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(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) across model turns and using native compaction⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) 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(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) allows coordinating multiple agents across parallel workstreams to finish complex tasks faster.
3. Move deterministic work into code: using programmatic tool calling⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) 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.

ಇವುಗಳನ್ನು ಒಟ್ಟಿಗೆ ಬಳಸಿದಾಗ ವ್ಯತ್ಯಾಸವು ಅಪಾರವಾಗಿರಬಹುದು. ಉದಾಹರಣೆಗೆ, ARC-AGI-3ನಲ್ಲಿ ಪ್ರಮಾಣಿತ ಪೂರಕ ವ್ಯವಸ್ಥೆಯೊಂದಿಗೆ GPT‑5.6 Sol 13.3% ಅಂಕ ಗಳಿಸಿತು. ಆದರೆ ಉಳಿಸಿಕೊಂಡ ರೀಜನಿಂಗ್ ಮತ್ತು ಸಂದರ್ಭ ಸಂಕುಚಿತಗೊಳಿಸುವಿಕೆಯನ್ನು ಸಕ್ರಿಯಗೊಳಿಸಿದ ನಂತರ, ಸುಮಾರು 6 ಪಟ್ಟು ಕಡಿಮೆ ಔಟ್‌ಪುಟ್ ಟೋಕನ್‌ಗಳನ್ನು ಬಳಸಿದ್ದರೂ ಅಂಕ 38.3%ಗೆ ಏರಿತು. ಮಾಡೆಲ್‌ನಲ್ಲಿ ಯಾವುದೇ ಬದಲಾವಣೆ ಇಲ್ಲ, ಆದರೂ ಕಾರ್ಯಕ್ಷಮತೆ ಸುಮಾರು ಮೂರು ಪಟ್ಟು ಹೆಚ್ಚಾಗಿದೆ. ನಮ್ಮ ARC-AGI-3 ಪೂರಕ ವ್ಯವಸ್ಥೆಯ ಪರಿಶೀಲನೆ ಕುರಿತು ಇಲ್ಲಿ ಇನ್ನಷ್ಟು ಓದಬಹುದು.

ಏಜೆಂಟ್ ಆಧಾರಿತ ವರ್ಕ್‌ಫ್ಲೋಗಳಲ್ಲಿ ಸಾಮಾನ್ಯವಾಗಿ ಎರಡು ಬಗೆಯ ಕೆಲಸಗಳಿರುತ್ತವೆ:

1. ನಿರ್ಣಯ ಅಗತ್ಯವಿರುವ ಕಾರ್ಯಗಳು
2. ಮುಖ್ಯವಾಗಿ ದತ್ತಾಂಶವನ್ನು ವರ್ಗಾಯಿಸುವ, ಶೋಧಿಸುವ ಮತ್ತು ಸಂಯೋಜಿಸುವ ಕೆಲಸ

ಏಜೆಂಟ್ 100 ದಾಖಲೆಗಳನ್ನು ಹಿಂಪಡೆದು, ದಿನಾಂಕದ ಪ್ರಕಾರ ಶೋಧಿಸಿ, ಸಂಬಂಧಿತ ವಹಿವಾಟುಗಳನ್ನು ಗುರುತಿಸುವಾಗ, ಮಾಡೆಲ್ ತನ್ನ ಕಾನ್ಟೆಕ್ಸ್ಟ್ ವಿಂಡೋದಲ್ಲಿನ ಪ್ರತಿಯೊಂದು ಮಧ್ಯಂತರ ಫಲಿತಾಂಶದ ಕುರಿತು ರೀಸನಿಂಗ್ ಮಾಡಬೇಕಾಗಿಲ್ಲ. ಪ್ರೋಗ್ರಾಮ್ಯಾಟಿಕ್ ಟೂಲ್ ಕರೆಯು ‌ ಟೂಲ್‌ಗಳನ್ನು ಸಂಯೋಜಿಸಲು, ಸ್ವತಂತ್ರ ಕರೆಗಳನ್ನು ಸಮಾಂತರವಾಗಿ ಚಲಾಯಿಸಲು ಮತ್ತು ಅವುಗಳ ಫಲಿತಾಂಶಗಳನ್ನು ಕಾನ್ಟೆಕ್ಸ್ಟ್ ವಿಂಡೋದ ಹೊರಗೆ ಸಂಸ್ಕರಿಸಲು GPT‑5.6ಗೆ JavaScript ಬರೆಯಲು ಅವಕಾಶ ನೀಡುತ್ತದೆ. ಹೀಗಾಗಿ ಮಾಡೆಲ್ ಇಂಟೆಲಿಜೆನ್ಸ್‌ಗೆ ಅಗತ್ಯವಿರುವ ನಿರ್ಣಯ ಕೈಗೊಳ್ಳುವುದರ ಮೇಲಷ್ಟೇ ಗಮನಹರಿಸಬಹುದು.

