ჩვენი შეზღუდული წინასწარი გაცნობის შემდეგ საყოველთაო ხელმისაწვდომობისთვის ვუშვებთ GPT‑5.6 მოდელების ოჯახს: ჩვენს ახალ ფლაგმანს, Sol-ს, ასევე Terra-ს — დაბალანსებულ მოდელს ყოველდღიური სამუშაოსთვის, და Luna-ს — ჩვენს ყველაზე ხარჯეფექტიან მოდელს.
GPT‑5.6 Sol ახალ სტანდარტს აწესებს ინტელექტისა და ეფექტიანობის სფეროებში, აღწევს თანამედროვე უმაღლესი დონის შედეგებს კოდირებაში, ცოდნაზე დაფუძნებულ სამუშაოებში, კიბერუსაფრთხოებასა და მეცნიერებაში და ამავდროულად აღემატება წინა და კონკურენტ მოწინავე მოდელებს ნაკლები token-ების გამოყენებით და უფრო დაბალი განსაზღვრული ღირებულებით. შედეგად მიიღება უფრო მაღალი ეფექტიანობა თითო დახარჯულ დოლარზე: მეტი წარმატებით შესრულებული სამუშაო იგივე დანახარჯით, ან მსგავსი შედეგები უფრო დაბალი საერთო ღირებულებით. ჩვენ ასევე წარმოგიდგენთ ახალ გზას ყველაზე მომთხოვნი სამუშაოს დასაჩქარებლად: ultra ჩვენი ყველაზე მაღალი შესაძლებლობების მქონე პარამეტრია, რომელიც რამდენიმე აგენტს პარალელურ სამუშაო ნაკადებში კოორდინაციას უწევს, რათა რთული ამოცანები უფრო სწრაფად შესრულდეს. კომპიუტერის გამოყენებისა და დიზაინის უკეთესი შეფასება GPT‑5.6‑ს აძლიერებს. Sol — ჩვენი დღემდე ყველაზე დახვეწილი თანამშრომელი, რომელიც ხელს უწყობს შედეგების შემოწმებას, დახვეწასა და გამოსაყენებლად მზა სახით მიწოდებას.
ჩვენ GPT‑5.6-ს ვწვრთნით, რათა თითოეული token-იდან მეტი სასარგებლო შედეგი მივიღოთ. Agents’ Last Exam(იხსნება ახალ ფანჯარაში)-ზე, 55 სფეროში ხანგრძლივი პროფესიული სამუშაო პროცესების შეფასებაში, GPT‑5.6 Sol 53,6-ის ახალ მაღალ ნიშნულს ადგენს და Claude Fable 5-ს (ადაპტიური მსჯელობა) 13,1 ქულით უსწრებს. საშუალო მსჯელობის დონეზეც კი, ის Fable 5-ს 11,4 ქულით უსწრებს, სავარაუდო ღირებულების დაახლოებით ერთი მეოთხედით. ეს ეფექტიანობა უფრო მცირე მოდელებზეც ვრცელდება, რომლებიც არსებითია ინტელექტის გაფართოებისა და ფინანსური ხელმისაწვდომობისთვის: GPT‑5.6 Terra და GPT‑5.6 Luna Fable 5-ს უსწრებენ დაახლოებით ხარჯების მეთექვსმეტედის პირობებში. ხელოვნური ანალიზის ინტელექტის ინდექსზე(იხსნება ახალ ფანჯარაში), რომელიც ინტელექტის ფართო საზომია და მოიცავს აგენტურ მუშაობას, კოდირებას, სამეცნიერო მსჯელობასა და ზოგად შესაძლებლობებს, GPT‑5.6 Sol მაქსიმალური მსჯელობით Fable 5-ს ერთი ქულის ფარგლებში უახლოვდება, ამავე დროს კი ამოცანებს 61 %-ით ნაკლებ დროში და დაახლოებით შეფასებული ხარჯის ნახევარ ფასად ასრულებს.
Agents’ Last Exam(იხსნება ახალ ფანჯარაში): გრძელვადიანი აგენტური სამუშაო პროცესები პროფესიულ სფეროებში.
GPT‑5.6 გაიშვება ჩვენი დღემდე ყველაზე მძლავრი დაცვის მექანიზმებით, რომლებიც შექმნილია დაჟინებული და ადაპტირებადი ბოროტად გამოყენების წინააღმდეგ, ლეგიტიმური საქმიანობის ფართოდ შეზღუდვის გარეშე. საყოველთაო ხელმისაწვდომობამდე მოდელები და დაცვის მექანიზმები გავატარეთ დღემდე ყველაზე ფართომასშტაბიანი შეფასების პერიოდში, სადაც ადამიანის მიერ განხორციელებული შეტევითი ტესტირება (red teaming) ფართომასშტაბიან ავტომატიზირებულ ტესტირებასთან იყო შერწყმული. წინასწარი ვერსიის პერიოდში მჭიდროდ ვთანამშრომლობდით ექსპერტულ ორგანიზაციებთან და სანდო პარტნიორებთან, რათა ფართო მასშტაბით გაშვებამდე დაცვის მექანიზმების გამძლეობისთვის ტესტირება ჩაგვეტარებინა და დამცავი ზომები გაგვეძლიერებინა. შედეგად მიღებული სისტემა მოდელში გაწვრთნილ დაცვის მექანიზმებს ავსებს რეალურ დროში შემოწმებებით, მონიტორინგით და ნდობისა და რისკის მიხედვით დაკალიბრებული წვდომით.
