Pereiti prie pagrindinio turinio
OpenAI

2026 m. liepos 9 d.

ProduktasLeidimas

GPT‑5.6: jūsų ambicijas atitinkantis priešakinis intelektas

Daugiau intelekto iš kiekvieno žetono, geresnis kainos ir našumo santykis bei daugiau galimybių pačiam sunkiausiam darbui esant poreikiui.

Įkeliama...

Po ribotos peržiūros etapo plačiajai visuomenei pristatome GPT‑5.6 modelių grupę: naująjį pavyzdinį modelį Sol, kasdieniam darbui subalansuotą Terra bei ekonomiškiausią mūsų modelį Luna.

GPT‑5.6 „Sol“ nustato naują intelekto bei efektyvumo standartą: jis pasiekia geriausius rezultatus programavimo, žiniomis grįsto darbo, kibernetinio saugumo ir mokslo srityse, o ankstesnius bei konkuruojančius priešakinius modelius lenkia naudodamas mažiau žetonų ir reikalaudamas mažesnių numatomų sąnaudų. Rezultatas – geresnis kainos ir našumo santykis: daugiau sėkmingai atlikto darbo už tas pačias išlaidas arba panašūs rezultatai mažesnėmis bendromis sąnaudomis. Taip pat pristatome naują būdą paspartinti pačias sudėtingiausias užduotis: ultra yra galingiausia mūsų nuostata, koordinuojanti kelis agentus per lygiagrečius darbo procesus, kad sudėtingos užduotys būtų atliktos greičiau. Dėl geresnių kompiuterio naudojimo ir dizaino vertinimo gebėjimų „GPT‑5.6 Sol“ tampa kol kas geriausiai ištobulintu mūsų bendradarbiu, galinčiu patikrinti, patobulinti ir pateikti iškart naudoti paruoštus rezultatus.

Išmokėme GPT‑5.6 atlikti daugiau naudingo darbo su kiekvienu žetonu. Agents’ Last Exam(atsidaro naujame lange) vertinime, apimančiame ilgalaikius profesionalius darbo procesus 55 srityse, „GPT‑5.6 Sol“ pasiekė naują rekordą – 53,6 punkto, taip 13,1 punkto aplenkdamas „Claude Fable 5“ (naudojantį adaptyvųjį protavimą). Net ir taikant vidutinio lygio protavimą, jis lenkia „Fable 5“ 11,4 punkto už maždaug ketvirtadalį numatomos kainos. Šis efektyvumas būdingas ir mažesniems modeliams, kurie yra būtini siekiant intelektą padaryti prieinamesnį ir pigesnį: „GPT‑5.6 Terra“ ir „GPT‑5.6 Luna“ lenkia „Fable 5“ kainuodami maždaug 16 kartų mažiau. Vertinant pagal Artificial Analysis Intelligence Index(atsidaro naujame lange) – platų intelekto matą, apimantį agentinį darbą, programavimą, mokslinį protavimą ir bendruosius gebėjimus, „GPT‑5.6 Sol“ su maksimaliomis protavimo pastangomis nuo Fable 5 atsilieka vos vienu punktu, bet užduotis atlieka 61 proc. greičiau ir už maždaug perpus mažesnę kainą.

Agents' Last Exam(atsidaro naujame lange): ilgalaikiai agentiniai darbo procesai įvairiose profesinėse srityse.

GPT‑5.6 pristatomas su iki šiol patikimiausiomis apsaugos priemonėmis, pritaikytomis atlaikyti kryptingą ir adaptyvų piktnaudžiavimą pernelyg nevaržant teisėtos veiklos. Prieš pristatydami modelius plačiajai visuomenei, jiems ir apsaugos priemonėms pritaikėme iki šiol išsamiausią vertinimo etapą, sujungiantį žmonių atliekamą testavimą spragoms nustatyti ir didelio masto automatizuotą testavimą. Išankstinio naudojimo etape glaudžiai bendradarbiavome su ekspertų organizacijomis ir patikimais partneriais, siekdami išbandyti gynybos sistemas ekstremaliomis sąlygomis ir sustiprinti apsaugos priemones prieš platesnį modelio pristatymą. Sukurtoje sistemoje derinamos į modelį integruotos apsaugos priemonės, realiuoju laiku atliekamos patikros, stebėsena ir pagal patikimumo bei rizikos lygius pritaikyta prieigos kontrolė.

