara berarti membatasi penggunaan ofensif yang dilarang.
GPT‑5.6 Sol lebih baik dalam membantu orang menemukan dan memperbaiki kerentanan daripada secara andal menjalankan serangan end-to-end. Seiring kemampuan ini terus maju, prioritas kami adalah memastikan kemampuan tersebut menjangkau dan memberi manfaat bagi para pembela, yang dapat menggunakan alat ini untuk menemukan kelemahan, mengembangkan patch, dan memperkuat sistem secara lebih luas.
GPT‑5.6 Sol tidak melewati ambang Cyber Critical berdasarkan Preparedness Framework kami. Dalam evaluasi yang melibatkan Chromium dan Firefox, model ini mengidentifikasi bug dan primitif eksploitasi—blok penyusun sebuah eksploit—tetapi tidak secara otonom menghasilkan eksploit full-chain yang berfungsi dalam kondisi yang diuji. Meski demikian, ambang tolok ukur tidak dapat menangkap setiap cara model dapat digunakan atau digabungkan dengan alat lain. Ketidakpastian itu, bersama lonjakan besar kemampuan model secara lebih luas, menjadi alasan kami memadukan peningkatan kemampuan model dengan pengaman yang lebih kuat dan rilis bertahap. Kami membagikan detail lebih lanjut tentang pengaman kami di kartu sistem GPT‑5.6 Preview(terbuka di jendela baru).
Tidak ada satu pengaman pun yang cukup untuk menghadapi penyalahgunaan yang gigih atau adaptif. Di seluruh pratinjau GPT‑5.6, kami menggunakan pengaman berlapis, dengan konfigurasi persis yang berbeda antar-model, dan mengujinya di bawah tekanan terhadap serangan dunia nyata. Ini mencakup perlindungan yang dilatih ke dalam model, pemeriksaan real-time selama generasi, sinyal tingkat akun, akses terdiferensiasi, pemantauan, penegakan, dan pengujian berkelanjutan.
GPT‑5.6 dilatih untuk menolak bantuan siber yang dilarang, termasuk ketika pengguna mencoba menyamarkan niat mereka atau melakukan jailbreak pada model. Pengaman tingkat model ini menetapkan batas pertama tentang hal apa saja yang boleh dan tidak boleh dibantu oleh model.
Pengklasifikasi penyalahgunaan siber dan biologi secara real-time memberi lapisan lain dengan mengevaluasi output saat dihasilkan. Untuk kasus berisiko lebih tinggi, jika pengklasifikasi mendeteksi potensi pelanggaran, generasi dapat dijeda sementara model penalaran yang lebih besar meninjau percakapan dan konteksnya. Jika output dinilai tidak diizinkan, output tersebut ditahan sebelum mencapai pengguna.
Aktivitas yang ditandai juga dapat memicu peninjauan tingkat akun di seluruh percakapan dan sinyal risiko yang relevan, sesuai dengan ketentuan dan kebijakan kami tentang penyimpanan serta peninjauan konten. Melihat melampaui satu percakapan membantu sistem kami membedakan perilaku berbahaya yang persisten dari pekerjaan keamanan penggunaan ganda yang sah, ketika konsep teknis serupa dapat muncul dalam konteks yang sangat berbeda.
Secara bersama-sama, lapisan-lapisan ini membuat pendekatan keseluruhan lebih tangguh daripada satu pengaman mana pun secara terpisah. Perilaku model mengurangi kemungkinan respons berbahaya, sistem real-time dapat melakukan intervensi selama generasi, peninjauan tingkat akun dapat mengidentifikasi pola yang lebih luas, dan akses terdiferensiasi mempertahankan pekerjaan defensif yang penting tanpa membuat kemampuan paling sensitif tersedia luas secara default.
Terutama selama pratinjau, pengguna mungkin menjumpai pengaman yang memblokir atau menolak sebagian permintaan. Permintaan lain mungkin memerlukan waktu lebih lama karena generasi dijeda untuk peninjauan tambahan. Pengaman terkadang dapat mengintervensi pekerjaan yang sah, terutama di area penggunaan ganda ketika aktivitas defensif dan ofensif pada awalnya dapat tampak serupa.
Itu merupakan bagian dari hal yang dirancang untuk diuji dalam pratinjau ini. Kami ingin memahami bukan hanya apakah pengaman membatasi penyalahgunaan, tetapi juga apakah pengguna yang sah tetap dapat menyelesaikan pekerjaan normal secara andal dan efisien. Masukan selama pratinjau akan membantu kami mengurangi pemblokiran dan penundaan yang tidak perlu, memperbaiki cara pengaman menafsirkan konteks, dan menciptakan pengalaman yang lebih mulus sebelum rilis yang lebih luas.
Kami juga bekerja dengan pelanggan perusahaan pada pendekatan jangka lebih panjang—termasuk deteksi yang menjaga privasi, kontrol keselamatan yang dioperasikan pelanggan, dan akses yang dikalibrasi terhadap risiko pelanggan, pengguna, atau beban kerja—untuk memajukan keselamatan sambil mendukung persyaratan privasi perusahaan.
