The builder’s guide to GPT‑5.6

The GPT‑5.6 model family makes frontier-level agent performance dramatically more affordable, while also advancing the frontier of what is possible.

In this guide, we show how startups are using smarter model selection and new API controls that help with reasoning continuity, multi-agent orchestration, and programmatic tool calling to build faster, more capable agents at a fraction of the cost.

Since GPT‑5, each model generation has sought to tackle longer-horizon tasks with fewer tokens. GPT‑5.6 continues that trajectory: stronger agent performance, lower costs, with minimal changes to the underlying harness.

The improvements in top-line cost efficiency are compounded with increased accuracy at lower reasoning efforts. For example, on Agents’ Last Exam, GPT‑5.6 Sol at “low” reasoning outperformed GPT‑5.5 at “high” reasoning when the harness was kept constant. We’ve seen similar success stories in production testing where startups report seeing significant cost improvements across a range of workflows by reducing the reasoning effort from the prior defaults.

Historically, upgrading to a flagship model at the highest reasoning available has been the best option for long-horizon use cases. This has been in large part due to these models being significantly more capable than cost-optimized models at handling longer contexts and tool calling. This has changed with the 5.6-family: with more test-time compute, Luna and Terra can often perform similar to GPT‑5.4 and 5.5 while being significantly cheaper.

Consider tasks in BrowseComp: a search-based benchmark that tests a model’s ability to search for obscure facts. Three months ago, GPT‑5.5 (Extra High) scored 84.36% on this benchmark for a total cost of $33.27. At launch, GPT‑5.6 Luna (Extra High) delivers essentially the same performance, scoring 84.04% at a cost of $1.33. We’ve since reduced prices further. Read more on our latest price cuts.

The smaller 5.6-family models are a strong fit for high-volume workloads, latency-sensitive interactions, and repeated steps within agentic workflows. For example, if you’re operating a legal-tech startup that parses handwritten memos prior to agentic analysis, instead of using a frontier model for the entire use case, you can now use Terra or Luna for extraction and register significant cost savings.

In addition to making GPT‑5.6 more performant out of the box, we also shipped new primitives to the Responses API to unlock further gains. We trained GPT‑5.6 end-to-end with three complementary architectural interventions that enable agents to operate more efficiently:

1. Reuse work already performed: by allowing reasoning to be persisted⁠(იხსნება ახალ ფანჯარაში) across model turns and using native compaction⁠(იხსნება ახალ ფანჯარაში) to compress long-running conversations, the model can maintain coherence in its work across longer task horizons without getting confused or having to reconstruct prior context.
2. Parallel decomposition where appropriate: using native multi-agent orchestration⁠(იხსნება ახალ ფანჯარაში) allows coordinating multiple agents across parallel workstreams to finish complex tasks faster.
3. Move deterministic work into code: using programmatic tool calling⁠(იხსნება ახალ ფანჯარაში) to filter, aggregate, and orchestrate tool outputs outside the model’s context window, reserving model tokens for judgment and reducing cost, latency, and context rot.

ერთად გამოყენებისას განსხვავება შეიძლება საოცარი იყოს. მაგალითად, ARC-AGI-3-ზე GPT‑5.6 Sol-მა სტანდარტული სარტყლით 13,3% მიიღო. თუმცა შენარჩუნებული მსჯელობისა და შეკუმშვის ჩართვის შემდეგ შედეგი 38,3%-მდე გაიზარდა, თანაც დაახლოებით 6-ჯერ ნაკლები გამომავალი ტოკენის გამოყენებით. მოდელში ცვლილებების გარეშე — თითქმის სამჯერ უკეთესი შედეგი. დამატებითი ინფორმაცია იხილეთ ჩვენს ARC-AGI-3-ის სარტყლის კვლევაში.