Standartiškai efektyvus, maksimalus našumas pagal poreikį

„GPT‑5.6 Sol“ – iki šiol geriausias mūsų programavimo modelis. Pagal Artificial Analysis Coding Agent Index“ indeksą „GPT‑5.6 Sol“ su maksimaliu protavimu pasiekia naują aukščiausią 80 punktų ribą – 2,8 punkto daugiau nei „Fable 5“. Kartu jis sunaudoja daugiau nei perpus mažiau išvesties žetonų, užtrunka daugiau nei dvigubai trumpiau ir kainuoja apie trečdaliu pigiau. Šis pranašumas būdingas visai modelių grupei: „Terra“ šiek tiek lenkia „Fable“, o „Luna“ pranoksta „Opus 4.8“; kiekvienas iš šių modelių užduotis atlieka maždaug per trečdalį laiko, sunaudodamas perpus mažiau išvesties žetonų ir reikalaudamas maždaug ketvirtadalio numatomų sąnaudų. Jis taip pat pasiekia naujų aukščiausių rezultatų „Terminal-Bench 2.1“ bei „DeepSWE“ testuose, kuriuose vertinami sudėtingi komandų eilutės darbo procesai ir ilgalaikė inžinerija realiose kodo bazėse.

„Artificial Analysis Coding Agent Index“: nepriklausomas programavimo agentų našumo indeksas, apimantis diegimą, terminalo naudojimą ir realias kodo bazes.

GPT‑5.6 gali rašyti ir vykdyti kompaktiškas programas, kurios koordinuoja įrankius, apdoroja tarpinius rezultatus, stebi pažangą ir darbų eigoje parenka kitą veiksmą. Tai leidžia daugybės įrankių reikalaujančias užduotis atlikti sunaudojant mažiau žetonų, sumažinant užklausų ciklų skaičių ir reikalaujant mažiau nurodymų. Užuot reikalavus iš kūrėjų aprašyti kiekvieną žingsnį arba kiekvieno įrankio atsaką teikti atgal modeliui, programinis įrankių iškvietimas(atsidaro naujame lange) „Responses API“ aplinkoje gali filtruoti didelius tarpinių duomenų kiekius, išsaugoti tik tai, kas svarbu, ir eigoje koreguoti savo darbo procesą.

Sprendžiant problemas, kur didesnė laiko ir skaičiavimo resursų investicija atsiperka, GPT‑5.6 gali peržengti šį numatytąjį efektyvumo lygį. max (liet. „maksimalus“) suteikia GPT‑5.6 dar daugiau laiko nei xhigh (liet. „labai aukštas“) protauti, nagrinėti alternatyvas, atlikti patikras ir tikslinti savo sprendimą. ultra eina dar toliau: pagal numatytąsias nuostatas jis lygiagrečiai koordinuoja keturis agentus, tad didesnis sunaudotų žetonų kiekis pasiteisina geresniais rezultatais ir greičiau atliekamomis sudėtingomis užduotimis. Toliau pateiktose diagramose lyginama numatytoji ultra keturių agentų konfigūracija ir vieno agento bazinė linija atliekant testus „BrowseComp“, „SEC-Bench Pro“ bei „Terminal-Bench 2.1“; „BrowseComp“ ir „SEC-Bench Pro“ taip pat rodomos 16 agentų konfigūracijos. Visuose trijuose vertinimuose įtraukus lygiagrečių agentų, balų ir vėlavimo kartelė pasislenka aukštyn ir kairėn – pasiekiama geresnių rezultatų per trumpesnį laiką. Atsakymų API sąsajoje naudodami kelių agentų bandomąją versiją, kūrėjai gali kurti į „Ultra“ panašius sprendimus.

1 iš 11
GPT‑5.6 yra vienas stipriausių modelių, kuriuos išbandėme „CursorBench“ platformoje – pademonstravęs puikius rezultatus ankstyvuosiuose vertinimuose. Tai įkvepiantis žingsnis į priekį kūrėjams – modelis pasižymi atkaklumu, intelektu ir bendru efektyvumu. Nekantraujame šį modelį pristatyti savo „Cursor“ naudotojams.
– Oskar Schulz, „Cursor“ prezidentas

Šuolis į priekį dizaino srityje

GPT‑5.6 nulemia esminius pokyčius dizaino vertinimo srityje. Gavęs tik bendro pobūdžio nurodymus, GPT‑5.6 sukuria skoningas, ergonomiškas ir funkcionalias sąsajas. Geresni kompiuterio naudojimo gebėjimai leidžia jam patikrinti ir patobulinti atvaizduotą rezultatą (o ne tik sugeneruoti pagrindinį kodą ar turinį), todėl jis gali pastebėti vizualines bei funkcines problemas ir atlikti baigiamuosius štrichus prieš pateikdamas baigtą darbą.

Užklausa: „Can you implement a 3d sailing game for me?“ (Ar gali man sukurti 3D buriavimo žaidimą?) „For anything that needs bitmaps/textures/sprites (or if it helps to have a mockup reference for any 3d models you build) feel free to use imagegen.“ (Visiems elementams, kuriems reikia rastrinių vaizdų, tekstūrų ar spraitų, arba jei tau padėtų kuriamų 3D modelių pavyzdinis maketas, drąsiai naudok vaizdų generavimo įrankį.)