GPT‑5.6 Sol არის ჩვენი დღემდე საუკეთესო კოდირების მოდელი. Artificial Analysis Coding Agent Index-ზე, GPT‑5.6 Sol მაქსიმალური მსჯელობით ახალ მოწინავე ნიშნულს აწესებს — 80 ქულით, რაც Fable 5-ზე 2,8 ქულით მეტია — ამასთან, იყენებს გამომავალი „token“-ების ნახევარზე ნაკლებს, სჭირდება დროის ნახევარზე ნაკლები და დაახლოებით ერთი მესამედით ნაკლები ღირს. ეს უპირატესობა მთელ ოჯახზე ვრცელდება: Terra ოდნავ უსწრებს Fable 5-ს, ხოლო Luna უკეთეს შედეგს აჩვენებს, ვიდრე Opus 4.8; ორივე ამას დაახლოებით დროის ერთ მესამედში აკეთებს, დაახლოებით ნახევარი გამომავალი შედეგის token-ით და სავარაუდო ხარჯი დაახლოებით ერთ მეოთხედს შეადგენს. ის ასევე ახალ მოწინავე შედეგებს აჩვენებს Terminal‑Bench 2.1-სა და DeepSWE-ზე, რომლებიც ამოწმებენ ბრძანების სტრიქონის რთულ სამუშაო პროცესებს და გრძელვადიან საინჟინრო ამოცანებს რეალურ კოდის ბაზებში.
Artificial Analysis-ის კოდირების აგენტების ინდექსი: კოდირების აგენტების შესრულების დამოუკიდებელი ინდექსი იმპლემენტაციის, ტერმინალის გამოყენებისა და რეალურ კოდურ ბაზებთან მუშაობის მიხედვით.
GPT‑5.6-ს შეუძლია დაწეროს და გაუშვას მსუბუქი პროგრამები, რომლებიც კოორდინაციას უწევენ ინსტრუმენტებს, ამუშავებენ შუალედურ შედეგებს, აკონტროლებენ პროგრესს და მუშაობის მიმდინარეობისას ირჩევენ შემდეგ ქმედებას. ეს საშუალებას აძლევს ინსტრუმენტებით დატვირთულ ამოცანებს, წინ წაიწიონ ნაკლები token-ით, მოდელთან ნაკლები ორმხრივი მიმართვით და ნაკლები მითითებით. იმის ნაცვლად, რომ დეველოპერებს მოეთხოვოთ ყოველი ნაბიჯის სკრიპტის შექმნა ან ინსტრუმენტის ყოველი პასუხის მოდელის დაბრუნება, პასუხების API-ში პროგრამული ინსტრუმენტების გამოძახებას(იხსნება ახალ ფანჯარაში) შეუძლია გაფილტროს დიდი მოცულობის შუალედური მონაცემები, შეინარჩუნოს მხოლოდ ის, რაც მნიშვნელოვანია და გზადაგზა მოარგოს თავისი სამუშაო პროცესი.
იმ ამოცანებისთვის, რომლებშიც დროისა და გამოთვლითი რესურსების მეტი ინვესტირება უკეთეს შედეგს იძლევა, GPT‑5.6‑ს შეუძლია გასცდეს ამ ეფექტიან ნაგულისხმევ რეჟიმს. max GPT‑5.6-ს აძლევს კიდევ უფრო მეტ დროს, ვიდრე xhigh, რათა იმსჯელოს და ალტერნატივები შეისწავლოს, შემოწმებები გაუშვას და თავის მიდგომას გადახედოს. ultra კიდევ უფრო შორს მიდის: ნაგულისხმევად ოთხ აგენტს პარალელურად კოორდინაციას უწევს და მეტი token-ის გამოყენების სანაცვლოდ რთულ ამოცანებზე უფრო ძლიერ შედეგებსა და შედეგის მიღებამდე უფრო მოკლე დროს უზრუნველყოფს. ქვემოთ მოცემული დიაგრამები ადარებს ultra-ს ნაგულისხმევ ოთხაგენტიან კონფიგურაციას ერთაგენტიან საბაზისო ვარიანტს BrowseComp-ზე, SEC-Bench Pro-სა და Terminal-Bench 2.1-ზე; BrowseComp-სა და SEC-Bench Pro-ზე ასევე ნაჩვენებია 16-აგენტიანი კონფიგურაციები. სამივე შეფასების ფარგლებში, პარალელური აგენტების დამატება ქულა-დაყოვნების მოწინავე ზღვარს ზემოთ და მარცხნივ წევს, რითიც უფრო ძლიერ შედეგებს ნაკლებ დროში იძლევა. API-ში დეველოპერებს შეუძლიათ პასუხების API-ში არსებული მრავალაგენტიანი ბეტას გამოყენებით შექმნან Ultra-ს მსგავსი გამოცდილებები.
GPT‑5.6 დიზაინის განსჯის უნარში ეტაპობრივ ცვლილებას უზრუნნველყოფს. მხოლოდ მაღალი დონის მითითებებით, GPT‑5.6 ქმნის დახვეწილ, ერგონომიულ და ფუნქციურ ინტერფეისებს. კომპიუტერთან მუშაობის მისი უფრო ძლიერი შესაძლებლობები საშუალებას აძლევს, შეამოწმოს და დახვეწოს გენერირებული შედეგი — და არა მხოლოდ დააგენერიროს საფუძვლად არსებული კოდი ან კონტენტი — რათა შეძლოს ვიზუალური და ფუნქციური პრობლემების აღმოჩენა და საბოლოო შტრიხების დამატება სამუშაოს დაბრუნებამდე.
მოთხოვნა: შეგიძლიათ ჩემთვის 3D ნაოსნობის თამაში დააპროგრამოთ? ყველაფრისთვის, რასაც რასტერული გრაფიკა/ტექსტურები/სპრაიტები სჭირდება (ან თუ თქვენს მიერ შექმნილი ნებისმიერი 3D მოდელისთვის მაკეტის რეფერენსის ქონა დაგეხმარებათ), შეგიძლიათ თავისუფლად გამოიყენოთ imagegen.