ಸಮಾಂತರಗೊಳಿಸಬಹುದಾದ ಸಂಕೀರ್ಣ ಕಾರ್ಯಗಳಲ್ಲಿ, ಹಲವು ಏಜೆಂಟ್ ವರ್ಕ್‌ಫ್ಲೋಗಳ ನಡುವೆ ಕ್ರಮಗಳು ಮತ್ತು ರೀಜನಿಂಗ್ ಅನ್ನು ಹಂಚುವುದರಿಂದ ಕಾರ್ಯಗಳನ್ನು ವೇಗವಾಗಿ ಹಾಗೂ ಹೆಚ್ಚಿನ ಇಂಟೆಲಿಜೆನ್ಸ್‌ನಿಂದ ಪೂರ್ಣಗೊಳಿಸಬಹುದು. ಈ ಸಂಯೋಜನೆಗಳಲ್ಲಿ ಉಪ-ಏಜೆಂಟ್‌ಗಳನ್ನು ನಿರ್ವಹಿಸುವುದು ಮತ್ತು ಅವರಿಗೆ ಕಾರ್ಯಗಳನ್ನು ನಿಯೋಜಿಸುವುದು ಮುಖ್ಯ ಏಜೆಂಟ್‌ನ ಜವಾಬ್ದಾರಿ. ಉಪ-ಏಜೆಂಟ್‌ಗಳು ತಮ್ಮ ಗುರಿಗಳನ್ನು ಸಮಾಂತರವಾಗಿ ಸಾಧಿಸಿ, ಕೊನೆಯಲ್ಲಿ ಅಂತಿಮ ಸಂಯೋಜನೆಗಾಗಿ ತಮ್ಮ ಫಲಿತಾಂಶವನ್ನು ಮುಖ್ಯ ಏಜೆಂಟ್‌ಗೆ ಹಿಂತಿರುಗಿಸುತ್ತವೆ. Responses APIಯಲ್ಲಿ ಬಹು-ಏಜೆಂಟ್ ಅನ್ನು ಸಕ್ರಿಯಗೊಳಿಸುವ⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಮೂಲಕ ತಂಡಗಳು ಸ್ಥಳೀಯವಾಗಿಯೇ ಅದರ ಪ್ರಯೋಜನ ಪಡೆಯಲು ಆರಂಭಿಸಬಹುದು. ChatGPTಯಲ್ಲಿನ Ultra ಸಾಮರ್ಥ್ಯದ ಸೆಟ್ಟಿಂಗ್ ಕೂಡ ಇದೇ ರೀತಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ.

ಸೂಕ್ತ ಸಂಖ್ಯೆಯ ಉಪ-ಏಜೆಂಟ್‌ಗಳು ಎಷ್ಟು ಮತ್ತು ಅವುಗಳನ್ನು ಯಾವಾಗ ರಚಿಸಬೇಕು ಎಂಬುದನ್ನು GPT‑5.6 ಚೆನ್ನಾಗಿ ಅರಿತಿದ್ದರೂ, ಬಹು-ಏಜೆಂಟ್ ವರ್ತನೆಯನ್ನು ಸುಲಭವಾಗಿ ನಿರ್ದೇಶಿಸಬಹುದು. ಉಪ-ಏಜೆಂಟ್‌ಗಳನ್ನು ಯಾವಾಗ ಬಳಸಬೇಕೆಂದು ಮಾಡೆಲ್‌ಗೆ ಸೂಚಿಸಿದರೆ, ಹೆಚ್ಚುವರಿ ಟೋಕನ್ ವೆಚ್ಚವು ಉತ್ತಮ ಕಾರ್ಯಕ್ಷಮತೆ ನೀಡುವ ಸಂದರ್ಭಗಳಲ್ಲಷ್ಟೇ ಏಜೆಂಟ್‌ಗಳನ್ನು ರಚಿಸುವ ಸಾಧ್ಯತೆ ಹೆಚ್ಚುತ್ತದೆ.