GPT‑5.6 naudotojo sąsajos kūrimo galimybės taip pat leidžia natūraliosios kalbos užklausas paversti išbaigtais, interaktyviais paaiškinimais ir vizualizacijomis „ChatGPT Darbas“ aplinkoje.

Užklausa: „Create an interactive spirograph to explain how it works.“ (Sukurk interaktyvų spirografą ir paaiškink, kaip jis veikia.)

Visapusiškas žiniomis grįstas darbas

GPT‑5.6 užtikrina geresnius rezultatus atliekant profesines užduotis. Jis surenka chaotišką informaciją iš dokumentų ir kasdienių darbo programų, tokių kaip „Slack“, „Notion“, „Microsoft 365“ bei „Google Drive“, ir paverčia ją ekspertų lygio medžiaga, kuria lengva dalytis.

GPT‑5.6 pranašumas žiniomis grįstame darbe atsiskleidžia vertinimuose, apimančiuose ilgalaikę profesionalią analizę, naršymą, taip pat priemonių bei kompiuterio naudojimą. „GPT‑5.6 Sol“ pasiekė geriausius rezultatus BrowseComp (92,2 %) ir OSWorld 2.0 (62,6 %) testuose; OSWorld jis lenkia „Opus 4.8“ sunaudodamas 85 proc. mažiau išvesties žetonų. Šis kainos ir našumo santykio pranašumas būdingas visai GPT‑5.6 modelių grupei. „Luna“ beveik prilygsta GPT‑5.5 didžiausiam našumui, nors numatomos sąnaudos yra daugiau nei perpus mažesnės, o „Terra“ jį pranoksta išlaikydama mažesnę kainą.

BrowseComp: GPT‑5.6 „Sol“ pasiekia naują geriausią rezultatą BrowseComp teste, sudarytame iš agentinių naršymo užduočių.

„GPT‑5.6 Sol“ pagerina pristatymų, dokumentų ir skaičiuoklių kokybę, pateikdamas tikslesnius ir labiau išbaigtus rezultatus. Modelis gali nuo nulio kurti visiškai redaguojamus pristatymus, paversdamas užklausą ir šaltinio medžiagą nuosekliu vizualiniu pasakojimu su apgalvotu išdėstymu, aiškia hierarchija ir kokybišku dizainu.

Ši pažanga ypač akivaizdi naudojant šablonus ir pavyzdinius skaidrių rinkinius.GPT‑5.6 gali perprasti pristatymo dizaino sistemą – išdėstymą, tipografiją, tarpus, spalvas, pasikartojančius turinio modelius ir netgi „Slide Master“ (pagrindinėje skaidrėje) įtvirtintas taisykles – bei nuosekliai pritaikyti šias gaires naujai medžiagai. Šiame pavyzdyje paprašius atnaujinti skaičius pagal pavyzdinį failą, GPT‑5.5 išvestyje trūksta svarbių pagrindinės skaidrės elementų, o GPT‑5.6 tiksliau laikosi etaloninės struktūros.

Pavyzdinis failas
GPT-5.6 stiliaus derinimui skirta įvesties skaidrė
GPT‑5.5 išvestis
GPT-5.5 sugeneruota skaidrė stiliui derinti

GPT‑5.5 išvestyje trūksta svarbių pagrindinės skaidrės elementų

GPT‑5.6 išvestis
GPT-5.6 sugeneruota skaidrė stiliui derinti

Be to, GPT‑5.6 kuria vizualiai išbaigtesnius dokumentus ir skaičiuokles. Jis tiksliau laikosi sudėtingų pavyzdinių formatų, o tai ypač svarbu atliekant pasikartojančias žiniomis grįsto darbo užduotis. Jis tiksliau apdoroja lygtis bei finansinius modelius ir geriau išnaudoja tipografiją, tarpus, hierarchiją bei puslapio ar darbalapio išdėstymą.

Pirmieji GPT‑5.6 modelį išbandę klientai pastebėjo intelektualinio darbo rezultatų pagerėjimą įvairiose srityse.

1 iš 9
GPT‑5.6 išsiskiria efektyvumu atliekant ilgas ir sudėtingas užduotis, kai kuriamos realioms sistemoms skirtos programos. Tai vienas iš šiuo metu „Lovable“ naudojamų modelių, kuris naudotojams norimą rezultatą pateikia atlikdamas maždaug 25 proc. mažiau veiksmų ir 35–48 proc. mažiau įrankių užklausų nei ankstesnis modelis. Be to, jis 15 proc. padidina sėkmingų projektų dalį ir sumažina įstrigusių procesų skaičių. Tai reikšmingas skirtumas kiekvienam, norinčiam idėją paversti veikiančia programa.
– Fabian Hedin, „Lovable“ bendrasteigėjis