GPT‑5.6-ის ფრონტ-ენდის შესაძლებლობები ასევე ბუნებრივი ენით ჩამოყალიბებულ მოთხოვნებს აქცევს დახვეწილ, ინტერაქტიულ ახსნებად და ვიზუალიზაციებად ChatGPT Work-ში“.
მოთხოვნა: შექმენით ინტერაქტიული სპიროგრაფი, რათა ახსნათ, როგორ მუშაობს ის.
GPT‑5.6 პროფესიული ამოცანებისთვის უკეთეს შედეგებს უზრუნველყოფს. ის იღებს არეულ კონტექსტს თქვენი დოკუმენტებიდან და ყოველდღიური სამუშაო პროცესებიდან, როგორიცაა Slack, Notion, Microsoft 365 და Google Drive, და მას ექსპერტული დონის, გაზიარებად არტეფაქტებად გარდაქმნის.
GPT‑5.6-ის სიძლიერე ცოდნაზე დაფუძნებულ სამუშაოებში ვლინდება შეფასებებში, რომლებიც მოიცავს გრძელვადიან პროფესიულ ანალიზს, დათვალიერებას, ინსტრუმენტების გამოყენებასა და კომპიუტერის გამოყენებას. GPT‑5.6 Sol განსაზღვრავს ახალ მოწინავე შედეგებს BrowseComp -ზე: 92,2% და OSWorld 2.0 -ზე: 62,6%; OSWorld-ზე, ის Opus 4.8-ს აღემატება მაშინ, როცა გამომავალი token-ების რაოდენობა 85%-ით ნაკლებია. ამ შემთხვევაში, წარმადობის ზრდა დოლარზე ვრცელდება GPT‑5.6-ის მთელ ოჯახზე. Luna თითქმის უტოლდება GPT‑5.5-ის პიკურ წარმადობას განსაზღვრულ ღირებულებასთან შედარებით ნახევარზე გაცილებით ნაკლები ხარჯის პირობებში, ხოლო Terra მას უსწრებს უფრო დაბალი ხარჯის პირობებში.
BrowseComp: GPT‑5.6 Sol აღწევს BrowseComp-ზე ახალ საუკეთესო შედეგს, რომელიც აგენტური დათვალიერების ამოცანებს მოიცავს.
GPT‑5.6 Sol აუმჯობესებს ხარისხს პრეზენტაციებში, დოკუმენტებსა და ელცხრილებში, რითაც ქმნის უფრო დახვეწილ და ზუსტ შედეგებს. მას შეუძლია ნულიდან შექმნას სრულად რედაქტირებადი პრეზენტაციები და ინტერაქტიულად გარდაქმნას მოთხოვნა და საწყისი მასალა თანმიმდევრულ ვიზუალურ ნარატივად, გამართული განლაგებებით, მკაფიო იერარქიითა და დიზაინით.
გაუმჯობესება განსაკუთრებით აშკარაა შაბლონებისა და საცნობარო პრეზენტაციების წესების დაცვისას. GPT‑5.6-ს შეუძლია სლაიდების ნაკრების დიზაინის სისტემის — განლაგებების, ტიპოგრაფიის, დაშორებების, ფერებისა და განმეორებადი კონტენტის შაბლონების, მათ შორის, სლაიდების ნიმუშში ჩაშენებული წესების — ამოცნობა და ამ წესების ახალ მასალაზე თანმიმდევრულად გამოყენება. ამ მაგალითში, რიცხვების საცნობარო ფაილის მიხედვით განახლების მოთხოვნისას, GPT‑5.5-ის გამომავალ შედეგს აკლია ძირითადი კომპონენტები მთავარი სლაიდიდან, ხოლო GPT‑5.6 უფრო ზუსტად იცავს საცნობარო სტრუქტურას.
საცნობარო ფაილი
GPT‑5.5-ის გამომავალი შედეგი
GPT‑5.5‑ს აკლია მთავარი სლაიდის ძირითადი კომპონენტები
GPT‑5.6-ის გამომავალი მონაცემები
GPT‑5.6 ასევე ქმნის ვიზუალურად უფრო დახვეწილ დოკუმენტებსა და ელცხრილებს. ის უფრო ზუსტად იცავს მითითებების რთულ ფორმატებს, რაც მნიშვნელოვანია ცოდნაზე დაფუძნებული განმეორებადი სამუშაო აქტივობებისთვის. ის მეტი სიზუსტით ამუშავებს განტოლებებსა და ფინანსურ მოდელებს და უკეთ იყენებს ტიპოგრაფიას, დაშორებებს, იერარქიას და გვერდის ან სამუშაო ფურცლის განლაგებას.
პირველმა მომხმარებლებმა, რომლებმაც GPT‑5.6 გამოსცადეს, სხვადასხვა სფეროში ინტელექტუალური სამუშაოს შედეგების გაუმჯობესება შენიშნეს.
GPT‑5.6 არის ჩვენი კიბერუსაფრთხოების დღემდე უძლიერესი მოდელი, რომელიც აღწევს მოწინავე შედეგებს მნიშვნელოვნად ნაკლები token-ის გამოყენებით. ExploitBench2 -ზე, რომელიც პროგრესს ზომავს მოწყვლად კოდამდე მიღწევიდან ნებისმიერი კოდის შესრულებამდე, ის 73,5%-იან შედეგს აღწევს GPT‑5.5‑ის 47,9%-თან შედარებით, მსგავსი შედეგის token-ების ბიუჯეტის პირობებში. ExploitGym3-ზე, რომელიც აგენტებს რეალურ სამყაროში არსებული მოწყვლადობების მოქმედ ექსპლოიტებად გარდაქმნას სთხოვს, ის GPT‑5.5-ის პიკის წარმატების კოეფიციენტს თითქმის აორმაგებს, 15,1%-დან 24,9%-მდე 2-საათიანი ლიმიტის ფარგლებში; 6 საათის შემთხვევაში, ის აღწევს 33,7%-ს. SEC-Bench Pro-ზე, რომელიც რთულ პროგრამულ უზრუნველყოფაში კონცეფციის დამადასტურებელი მოდელის გენერირებას ამოწმებს, ის აჩვენებს 71,2%-იან შედეგს GPT‑5.5‑ის 45,8%-თან შედარებით, გაუმჯობესებული დაყოვნებით.