Pengaman juga harus tetap efektif ketika penyerang menyesuaikan taktik mereka. Perlindungan yang hanya berfungsi pada sekumpulan serangan yang sudah dikenal tidak cukup tangguh untuk model frontier.
Karena itu, kami menerapkan lebih banyak kecerdasan dan komputasi daripada sebelumnya untuk keselamatan, menggunakan model kami sendiri guna menemukan kelemahan dan memperbaiki pengaman lebih cepat. Kami mendedikasikan lebih dari 700.000 jam GPU setara A100 untuk red-teaming otomatis yang bertujuan menemukan jailbreak universal: serangan yang dapat bekerja di banyak prompt atau konteks, bukan hanya satu skenario sempit. Dengan berfokus pada serangan yang lebih sulit dan lebih umum ini, kami dapat menguji pengaman melampaui sekumpulan kegagalan yang sudah dikenal. Ini juga memungkinkan kami menjelajahi jauh lebih banyak pola serangan daripada yang dapat dicakup pengujian manusia saja, mengidentifikasi pola kegagalan lebih awal, dan memperpendek jarak dari menemukan kelemahan hingga mengatasinya.
Selain red-teaming otomatis, kami bekerja dengan penguji pihak ketiga untuk melakukan red-teaming pakar manusia secara ekstensif, yang akan berlanjut selama periode pratinjau. Red-teaming oleh manusia melengkapi pekerjaan otomatis dengan menguji pengaman terhadap pakar kreatif yang mencoba menyalahgunakan model dengan cara yang mungkin tidak diantisipasi sistem kami.
Tidak ada evaluasi yang dapat mewakili setiap konfigurasi produk, serangan multi-langkah, atau alur kerja dunia nyata. Karena itu, kami mempertahankan proses respons cepat untuk mereproduksi, menilai, memprioritaskan, dan memperbaiki jailbreak yang baru ditemukan, lalu menambahkannya ke evaluasi berkelanjutan kami agar dapat menguji kegagalan serupa di masa mendatang.
Selama pratinjau, model GPT‑5.6 awalnya akan tersedia melalui API dan Codex bagi sekelompok mitra dan organisasi tepercaya yang dipilih. Kami berencana segera membuatnya tersedia lebih luas bagi orang-orang yang menggunakan ChatGPT, Codex, dan API.
Dalam sistem penamaan baru yang diperkenalkan bersama GPT‑5.6 ini, angka menunjukkan generasi model, sementara Sol, Terra, dan Luna menunjukkan tingkat kemampuan yang tahan lama dan dapat berkembang dengan ritmenya sendiri. Secara keseluruhan, keluarga ini memberi pengguna dan developer pilihan yang lebih jelas dalam hal kecerdasan, kecepatan, dan biaya.
GPT‑5.6 diberi harga per 1 juta token di tiga ukuran model: Sol seharga $5 input / $30 output; Terra seharga $2,50 input / $15 output; dan Luna seharga $1 input / $6 output. GPT‑5.6 juga memperkenalkan caching prompt yang lebih dapat diprediksi, termasuk dukungan untuk breakpoint cache eksplisit dan masa cache minimum 30 menit. Untuk GPT‑5.6 dan model berikutnya, penulisan cache ditagih 1,25x tarif input tanpa cache model tersebut, sementara pembacaan cache tetap menerima diskon input-cache 90%.
Kami juga meluncurkan GPT‑5.6 Sol di Cerebras dengan kecepatan hingga 750 token per detik pada Juli, menghadirkan kecerdasan frontier kepada pelanggan dengan kecepatan yang belum pernah ada sebelumnya. Akses awalnya akan dibatasi untuk pelanggan tertentu sementara kami memperluas kapasitas.
Kami antusias untuk terus belajar dari periode pratinjau ini, dan segera menghadirkan GPT‑5.6 Sol, Terra, dan Luna kepada lebih banyak orang.
1. Kami memperkirakan latensi dan biaya API dengan melihat perilaku produksi model kami, lalu menyimulasikannya secara offline. Perkiraan ini memperhitungkan detail panggilan alat, token yang disampel, dan token input. Hasil di dunia nyata dapat sangat berbeda, dan bergantung pada banyak faktor yang tidak tercakup dalam simulasi kami. Kami menyimulasikan latensi pada kecepatan API cepat, dan biaya pada harga API reguler.
2. Semua model dievaluasi menggunakan harness API ExploitBench dengan 5 seed dan kontinuitas penalaran.
3. Kami menjalankan ExploitGym pada API alpha kami, yang menghasilkan respons lebih cepat daripada API publik kami, lalu menskalakannya ulang agar sesuai dengan API publik kami. Saat menskalakan ulang latensi ke kecepatan yang diharapkan untuk API publik kami, sebagian estimasi latensi melebihi batas waktu 2 jam dan 6 jam, meskipun batas tersebut dipatuhi dengan benar dalam run evaluasi. Untuk memperoleh kecepatan lebih tinggi bagi pekerjaan sensitif waktu, kami menawarkan pemrosesan prioritas di API dan mode cepat di Codex.
4. Model tanpa token output, latensi, atau biaya yang dilaporkan ditampilkan sebagai garis putus-putus horizontal.