Kilstelėta kibernetinio saugumo ir mokslo kartelė

GPT‑5.6 yra iki šiol stipriausias mūsų kibernetinio saugumo modelis, pasiekiantis priešakinį našumą sunaudodamas gerokai mažiau žetonų. ExploitBench2, kuris matuoja pažangą nuo pažeidžiamo kodo aptikimo iki savavališko kodo vykdymo, vertinime jis pasiekia 73,5 proc. rezultatą, palyginti su GPT‑5.5 47,9 proc. rezultatu, naudojant panašų išvesties žetonų biudžetą. ExploitGym3 teste, kuriame iš agentų reikalaujama realius pažeidžiamumus paversti veikiančiais spragų išnaudojimo kodais, jis beveik padvigubina GPT‑5.5 didžiausią sėkmės rodiklį – nuo 15,1 proc. iki 24,9 proc. taikant dviejų valandų limitą, o per šešias valandas pasiekia net 33,7 proc.. SEC-Bench Pro, kuriame bandomas koncepcijos įrodymo generavimas sudėtingoje programinėje įrangoje, jis surenka 71,2 proc., palyginti su GPT‑5.5 45,8 proc. rezultatą, ir išsiskiria mažesniu vėlavimu.

GPT‑5.6 padeda atlikti svarbias gynybos užduotis, tokias kaip saugi kodo peržiūra, pataisų diegimas, grėsmių modeliavimas ir mėlynųjų komandų (angl. „blue teaming“) veikla. Kvalifikuoti asmenys ir organizacijos, dalyvaujantys „OpenAI Daybreak“ programoje „Trusted Access for Cyber“, gali išnaudoti daugiau modelio gynybinių pajėgumų pasitelkdami tikslesnes apsaugos priemones, skirtas patvirtintai veiklai įgaliotose aplinkose, įskaitant pažeidžiamumų skirstymą ir patvirtinimą, kenkėjiškų programų analizę, grėsmių aptikimo inžineriją ir pataisų patvirtinimą.

Fiziniai asmenys gali patvirtinti savo tapatybę ir paprašyti patikimos prieigos(atsidaro naujame lange), o organizacijos gali pateikti paraišką dėl savo komandų. Iki rugsėjo 1 d. pavieniai naudotojai turės įjungti išplėstinę paskyros saugą(atsidaro naujame lange) naudodami aparatinius prieigos raktus, kad išlaikytų prieigą prie mūsų pažangiausių priešakinių kibernetinio saugumo modelių. To nepadariusiems naudotojams bus grąžinta numatytoji prieiga. Naudotojai, kurie dar neturi aparatinių prieigos raktų, iš mūsų partnerio „Yubico“ juos gali įsigyti palankesne kaina(atsidaro naujame lange). Taip pat imamės papildomų priemonių, kad apribotume prieigą didelės rizikos subjektams ir didelės rizikos jurisdikcijose.

ExploitBench: laipsniškas vis galingesnio V8 išnaudojimo kodo kūrimas; GPT‑5.6 demonstruoja didžiulę pažangą, palyginti su GPT‑5.5. Vėlavimo diagrama nepateikiama, nes šio vertinimo vėlavimo prognozės nėra patikimos.

GPT‑5.6 „Sol“ taip pat pasiekia žymią pažangą mokslinių tyrimų srityje. Gyvybės mokslų vertinimuose GPT‑5.6 pasiekia Pareto patobulinimų, palyginti su GPT‑5.5, realiose biologijos, gyvybės mokslų tyrimų darbo procesuose ir chemijos srityse.

GeneBench Pro: išsamios genomo ir kiekybinės biologijos analizės; GPT‑5.6 pasiekia geresnių rezultatų sunaudodamas mažiau žetonų ir per trumpesnį laiką. „Claude Fable 5“ neįtrauktas, nes neatsako(atsidaro naujame lange) į sudėtingus biologijos klausimus ir atmeta daugumą šio vertinimo užklausų.

GPT‑5.6 spartina „OpenAI“ darbą

GPT‑5.6 yra iki šiol stipriausias mūsų modelis, skirtas DI tyrimams spartinti. „OpenAI“ tyrėjai jį naudoja visame kūrimo procese: diagnozuodami gedimus, optimizuodami mokymo sistemas, vykdydami eksperimentus ir aiškindami rezultatus. Šį pagreitį ir platesnį naudojimą pastebėjome jau per vidinį GPT‑5.6 testavimą, kai vienam aktyviam tyrėjui tenkantis vidutinis per dieną sugeneruojamų išvesties žetonų skaičius daugiau nei dvigubai viršijo aukščiausią GPT‑5.5 fiksuotą rodiklį.

Toks darbo pobūdis sparčiai tampa standartu. Per pastaruosius šešis mėnesius vidiniam programavimo modelių vykdymui skiriama tyrimų skaičiavimo resursų dalis išaugo 100 kartų, o vidinis agentinių žetonų naudojimas padidėjo maždaug 22 kartus. Nors patys savaime šie naudojimo rodikliai neatspindi mokslinių tyrimų pažangos, jie rodo, kaip sparčiai DI pagalba populiarėja tarp tyrėjų ir kitose komandose – pardavimo, rinkodaros, naudotojų aptarnavimo, finansų ir kt.