GPT‑5.6 მხარს უჭერს მნიშვნელოვან თავდაცვით ამოცანებს, როგორიცაა კოდის უსაფრთხოების მიმოხილვა, პაჩების დანერგვა, საფრთხეების მოდელირება და თავდაცვითი გუნდის საქმიანობა. OpenAI Daybreak-ის Trusted Access for Cyber პროგრამაში ჩართულ კვალიფიციურ პირებსა და ორგანიზაციებს შეუძლიათ მისი თავდაცვითი შესაძლებლობების უფრო დიდ ნაწილზე წვდომა მიიღონ ავტორიზებულ გარემოებში, დადასტურებული სამუშაოსთვის განკუთვნილი უფრო ზუსტი დამცავი მექანიზმების მეშვეობით, მათ შორის მოწყვლადობების ტრიაჟისა და ვალიდაციის, მავნე პროგრამული უზრუნველყოფის ანალიზის, დეტექციის ინჟინერიისა და პაჩების ვალიდაციისთვის.
ცალკეულ პირებს შეუძლიათ დაადასტურონ თავიანთი ვინაობა და მოითხოვონ სანდო წვდომა(იხსნება ახალ ფანჯარაში), ხოლო ორგანიზაციებს შეუძლიათ განცხადების შეტანა თავიანთი გუნდებისთვის. ინდივიდუალურ წევრებს 1-ლ სექტემბრამდე დასჭირდებათ ანგარიშის გაფართოებული უსაფრთხოების(იხსნება ახალ ფანჯარაში) ჩართვა აპარატურული მხარდაჭერის მქონე დაშვების გასაღებებით, რათა შეინარჩუნონ წვდომა ჩვენს კიბერშესაძლებლობების მხრივ ყველაზე ძლიერ მოწინავე მოდელებზე; ისინი, ვინც ამას არ გააკეთებენ, ნაგულისხმევ წვდომას დაუბრუნდებიან. მომხმარებლებს, რომლებსაც ჯერ არ აქვთ აპარატურით მხარდაჭერილი წვდომის გასაღები, შეუძლიათ ჩვენი პარტნიორისგან, Yubico-სგან, მიიღონ შეღავათიანი ფასები(იხსნება ახალ ფანჯარაში). ჩვენ ასევე ვდგამთ დამატებით ნაბიჯებს, რათა შევზღუდოთ წვდომა მაღალი რისკის შემცველი სუბიექტებისთვის და მაღალი რისკის შემცველ იურისდიქციებში.
ExploitBench: თანდათანობით უფრო ძლიერი V8 ექსპლოიტების შექმნა; GPT‑5.6 მნიშვნელოვან გაუმჯობესებას აჩვენებს GPT‑5.5-თან შედარებით. დაყოვნების დიაგრამა ნაჩვენები არ არის, რადგან ამ ბენჩმარკისთვის დაყოვნების შეფასება არასანდოა.
GPT‑5.6 Sol ასევე აჩვენებს ფართო გაუმჯობესებას სამეცნიერო კვლევაში. სიცოცხლის მეცნიერებების შეფასებებში GPT‑5.6 აჩვენებს Pareto-ს გაუმჯობესებებს GPT‑5.5‑თან შედარებით რეალური სამყაროს ბიოლოგიაში, სიცოცხლის მეცნიერებების კვლევით სამუშაო პროცესებსა და ქიმიაში.
GeneBench Pro: გრძელვადიანი გენომიკისა და რაოდენობრივი ბიოლოგიის ანალიზები; GPT‑5.6 უფრო ძლიერ შედეგებს აღწევს ნაკლები token-ით და ნაკლებ დროში. Claude Fable 5 არ არის ჩართული, რადგან ის არ პასუხობს(იხსნება ახალ ფანჯარაში) რთულ ბიოლოგიურ კითხვებს და ამ შეფასებაში კითხვების უმეტესობაზე პასუხზე უარს ამბობს.
GPT‑5.6 დღემდე ჩვენი ყველაზე ძლიერი მოდელია ხელოვნური ინტელექტის კვლევის დასაჩქარებლად. OpenAI-ში მკვლევრები მას შემუშავების მთელი ციკლის განმავლობაში იყენებენ: ხარვეზების დიაგნოსტირებისთვის, საწვრთნელი სისტემების ოპტიმიზაციისთვის, ექსპერიმენტების ჩასატარებლად და შედეგების ინტერპრეტაციისთვის. ეს აჩქარება და უფრო ძლიერი ათვისება უკვე დავინახეთ GPT‑5.6‑ის შიდა ტესტირების პერიოდში, რადგან აქტიურ მკვლევარზე საშუალო დღიური გამომავალი token-ების რაოდენობა GPT‑5.5-ისთვის დაფიქსირებულ მაღალ დონეზე ორჯერ მეტზე მეტი იყო.