აგენტური სამუშაო პროცესები ხშირად ორი სახის სამუშაოს მოიცავს:

1. ამოცანები, რომლებიც განსჯას მოითხოვს
2. სამუშაო, რომელიც ძირითადად მონაცემების გადატანას, გაფილტვრასა და გაერთიანებას მოითხოვს

როდესაც აგენტი 100 ანგარიშგებას მოიპოვებს, თარიღის მიხედვით გაფილტრავს და შესაბამის ტრანზაქციებს გამოავლენს, მოდელს თავის კონტექსტურ ფანჯარაში ყოველი შუალედური შედეგის გაანალიზება არ უნდა უწევდეს. ხელსაწყოების პროგრამული გამოძახება GPT‑5.6‑ს საშუალებას აძლევს, ხელსაწყოების საორკესტრირებლად JavaScript დაწეროს, დამოუკიდებელი გამოძახებები პარალელურად გაუშვას და მათი შედეგები კონტექსტური ფანჯრის გარეთ დაამუშაოს. ამგვარად, მოდელი ყურადღებას იმაზე ამახვილებს, რასაც ინტელექტი სჭირდება: განსჯაზე.

რთულ, პარალელურად შესრულებად ამოცანებში მოქმედებებისა და მსჯელობის რამდენიმე აგენტურ სამუშაო ნაკადზე განაწილება ამოცანის უფრო სწრაფად დასრულებასა და ინტელექტის უფრო მაღალ დონეს უზრუნველყოფს. ასეთ კონფიგურაციებში მთავარი აგენტი ქვეაგენტების ორკესტრირებასა და მათთვის ამოცანების დელეგირებაზეა პასუხისმგებელი. ქვეაგენტები თავიანთ მიზნებზე პარალელურად მუშაობენ, ბოლოს კი შედეგებს საბოლოო სინთეზისთვის მთავარ აგენტს უბრუნებენ. გუნდებს მრავალი აგენტის ჩაშენებული შესაძლებლობით სარგებლობა Responses API-ში მრავალი აგენტის ჩართვით⁠(იხსნება ახალ ფანჯარაში) შეუძლიათ. ChatGPT‑ში ულტრა შესაძლებლობის პარამეტრიც სწორედ ასე მუშაობს.

მართალია, GPT‑5.6 კარგად განსაზღვრავს ქვეაგენტების საჭირო რაოდენობასა და მათი გაშვების დროს, მაგრამ მრავალი აგენტის ქცევის მართვა მარტივად შეიძლება. თუ მოდელს მივუთითებთ, როდის გამოიძახოს ქვეაგენტები, იზრდება ალბათობა, რომ აგენტები მხოლოდ მაშინ გაეშვება, როცა დამატებითი ტოკენების ხარჯვა უკეთეს შედეგს მოიტანს.

მოდელების მთელ ოჯახში პრომპტის კეშის TTL მინიმუმ 30 წუთამდე გახანგრძლივდა, ხოლო კეშის საკონტროლო წერტილების დეტერმინისტულად დაყენება ახლა მოდელის კონტექსტურ ფანჯარაშიც შეიძლება. ამან სტარტაპებს კეშში დამთხვევის სიხშირის მნიშვნელოვნად გაზრდის საშუალება მისცა.

კეშის საკონტროლო წერტილების დაყენებასთან ერთად, შესაბამისი prompt_cache_key⁠(იხსნება ახალ ფანჯარაში)-ს გამოყენების გაგრძელება ზრდის ალბათობას, რომ მოთხოვნები მოხვდეს იმავე ინფერენციის ძრავაზე, რომელმაც ადრე იგივე პრეფიქსი დაამუშავა, და ამით ამცირებს დაყოვნებას.

ამ მაგალითებში განსაკუთრებით თვალსაჩინოა, რამდენად შეიცვალა აგენტების შექმნის ეკონომიკა.

გამოყენების სცენარებს, რომლებსაც ადრე ყოველ ნაბიჯზე მოწინავე მოდელი სჭირდებოდა, ახლა მცირე მოდელების გამოყენებით, მსჯელობის ძალისხმევის მორგებითა და ეფექტიანი არქიტექტურული გადაწყვეტილებებით გაცილებით ნაკლებ ფასად შეუძლიაა მსგავსი ან უკეთესი შედეგების მიღწევა.

მოუთმენლად ველით, რას შექმნით!