Norėdami tiesiogiai įvertinti šį gebėjimą, sukūrėme vidinį vertinimų rinkinį, pagrįstą realiomis DI tyrimų užduotimis: tyrimų sistemų klaidų paieška ir šalinimu, branduolių bei mokymo schemų optimizavimu, mašininio mokymosi eksperimentų vykdymu ir kito modelio tobulinimu.

Bendras RSI gebėjimas: atliekant vertinimų rinkinį, matuojantį pažangą siekiant rekursyvaus savęs tobulinimo, matome, kad GPT‑5.6 „Sol“ 16,2 proc. pranašesnis už GPT‑5.5, ir taip visapusiškai paspartina vidinius tyrimus.

Saugos ir saugumo pritaikymas augančioms galimybėms 

Didėjant modelių pajėgumams, stipriname savo saugos technologijas, kad pažangus intelektas išliktų plačiai naudingas, tačiau didžiausios rizikos taikymo atvejams būtų taikoma griežtesnė priežiūra. GPT‑5.6 sukūrėme iki šiol patikimiausią saugos sistemą, pritaikytą kiekvieno modelio galimybėms ir pagrįstą didesniais nei bet kada anksčiau skaičiavimo resursais.

Nors GPT‑5.6 modeliai biologijos ir kibernetinio saugumo srityse yra pranašesni už ankstesniuosius, nė vienoje iš šių kategorijų jie neperžengia kritinės ribos. Kibernetinio saugumo srityje mūsų bandymai rodo, kad GPT‑5.6 geriau sekasi rasti ir ištaisyti pažeidžiamumus nei patikimai vykdyti autonomines, visapusiškas atakas prieš sustiprintos apsaugos taikinius – taip gynėjams suteikiama galimybė sustiprinti sistemas dar prieš pasinaudojant jų silpnosiomis vietomis. Biologijos testai rodo, kad GPT‑5.6 gali pasitarnauti teisėtuose tyrimuose, tačiau nesuteikia visapusiškų galimybių, reikalingų itin pavojingai naujai grėsmei sukurti, sukonstruoti ar susintetinti.

Abi šios sritys iš prigimties yra dvejopos paskirties. Kibernetinio saugumo srityje tos pačios galimybės, kurios padėtų užpuolikui išnaudoti pažeidžiamumą, gynėjui gali padėti jį rasti, atkurti situaciją ir sukurti patikimą pataisą. Todėl perteklinis blokavimas savaime kelia saugumo riziką. Tai gali sutrukdyti gynėjams testuoti sistemas ir diegti pataisas, kol piktavaliai toliau naudojasi kitais modeliais, įskaitant vis galingesnius atvirojo kodo modelius bei įprastus įrankius. Veiksmingos apsaugos priemonės atsižvelgia į užklausos kontekstą ir galimas pasekmes: nesutrukdoma teisėtam gynybos darbui, o kai įrodymai rodo didelę žalos riziką, taikoma griežtesnė kontrolė.

GPT‑5.6 apsaugos priemonės yra daugiasluoksnės, siekiant didesnio tikslumo bei dubliavimo, ir sukurtos taip, kad galėtų greitai prisitaikyti prie naujų atakų. Į modelį integruotos apsaugos priemonės veikia kartu su patikrinimais realiuoju laiku, nuolatine stebėsena ir paskyros lygmens kontrolės priemonėmis – tai padeda sistemai išlikti saugiai net tada, kai konkretus sluoksnis nesuveikia taip, kaip numatyta. Daugelyje sistemų sprendimus, ką blokuoti, priima vien klasifikatorių žymos, besiremiančios prastesnio intelekto modeliais, kuriuos sunkiau pakeisti siekiant užkirsti kelią žalai. Mūsų sprendimas papildytas samprotaujančia stebėsenos priemone, kuri peržiūri pokalbį, kad nustatytų galimą žalą. Šiuo sprendimu siekiama sudaryti sąlygas gynybos darbui ir užkirsti kelią rimtam piktnaudžiavimui, o jautriausios galimybės prieinamos tik patikrintiems naudotojams suteikiant patikimą prieigą (angl. „Trusted Access“). Kadangi kai kurios apsaugos priemonės naudoja protavimą testavimo metu, galime jas greitai atnaujinti, kad pašalintume spragas ir nereikėtų klasifikatorių mokyti nuo pat pradžių.