მუშაობის ეს მეთოდი სწრაფად ხდება სტანდარტი. ბოლო ექვსი თვის განმავლობაში, კვლევითი გამოთვლითი რესურსების წილი, რომელიც შიდა კოდის ინფერენციას ეთმობოდა, 100-ჯერ გაიზარდა, ხოლო შიდა აგენტური token-ის გამოყენება დაახლოებით 22-ჯერ გაიზარდა. ეს ათვისების მეტრიკები თავისთავად არ ზომავს კვლევით პროგრესს, მაგრამ აჩვენებს, რამდენად სწრაფად იზრდება AI-ს დახმარების გამოყენება კვლევისთვის და სხვა გუნდებში, როგორიცაა გაყიდვები, მარკეტინგი, მომხმარებელთა ოპერაციები, ფინანსები და სხვა.
ამ შესაძლებლობის პირდაპირ გასაზომად, ჩვენ შევიმუშავეთ შეფასებების შიდა კომპლექტი, რომელიც ეფუძნება ხელოვნური ინტელექტის კვლევის რეალურ ამოცანებს, მათ შორის კვლევითი სისტემების გამართვას, ბირთვებისა და გაწვრთნის რეცეპტების ოპტიმიზაციას, მანქანური სწავლების ექსპერიმენტების ჩატარებას და სხვა მოდელის გაუმჯობესებას.
ჯამური RSI შესაძლებლობა: შეფასებების კრებულში, რომლებიც რეკურსიული თვითგაუმჯობესებისკენ პროგრესს ზომავს, ვხედავთ, რომ GPT‑5.6‑ს Sol GPT‑5.5‑თან შედარებით 16,2-ქულიანი გაუმჯობესება აქვს, რაც შიდა კვლევას ყველა მიმართულებით აჩქარებს.
მოდელის შესაძლებლობების ზრდასთან ერთად, ჩვენ ვაძლიერებთ ჩვენს უსაფრთხოების დასტას, რათა მოწინავე ინტელექტი ფართოდ სასარგებლო დარჩეს, ხოლო ყველაზე მაღალი რისკის შემცველი გამოყენების შემთხვევების შემთხვევაში უფრო მკაცრი შემოწმება განხორციელდეს. GPT‑5.6-ისთვის დღემდე ჩვენი ყველაზე მედეგი უსაფრთხოების სისტემა შევიმუშავეთ, რომელიც თითოეული მოდელის შესაძლებლობებზეა მორგებული და იმაზე მეტი გამოთვლითი რესურსითაა გაძლიერებული, ვიდრე ოდესმე.
GPT‑5.6 მოდელები უფრო შესაძლებლობიანია, ვიდრე ჩვენი ადრინდელი მოდელები, როგორც ბიოლოგიაში, ასევე კიბერუსაფრთხოებაში, მაგრამ არცერთ კატეგორიაში არ კვეთს კრიტიკულ ზღვარს. კიბერუსაფრთხოების სფეროში ჩვენი ტესტირება ცხადყოფს, რომ GPT‑5.6 უკეთ ახერხებს მოწყვლადობების პოვნასა და გამოსწორებას, ვიდრე გაძლიერებული დაცვის მქონე სამიზნეების მიმართ ავტონომიური, თავიდან ბოლომდე განხორციელებული შეტევების საიმედოდ განხორციელებას — რაც უსაფრთხოების დამცველებს აძლევს შესაძლებლობას, სუსტი მხარეების გამოყენებამდე გააძლიერონ სისტემები. ბიოლოგიის სფეროში, ჩვენი ტესტირების შედეგები მიუთითებს, რომ GPT‑5.6-ს შეუძლია ლეგიტიმური კვლევის მხარდაჭერა, მაგრამ არ უზრუნველყოფს საწყისიდან ბოლომდე სრულ შესაძლებლობას, რომელიც საჭიროა უაღრესად საშიში ახალი საფრთხის შესაქმნელად, ინჟინერირებისთვის ან სინთეზირებისთვის.
ორივე სფერო თავისი არსით ორმაგი დანიშნულებისაა. კიბერუსაფრთხოებაში იგივე შესაძლებლობები, რომლებიც თავდამსხმელს მოწყვლადობის გამოყენებაში შეიძლება დაეხმაროს, დამცველსაც შეუძლია აღმოაჩინოს, მოახდინოს მათი რეპროდუცირება და საიმედოდ აღმოფხვრას. ამიტომ ზედმეტი დაბლოკვა თავისთავად ქმნის უსაფრთხოების რისკს. ამან შეიძლება ხელი შეუშალოს დამცველებს სისტემების ტესტირებასა და პაჩების დანერგვაში, მაშინ როცა მავნე აქტორები განაგრძობენ სხვა მოდელების, მათ შორის სულ უფრო მძლავრი ღია კოდის მოდელების, ასევე დამკვიდრებული ინსტრუმენტების გამოყენებას. ეფექტიანი დამცავი ზომები ითვალისწინებს მოთხოვნის კონტექსტს და მის სავარაუდო შედეგებს, ინარჩუნებს ლეგიტიმურ თავდაცვით საქმიანობას და ამავე დროს უფრო მკაცრ კონტროლის მექანიზმებს იყენებს იქ, სადაც მტკიცებულებები სერიოზული ზიანის რისკზე მიუთითებს.