ಇಡೀ ಮಾಡೆಲ್ ಕುಟುಂಬದಲ್ಲಿ ಪ್ರಾಂಪ್ಟ್ ಕ್ಯಾಶ್‌ನ TTL ಅನ್ನು ಕನಿಷ್ಠ 30 ನಿಮಿಷಗಳಿಗೆ ವಿಸ್ತರಿಸಲಾಗಿದೆ ಮತ್ತು ಈಗ ಮಾಡೆಲ್‌ನ ಕಾನ್ಟೆಕ್ಸ್ಟ್ ವಿಂಡೋದೊಳಗೆ ಕ್ಯಾಶ್ ಬ್ರೇಕ್‌ಪಾಯಿಂಟ್‌ಗಳನ್ನು ನಿರ್ಧಾರಿತವಾಗಿ ಹೊಂದಿಸಬಹುದು. ಇದರಿಂದ ಸ್ಟಾರ್ಟ್‌ಅಪ್‌ಗಳು ತಮ್ಮ ಕ್ಯಾಶ್ ಹಿಟ್ ದರವನ್ನು ಗಮನಾರ್ಹವಾಗಿ ಸುಧಾರಿಸಿವೆ.

ಕ್ಯಾಶ್ ಬ್ರೇಕ್‌ಪಾಯಿಂಟ್‌ಗಳನ್ನು ಹೊಂದಿಸುವುದರ ಜೊತೆಗೆ, ಸೂಕ್ತವಾದ prompt_cache_key⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಅನ್ನು ಬಳಸುವುದರಿಂದ, ಹಿಂದೆ ಅದೇ ಪೂರ್ವಪ್ರತ್ಯಯವನ್ನು ನಿರ್ವಹಿಸಿದ ಇನ್‌ಫರೆನ್ಸ್ ಎಂಜಿನ್‌ಗೇ ವಿನಂತಿಗಳು ತಲುಪುವ ಸಾಧ್ಯತೆ ಹೆಚ್ಚಿ, ವಿಳಂಬ ಕಡಿಮೆಯಾಗುತ್ತದೆ.

ಈ ಉದಾಹರಣೆಗಳೆಲ್ಲದರಲ್ಲೂ ಏಜೆಂಟ್‌ಗಳನ್ನು ನಿರ್ಮಿಸುವ ಆರ್ಥಿಕತೆಯು ಎಷ್ಟು ಬದಲಾಗಿದೆ ಎಂಬುದು ಎದ್ದು ಕಾಣುತ್ತದೆ.

ಹಿಂದೆ ಪ್ರತಿ ಹಂತದಲ್ಲೂ ಅತ್ಯಾಧುನಿಕ ಮಾಡೆಲ್ ಅಗತ್ಯವಿದ್ದ ಬಳಕೆಗಳು ಈಗ ಸಣ್ಣ ಮಾಡೆಲ್‌ಗಳನ್ನು ಬಳಸಿ, ರೀಜನಿಂಗ್ ಪ್ರಯತ್ನವನ್ನು ಹೊಂದಿಸಿ ಮತ್ತು ದಕ್ಷ ವಾಸ್ತುಶಿಲ್ಪದ ಆಯ್ಕೆಗಳನ್ನು ಮಾಡುವ ಮೂಲಕ ಅಲ್ಪ ವೆಚ್ಚದಲ್ಲೇ ಸಮಾನ ಅಥವಾ ಉತ್ತಮ ಫಲಿತಾಂಶ ಪಡೆಯಬಹುದು.

ನೀವೆಲ್ಲರೂ ಏನು ನಿರ್ಮಿಸುತ್ತೀರಿ ಎಂಬುದನ್ನು ನೋಡಲು ನಾವು ಉತ್ಸುಕರಾಗಿದ್ದೇವೆ!