Toliau stiprindami sistemą ir siekdami apsaugoti nuo prisitaikančių atakų, laikomės atsargesnio požiūrio. Palyginti su ankstesniais modeliais, mūsų „GPT‑5.6 Sol“ kibernetinio saugumo priemonės blokuoja maždaug dešimt kartų daugiau potencialiai žalingos veiklos. Kadangi šios priemonės gali sukelti nepatogumų sąžiningiems naudotojams, ChatGPT ir Codex sistemose siūlome galimybę lengvai pakartoti užklausas pasitelkus mažesnių galimybių modelius. Mes ir toliau stengsimės mažinti apsaugos priemonių poveikį sąžiningiems naudotojams, kartu išlaikydami aukštą patikimumo kartelę. Tai atspindi mūsų iteratyvų diegimo metodą – pradedame atsargiai ir tobuliname sistemą atsižvelgdami į tai, ką sužinome ją naudojant realiomis sąlygomis.

Prieš išleisdami modelį viešam naudojimui, atlikome intensyviausius iki šiol saugos vertinimus, įskaitant išsamų testavimą spragoms nustatyti (angl. „red teaming“), patikimą galimybių ir apsaugos priemonių testavimą su išorės ekspertais bei maždaug 700 tūkst. A100e GPU valandų automatinio testavimo spragoms nustatyti taikant juodosios dėžės (angl. „black-box“) metodą. Tai leido mums sistemingai ištirti galimas silpnąsias vietas, atskleisti saugumo apėjimo būdus (angl. „jailbreaks“) ir padėjo sustiprinti sistemą prieš ją pristatant.

Absoliutaus saugumo nėra, todėl mes ir toliau dirbame, kad užtikrintume vis pažangesnių modelių apsaugą. Bus aptikta naujų silpnųjų vietų ir naujų saugumo apėjimo būdų, leidžiančių apeiti esamas apsaugos priemones. Kiekviena nauja modelių karta taip pat atvers naujų būdų atakoms ir piktnaudžiavimui. Šiai realybei ruošiamės pasitelkdami daugiasluoksnes apsaugos priemones, nuolatinę stebėseną, greitą trūkumų šalinimą ir bendradarbiavimą visoje gynėjų bendruomenėje. Modelyje GPT‑5.6 savo esamas saugumo(atsidaro naujame lange) ir biologijos programas „Bug Bounty“ suderinome su nauju greito trūkumų šalinimo procesu bei iki šiol griežčiausia stebėsena. Tyrėjų išvados, stebėsenos duomenys ir realaus piktnaudžiavimo atvejai bus nuolat naudojami naujuose vertinimuose bei stiprinant apsaugos priemones.

Daugiau apie mūsų apsaugos priemones skaitykite atnaujintoje GPT‑5.6 sistemos kortelėje(atsidaro naujame lange).

Prieinamumas ir kainos

GPT‑5.6 grupę sudaro trijų lygmenų modeliai: pavyzdinis „Sol“, pigesnis ir našumu su GPT‑5.5 konkuruojantis „Terra“ bei pats greičiausias ir prieinamiausias modelis „Luna“. Skaičius nurodo generaciją, o „Sol“, „Terra“ ir „Luna“ – tvarius galimybių lygmenis, kuriuos galima tobulinti savo tempu.

GPT‑5.6 nuo šiandien prieinamas „ChatGPT“, „Codex“ ir „OpenAI“ API. Šiuo metu pradedamas visuotinis diegimas, ir per artimiausias 24 valandas sistema pamažu taps visiškai prieinama.

  • Pokalbiai: „Plus“, Pro“, „Business“ ir „Enterprise“ planų naudotojai GPT‑5.6 „Sol“ gali naudoti pasirinkę vidutinių ar didesnių pastangų nuostatas. „Pro“ ir „Enterprise“ naudotojai taip pat gali pasirinkti „GPT‑5.6 Sol Pro“, norėdami pasiekti geriausių rezultatų atlikdami sudėtingas užduotis.
  • „ChatGPT Darbas“ ir „Codex“: „Free“ ir „Go“ planų naudotojai gali naudoti GPT‑5.6 „Terra“. „Plus“, „Pro“, „Business“ ir „Enterprise“ naudotojai gali rinktis iš „GPT‑5.6 „Sol“, „Terra“ ir „Luna“ – nustatykite kiekvienų pastangų lygį. max yra prieinama visiems naudotojams, turintiems prieigą prie GPT‑5.6 „ChatGPT Darbas“ ir Codex platformose, ir ją galima įjungti nustatymuose. Sistemoje „ChatGPT Darbas“ nuostata ultra prieinama „Pro“ ir „Enterprise“ naudotojams. „Codex“ platformoje ja gali naudotis „Plus“ ir aukštesnių planų naudotojai.
  • API: Kūrėjai gali pasiekti „Sol“, „Terra“ ir „Luna“ per „OpenAI“ API. „Responses API“ sąsajoje programinis įrankių kvietimas leidžia GPT‑5.6 rašyti ir vykdyti atmintyje esančias programas, kurios koordinuoja įrankius ir apdoroja tarpinius rezultatus. Dėl to jis atitinka nulinio duomenų saugojimo (angl. „Zero Data Retention“, ZDR) sąlygas. Iš pradžių beta versijoje prieinama daugelio agentų funkcija leidžia GPT‑5.6 paleisti vienu metu veikiančius antrinius agentus ir susintetinti jų darbą per vieną užklausą.