GPT‑5.6-ის დაცვის მექანიზმები მრავალშრიანი სიზუსტისა და რეზერვირების მიზნით არის განლაგებული და შექმნილია ისე, რომ ახალი თავდასხმების გაჩენისთანავე სწრაფად მოერგოს. მოდელში გაწვრთნილი დაცვის მექანიზმები მუშაობს რეალურ დროში შემოწმებებთან, უწყვეტ მონიტორინგთან და ანგარიშის დონეზე აღსრულებასთან ერთად, რათა სისტემა უსაფრთხოდ დარჩეს მაშინაც კი, როდესაც კონკრეტული შრე ისე არ მუშაობს, როგორც გათვალისწინებულია. ბევრ სისტემაში მხოლოდ კლასიფიკატორის დროშები წყვეტენ, რა დაიბლოკოს, და ზიანის თავიდან ასაცილებლად ეყრდნობა უფრო დაბალი ინტელექტის მქონე მოდელებს, რომელთა შეცვლაც უფრო რთულია. ჩვენი მიდგომა მოიცავს მსჯელობის მონიტორს, რომელიც მიმოიხილავს საუბარს, რათა დაადგინოს, არსებობს თუ არა ზიანის საფრთხე. ეს დიზაინი მიზნად ისახავს თავდაცვითი საქმიანობის უზრუნველყოფას და სერიოზული ბოროტად გამოყენების დაბლოკვას, ხოლო ყველაზე მნიშვნელოვანი შესაძლებლობები Trusted Access-ის მეშვეობით მხოლოდ ვერიფიცირებულ მომხმარებლებს არის განკუთვნილი. ვინაიდან ზოგიერთი დაცვის მექანიზმი ტესტირების დროს გამოყენებულ მსჯელობას იყენებს, შეგვიძლია ისინი სწრაფად განვაახლოთ ხარვეზების დახურვისთვის, კლასიფიკატორების ნულიდან ხელახლა გაწვრთნის გარეშე.
ჩვენ უფრო ფრთხილ მიდგომას ვირჩევთ, რადგან ვაგრძელებთ სისტემის გაძლიერებას ადაპტიური შეტევების წინააღმდეგ. წინა მოდელებთან შედარებით, ჩვენი GPT‑5.6 Sol-ის კიბერდაცვის მექანიზმები ბლოკავს დაახლოებით ათჯერ მეტ პოტენციურად საზიანო აქტივობას. რადგან ამ ზომებმა შეიძლება კეთილსინდისიერი გამოყენებისთვის შეფერხებები შექმნას, ChatGPT‑სა და Codex-ში გთავაზობთ შესაძლებლობას, მარტივად ხელახლა სცადოთ მოთხოვნები უფრო დაბალი შესაძლებლობების მქონე მოდელებზე და გავაგრძელებთ ჩვენი უსაფრთხოების მექანიზმების გავლენის შემცირებას კეთილსინდისიერ გამოყენებაზე, მდგრადობის მაღალი სტანდარტის შენარჩუნებით. ეს ასახავს განთავსების ჩვენს იტერაციულ მიდგომას: ფრთხილად ვიწყებთ და ვაუმჯობესებთ იმის საფუძველზე, რასაც რეალურ პირობებში გამოყენებიდან ვსწავლობთ.
საყოველთაო ხელმისაწვდომობამდე, ჩვენ ჩავატარეთ დღემდე ყველაზე ინტენსიური უსაფრთხოების შეფასებები, მათ შორის ფართომასშტაბიანი შეტევითი ტესტირება (red teaming), შესაძლებლობებისა და დამცავი მექანიზმების საფუძვლიანი ტესტირება გარე ექსპერტებთან ერთად და დაახლოებით 700,000 A100e GPU-საათი შავი ყუთის პრინციპზე დაფუძნებული ავტომატიზებული შეტევითი ტესტირებისთვის (red teaming). ამან საშუალება მოგვცა, სისტემატურად შეგვემოწმებინა სავარაუდო სუსტი წერტილები, გამოვლენილიყო მწარმოებლის შეზღუდვების მოხსნა და გაგვეშძლიერებინა სისტემა გაშვებამდე.
სრულყოფილი უსაფრთხოება არ არსებობს და ჩვენი მუშაობა სულ უფრო მეტი შესაძლებლობის მქონე მოდელების დასაცავად გრძელდება. აღმოჩნდება ახალი სისუსტეები, ასევე — მწარმოებლის შეზღუდვების მოხსნის ახალი მეთოდები, რომლებიც გვერდს აუვლიან არსებულ დამცავ ზომებს. მოდელის ყოველი ახალი თაობა ასევე შექმნის თავდასხმისა და ბოროტად გამოყენების ახალ შესაძლებლობებს. ჩვენ ამ რეალობისთვის ვქმნით მრავალშრიან დაცვის მექანიზმებს, უწყვეტ მონიტორინგს, სწრაფი აღმოფხვრის საშუალებებს და თავდაცვითი საზოგადოების მასშტაბით თანამშრომლობას. GPT‑5.6-ისთვის ჩვენი არსებული უსაფრთხოების(იხსნება ახალ ფანჯარაში) და შეცდომების აღმოჩენისთვის ჯილდოს პროგრამები ბიოლოგიის დარგში გავაერთიანეთ ახალ სწრაფად აღმოფხვრის პროცესსა და დღემდე ჩვენს ყველაზე ძლიერ მონიტორინგის ძალისხმევასთან. მკვლევრების, მონიტორინგის და რეალურ გარემოში ბოროტად გამოყენების მიგნებები უწყვეტად ჩართული იქნება ახალი შეფასებებისა და უფრო ძლიერი დამცავი ზომების შემუშავების პროცესში.
წაიკითხეთ მეტი ჩვენი უსაფრთხოების ზომების შესახებ განახლებულ GPT‑5.6 სისტემურ ბარათში(იხსნება ახალ ფანჯარაში).
GPT‑5.6 მოიცავს მოდელის სამ დონეს: Sol — ჩვენი ფლაგმანი; Terra — უფრო დაბალი ღირებულების მოდელი, რომლის წარმადობაც GPT‑5.5-ს კონკურენციას უწევს; და Luna — ჩვენი ყველაზე სწრაფი და ყველაზე ხელმისაწვდომი მოდელი. რიცხვი მიუთითებს თაობას, ხოლო Sol, Terra და Luna — მდგრადი შესაძლებლობის დონეებია, რომლებიც საკუთარი ტემპით ვითარდებიან.