GPT‑5.6 kaina taikoma už 1 mln. žetonų trijų dydžių modeliams: „Sol“ – 5 USD už įvestį / 30 USD už išvestį; „Terra“ – 2,50 USD už įvestį / 15 USD už išvestį; o „Luna“ – 1 USD už įvestį / 6 USD už išvestį. Kartu su GPT‑5.6 taip pat pristatomas labiau nuspėjamas užklausų talpinimas, įskaitant aiškiai nurodytų talpyklos kontrolinių taškų(atsidaro naujame lange) (angl. „explicit cache breakpoints“) palaikymą ir mažiausiai 30 minučių trunkantį talpyklos gyvavimo ciklą. GPT‑5.6 ir vėlesniuose modeliuose už įrašymą į talpyklą apmokestinama 1,25 karto daugiau nei nustatyta modelio įvesties be talpinimo kaina, o skaitymui iš talpyklos ir toliau taikoma 90 proc. nuolaida, skirta talpykloje esančiai įvesčiai.

Profesionalus

EvalGPT‑5.6 SolGPT‑5.6 TerraGPT‑5.6 LunaGPT‑5.5Claude Fable 5Claude Opus 4.8Gemini 3.1 Pro PreviewGemini 3.5 Flash
Agents' Last Exam52.7%50.4%50.3%46.9%40.5%45.2%32.1%
GDPval-AA v21,747.8 Elo1,593 Elo1,591.8 Elo1,493.7 Elo1,759.6 Elo1,600.1 Elo962.3 Elo1,348.8 Elo
Management Consulting Tasks (Internal)43.2%37.2%35.4%31.3%35.5%31.6%13.2%
Big Finance Bench53%51%36%49%44%
Artificial Analysis Intelligence Index v4.158.9 Indekso balas55 Indekso balas51.2 Indekso balas54.8 Indekso balas59.9 Indekso balas55.7 Indekso balas46.5 Indekso balas50.2 Indekso balas

Programavimas

EvalGPT‑5.6 SolGPT‑5.6 Sol UltraGPT‑5.6 TerraGPT‑5.6 LunaGPT‑5.5Claude Mythos 5Claude Mythos PreviewClaude Fable 5Claude Opus 4.8Gemini 3.1 Pro Preview
Artificial Analysis Coding Agent Index v1.180 Indekso balas77.4 Indekso balas74.6 Indekso balas76.4 Indekso balas77.2 Indekso balas72.5 Indekso balas42.7 Indekso balas
SWE-Bench Pro64.6%63.4%62.7%59.4%80.3%77.8%80%69.2%54.2%
DeepSWE v1.172.7%69.6%67.2%67%69.7%59%11.8%
Terminal-Bench 2.188.8%91.9%87.4%84.7%85.6%88%83.1%78.9%70.7%

Sauga

EvalGPT‑5.6 SolGPT‑5.6 TerraGPT‑5.6 LunaGPT‑5.5GPT‑5.4Claude Opus 4.8Claude Mythos 5Claude Mythos Preview
Healthbench Professional60.5%57.7%55.7%51.8%48.1%52.6%66%64.7%

Kompiuterio naudojimas

EvalGPT‑5.6 SolGPT‑5.6 Sol UltraGPT‑5.6 TerraGPT‑5.6 LunaGPT‑5.5Claude Mythos 5Claude Mythos PreviewClaude Opus 4.8Gemini 3.1 Pro Preview
OSWorld 2.062.6%50.2%45.6%47.5%54.8%
BrowseComp90.4%92.2%87.5%83.3%84.4%88%87.9%84.3%85.9%
BenchCAD70.6%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%

Kibernetinis saugumas

EvalGPT‑5.6 SolGPT‑5.6 Sol UltraGPT‑5.6 TerraGPT‑5.6 LunaGPT‑5.5Claude Mythos 5Claude Mythos PreviewClaude Opus 4.8
Capture-the-Flag Challenges96.7%91.8%85.2%88.1%
SEC-Bench Pro71.2%74.3%57.7%48.9%45.8%
CyberGym84.5%81.8%77.9%81.8%83.8%83%78.1%
ExploitBench73.5%52.9%33.2%47.9%78%74.2%40%
ExploitGym33.7%23.2%12.4%15.1%

Savęs tobulinimas

EvalGPT‑5.6 SolGPT‑5.6 TerraGPT‑5.6 LunaGPT‑5.5
Internal Research Debugging Evaluation68.3%67.8%50.8%50%
KernelGen 1P61.1%49.2%22.4%29.3%
NanoGPT9.69%14.5%1.66%2.65%
PostTrainBench Lite50.3%51.5%29.6%38.8%
RSI Index57.9%56.3%41.9%41.7%

Multimodalinis

EvalGPT‑5.6 SolGPT‑5.6 TerraGPT‑5.6 LunaGPT‑5.5Claude Fable 5Claude Opus 4.8Gemini 3.1 Pro Preview
MMMU Pro (no tools)83%80.7%78.4%81.2%80.5%
MMMU Pro (with tools)84.6%82%79.5%83.2%
gdp.pdf30.7%24.7%22.7%26%29.8%22.5%16.7%

Akademinis

EvalGPT‑5.6 SolGPT‑5.6 TerraGPT‑5.6 LunaGPT‑5.5Claude Mythos 5Claude Mythos PreviewClaude Fable 5Claude Opus 4.8Gemini 3.1 Pro Preview
GPQA Diamond94.6%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%

Įrankių naudojimas

EvalGPT‑5.6 SolGPT‑5.6 TerraGPT‑5.6 LunaGPT‑5.5Claude Mythos 5Claude Mythos PreviewClaude Fable 5Claude Opus 4.8Gemini 3.1 Pro PreviewGemini 3.5 Flash
AutomationBench18.1%15.2%14.9%12.9%17.4%15.5%14.5%
Toolathlon58%53.1%53.4%55.6%61.7%61.1%61.7%59.9%48.8%

Ilgas kontekstas

EvalGPT‑5.6 SolGPT‑5.6 TerraGPT‑5.6 LunaGPT‑5.5Claude Mythos 5Claude Mythos PreviewClaude Opus 4.8
OpenAI MRCR v2 8-needle 256K-512K91.5%89.6%41.3%81.5%
OpenAI MRCR v2 8-needle 512K-1M73.8%72.5%41.3%74%
GraphWalks BFS 256k f190.7%76.9%81.3%73.7%91.1%85.7%85.9%
GraphWalks BFS 1mil f177.1%71.2%51.2%45.4%79.4%74.3%68.1%

Abstraktus samprotavimas

EvalGPT‑5.6 SolGPT‑5.6 TerraGPT‑5.6 LunaGPT‑5.5Claude Opus 4.8Gemini 3.1 Pro Preview
ARC-AGI-3⁷7.78%0.8%0.18%0.43%1.5%0.42%

Autorius

OpenAI

Pastabos

1. Kibernetiniai pajėgumai vertinami taikant švelnesnes apsaugos priemones. Naudotojai gali prisijungti prie „OpenAI Daybreak“ programos „Trusted Access for Cyber“ ir gauti platesnę prieigą prie gynybinių kibernetinio saugumo pajėgumų.

2. Visi modeliai vertinami naudojant ExploitBench API testavimo aplinką su 5 pradinėmis reikšmėmis ir protavimo tęstinumu.

3. „ExploitGym“ paleidome naudodami savo alfa API, kuris atsakymus pateikia greičiau nei viešasis API, o tada rezultatus perskaičiavome, kad jie atitiktų viešąjį API. Perskaičiavus delsos rodiklius pagal greitį, kurio tikimasi iš viešojo API, kai kurie apskaičiuoti delsos rodikliai viršija dviejų ir šešių valandų limitus, nors vertinimo metu jų buvo tiksliai laikomasi. Siekdami užtikrinti didesnį greitį atliekant skubius darbus, API siūlome prioritetinį apdorojimą, o sistemoje „Codex“ – spartųjį režimą.

4. Vėlavimą ir API išlaidas įvertiname nagrinėdami mūsų modelių veikimą realiomis sąlygomis ir modeliuodami neprisijungę prie tinklo. Šiuose vertinimuose atsižvelgiama į įrankių užklausų detales, sugeneruotus atrinktus žetonus ir įvesties žetonus. Realūs rezultatai gali gerokai skirtis ir priklauso nuo daugelio veiksnių, neįtrauktų į mūsų modeliavimą. Vėlavimą modeliuojame taikydami didelį API greitį, o išlaidas – pagal įprastą API kainodarą.

5. Modeliai, kuriems nepateikti išvesties žetonai, delsa ar kaina, diagramoje rodomi kaip horizontalios punktyrinės linijos.

6. Kelių agentų sistemose vėlavimas apskaičiuojamas pagal pagrindinį agentą, o į bendrą išvesties žetonų ir API išlaidų sumą įtraukiami visi žetonai. „Ultra“ veikia su keturiais agentais.

7. Balus skaičiuojame pagal oficialią vertinimo metodiką, aprašytą „HealthBench Professional“ tyrime, todėl jie nelygintini su „Anthropic“ sistemų kortelėse pateiktais rezultatais.

8. „Opus 4.8“ modelyje ARC-AGI-3 testas buvo atliktas pritaikius dideles, o ne maksimalias protavimo pastangas, nes tai yra vienintelis paskelbtas ARC-AGI-3 rezultatas.