GPT‑5.6 დღეიდან ხელმისაწვდომია ChatGPT‑ში, Codex-სა და OpenAI API-ში. გაშვება გლობალურად უკვე იწყება და მომდევნო 24 საათის განმავლობაში ეტაპობრივად გაგრძელდება სრული ხელმისაწვდომობის მიღწევამდე.
- ჩატი: Plus, Pro, Business და Enterprise მომხმარებლებს საშუალო და უფრო მაღალი ძალისხმევის პარამეტრებით აქვთ წვდომა GPT‑5.6 Sol-ზე. Pro-სა და Enterprise-ის მომხმარებლებს ასევე შეუძლიათ აირჩიონ GPT‑5.6 Sol Pro რთულ ამოცანებზე უმაღლესი ხარისხის შედეგებისთვის.
- ChatGPT Work და Codex: Free-სა და Go-ს მომხმარებლებს აქვთ წვდომა GPT‑5.6 Terra-ზე. Plus, Pro, Business და Enterprise-ის მომხმარებლებს შეუძლიათ აირჩიონ GPT‑5.6 Sol, Terra და Luna-სთვის თითოეულზე ძალისხმევის დონე დააყენეთ.
maxხელმისაწვდომია ყველა მომხმარებლისთვის, ვისაც GPT‑5.6-ზე წვდომა აქვს ChatGPT‑ს Work-სა და Codex-ში და მისი ჩართვა შესაძლებელია პარამეტრებში. ChatGPT Work-შიultraხელმისაწვდომია Pro-სა და Enterprise-ის მომხმარებლებისთვის. Codex-ში ის ხელმისაწვდომია Plus და უფრო მაღალი დონის გეგმებში. - API: დეველოპერებს შეუძლიათ Sol-ზე, Terra-სა და Luna-ზე წვდომის მიღება OpenAI API-ის საშუალებით. პასუხების API-ში პროგრამული წესით ინსტრუმენტების გამოძახება GPT‑5.6-ს საშუალებას აძლევს, მეხსიერებაში დაწეროს და გაუშვას პროგრამები, რომლებიც კოორდინაციას უწევს ინსტრუმენტებს და ამუშავებს შუალედურ შედეგებს, რაც მას მონაცემთა ნულოვანი შენარჩუნების (ZDR) მოთხოვნებთან თავსებადს ხდის. Multi-agent, რომელიც თავდაპირველად ბეტა რეჟიმშია ხელმისაწვდომი, GPT‑5.6‑ს საშუალებას აძლევს, ერთი მოთხოვნის ფარგლებში გაუშვას პარალელური ქვეაგენტები და მოახდინოს მათი მუშაობის სინთეზირება.
GPT‑5.6-ის ფასი 1 მლნ token-ზე განისაზღვრება მოდელის სამი ზომისთვის: Sol — 5 $ შეყვანა / 30 $ გამოტანა; Terra — 2,50 $ შეყვანა / 15 $ გამოტანა; Luna — 1 $ შეყვანა / 6 $ გამოტანა. GPT‑5.6 ასევე შემოაქვს მოთხოვნის ქეშირების უფრო პროგნოზირებადი მექანიზმი, მათ შორის აშკარა ქეშის წყვეტის წერტილების(იხსნება ახალ ფანჯარაში) მხარდაჭერა და ქეშის მინიმალური 30-წუთიანი სიცოცხლის ვადა. GPT‑5.6-ისა და შემდგომი მოდელებისთვის ქეშში ჩაწერა დაიბეგრება მოდელის არაქეშირებული შეყვანის ტარიფის 1,25x-ით, ხოლო ქეშიდან წაკითხვა კვლავ იმოქმედებს ქეშირებული შეყვანის 90%-იან ფასდაკლებას.
პროფესიონალური
| Eval | GPT‑5.6 Sol | 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 | ||||||
| Agents' Last Exam | 52.7% | 50.4% | 50.3% | 46.9% | 40.5% | 45.2% | 32.1% | — | ||||||
| GDPval-AA v2 | 1,747.8 Elo | 1,593 Elo | 1,591.8 Elo | 1,493.7 Elo | 1,759.6 Elo | 1,600.1 Elo | 962.3 Elo | 1,348.8 Elo | ||||||
| ხელმძღვანელობის საკონსულტაციო ამოცანები (შიდა) | 43.2% | 37.2% | 35.4% | 31.3% | 35.5% | 31.6% | 13.2% | — | ||||||
| Big Finance Bench | 53% | 51% | 36% | 49% | — | 44% | — | — | ||||||
| Artificial Analysis Intelligence Index v4.1 | 58.9 ინდექსის ქულა | 55 ინდექსის ქულა | 51 | 2 ინდექსის ქულა | 54 | 8 ინდექსის ქულა | 59 | 9 ინდექსის ქულა | 55 | 7 ინდექსის ქულა | 46 | 5 ინდექსის ქულა | 50 | 2 ინდექსის ქულა |
კოდირება
| Eval | GPT‑5.6 Sol | 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 Coding Agent Index v1.1 | 80 ინდექსის ქულა | — | 77.4 ინდექსის ქულა | 74.6 ინდექსის ქულა | 76.4 ინდექსის ქულა | — | — | 77.2 ინდექსის ქულა | 72.5 ინდექსის ქულა | 42.7 ინდექსის ქულა |
| 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% |
უსაფრთხოება
| Eval | GPT‑5.6 Sol | 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% |
კომპიუტერის გამოყენება
| Eval | GPT‑5.6 Sol | 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 tool) | 83.4% | — | 78.2% | 73.9% | 55.8% | 65% | 61% | 51.8% | — |
კიბერუსაფრთხოება
| Eval | GPT‑5.6 Sol | 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 |
| დროშის მოპოვების გამოწვევები | 96.7% | — | 91.8% | 85.2% | 88.1% | — | — | — |
| SEC-Bench Pro | 71.2% | 74.3% | 57.7% | 48.9% | 45.8% | — | — | — |
| ExploitBench | 73.5% | — | 52.9% | 33.2% | 47.9% | 78% | 74.2% | 40% |
| ExploitGym | 33.7% | — | 23.2% | 12.4% | 15.1% | — | — | — |
თვითგაუმჯობესება
| Eval | GPT‑5.6 Sol | GPT‑5.6 Terra | GPT‑5.6 Luna | GPT‑5.5 | ||||
| შიდა კვლევის დეფექტების ანალიზის შეფასება | 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 ინდექსი | 57 | 9% | 56 | 3% | 41 | 9% | 41 | 7% |
მულტიმოდალური
| Eval | GPT‑5.6 Sol | 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 (ინსტრუმენტების გარეშე) | 83% | 80.7% | 78.4% | 81.2% | — | — | 80.5% |
| MMMU Pro (ინსტრუმენტებით) | 84.6% | 82% | 79.5% | 83.2% | — | — | — |
| gdp.pdf | 30.7% | 24.7% | 22.7% | 26% | 29.8% | 22.5% | 16.7% |
აკადემიური
| Eval | GPT‑5.6 Sol | 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 Tier 1-3 (v2) | 89% | 84.9% | 78.6% | 85.3% | — | — | 87% | 80% | 59.6% |
| FrontierMath Tier 4 (v2) | 83% | 68.3% | 58.5% | 72.5% | — | — | 87.8% | 56.1% | — |
ინსტრუმენტის გამოყენება
| Eval | GPT‑5.6 Sol | 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% | — |
ხანგრძლივი კონტექსტი
| Eval | GPT‑5.6 Sol | 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 1mil f1 | 77.1% | 71.2% | 51.2% | 45.4% | 79.4% | 74.3% | 68.1% |
აბსტრაქტული მსჯელობა
| Eval | GPT‑5.6 Sol | 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% |
ავტორი
სქოლიოები
1. კიბერ შესაძლებლობები ფასდება შემცირებული დამცავი ზომებით. მომხმარებლებს შეუძლიათ შეუერთდნენ OpenAI Daybreak-ის Trusted Access for Cyber პროგრამას, რათა მიიღონ გაფართოებული წვდომა თავდაცვით კიბერშესაძლებლობებზე.
2. ყველა მოდელი შეფასებულია ExploitBench API სარტყელის გამოყენებით 5 seed-ით და მსჯელობის უწყვეტობით.
3. ჩვენ ExploitGym გავუშვით ჩვენს ალფა API-ზე, რომელიც პასუხებს უფრო სწრაფად აბრუნებს, ვიდრე ჩვენი საჯარო API, შემდეგ კი შედეგები გადავაფასეთ , რათა ისინი საჯარო API-ს შესაბამის სიჩქარეს მოვარგოთ. საჯარო API-სთვის მოსალოდნელ სიჩქარეებზე დაყოვნებების მასშტაბირებისას, ეს იწვევს იმას, რომ ზოგიერთი სავარაუდო დაყოვნება აჭარბებს ორ- და ექვსსაათიან დროის ლიმიტებს, მიუხედავად იმისა, რომ შეფასების გაშვებისას ეს ლიმიტები სწორად იყო დაცული. დროით შეზღუდული სამუშაოებისთვის უფრო სწრაფი სიჩქარის მისაღებად, API-ში ვთავაზობთ პრიორიტეტულ დამუშავებას, ხოლო Codex-ში — სწრაფ რეჟიმს.
4. ლატენტობასა და API-ის ღირებულებას ვაფასებთ ჩვენი მოდელების საწარმოო ქცევაზე დაკვირვებით და ხაზგარეშე სიმულაციით. ეს შეფასებები ითვალისწინებს ინსტრუმენტის გამოძახების დეტალებს, შერჩეულ tokrn-ებს და შეყვანის tokrn-ებს. რეალურ პირობებში შედეგები შეიძლება მნიშვნელოვნად განსხვავდებოდეს და დამოკიდებულია მრავალ ფაქტორზე, რომლებიც ჩვენს სიმულაციაში არ არის ასახული. ლატენტობის სიმულაციას ვახდენთ API-ს მაღალი სიჩქარეებით, ხოლო ღირებულებას — ჩვეულებრივი API-ის ფასებით.
ხუთი. მოდელები, რომლებზეც არ არის მითითებული გამომავალი token-ები, ლატენტობა ან ღირებულება, გრაფიკზე ნაჩვენებია ჰორიზონტალური წერტილოვანი ხაზებით.
6. მრავალაგენტიან რეჟიმში დაყოვნება განისაზღვრება ძირითადი აგენტის მიხედვით, ხოლო გამომავალი token-ებისა და API ხარჯების ჯამი მოიცავს ყველა token-ს. Ultra გაშვებულია 4 აგენტით.
7. ქულებს ვითვლით HealthBench Professional-ის ნაშრომში აღწერილი ოფიციალური ქულების გამოთვლის მიდგომით, რაც მსგავსია Anthropic-ის სისტემურ ბარათებში წარმოდგენილ შედეგებთან.
8. ARC-AGI-3 Opus 4.8-ისთვის გაშვებული იყო მსჯელობის ძალისხმევის „მაღალი“ და არა „მაქსიმალური“ პარამეტრით, რადგან ეს ARC-AGI-3-ის ერთადერთი გამოქვეყნებული შედეგია.
