We're beginning a limited preview of the GPT‑5.6 series: Sol, our flagship model; Terra, a balanced model for everyday work; and Luna, a fast and affordable model. Terra has competitive performance to GPT‑5.5 while being 2x cheaper and Luna brings strong capability at our lowest cost.
GPT‑5.6 Sol launches with our most robust safety stack to date. We strengthened protections for higher-risk activity, sensitive cyber requests, and repeated misuse, and spent multiple weeks finding weaknesses, pressure-testing our system, and hardening it against real-world attacks.
We believe in broad access, and we plan to make GPT‑5.6 Sol, Terra, and Luna generally available in the coming weeks. As part of our ongoing engagement with the U.S. government, we previewed our plans and the models’ capabilities ahead of today’s launch. At their request, we are starting with a limited preview for a small group of trusted partners whose participation has been shared with the government, before releasing more broadly. During this preview, we will continue testing and coordinating closely with partners as we work toward broader availability. We don’t believe this kind of government access process should become the long-term default. It keeps the best tools from users, developers, enterprises, cyber defenders, and global partners who need them. We are taking this short-term step because we believe it is the strongest path to broader availability in the coming weeks, while we work with the Administration to develop the cyber Executive Order framework and a repeatable process for future model releases.
GPT‑5.6 Sol is our strongest model yet. To give a preview of model performance, we share a set of evaluations highlighting improved agentic capabilities in coding, biology, and cybersecurity, with additional safety and preparedness evaluations available in our system card(atsidaro naujame lange). We will share an expanded suite of evaluation results when we make the model broadly available.
With GPT‑5.6, we’re introducing a new max reasoning effort to give Sol the most time to reason deeply. Additionally, we’re introducing a new ultra mode that goes beyond the capabilities of a single agent by leveraging subagents to accelerate complex work.
For coding workflows, GPT‑5.6 Sol sets a new state of the art on Terminal‑Bench 2.1, which tests command-line workflows requiring planning, iteration, and tool coordination.
GPT‑5.6 Sol also shows broad improvements in biology workflows. On GeneBench v1, which evaluates long-horizon genomics and quantitative-biology analyses, it achieves stronger results than GPT‑5.5 while using fewer tokens.
GPT‑5.6 Sol is our most capable model yet for cybersecurity. It shifts the performance-efficiency frontier for long-horizon security tasks including vulnerability research and exploitation. On ExploitBench², GPT‑5.6 Sol is competitive with Mythos Preview using only ~1/3 of the output tokens. On ExploitGym(atsidaro naujame lange)3, a benchmark created by UC Berkeley researchers in collaboration with OpenAI and other frontier labs, GPT‑5.6 Sol, Terra, and Luna models all demonstrate strong improvements in cyber capabilities as we increase reasoning.
We developed GPT‑5.6 Sol, Terra and Luna with our most robust safeguards to date, with configurations matched to each model’s capabilities. As the model becomes more capable, we design safeguards to increasingly hold up to real-world adversarial pressure while preserving access to legitimate work such as code review, vulnerability research, patch development, debugging, security education, and defensive testing. Our goal is to make prohibited offensive activity more difficult, uncertain, and detectable without unnecessarily limiting those beneficial uses. Based on our assessment of the model and safeguards, we expect substantial benefit for legitimate defensive work, while meaningfully constraining prohibited offensive use.
GPT‑5.6 Sol is better at helping people find and fix vulnerabilities than reliably carrying out end-to-end attacks. As these capabilities continue to advance, our priority is to make sure they reach and benefit defenders, who can use these tools to find weaknesses, develop patches, and strengthen systems more broadly.
GPT‑5.6 Sol does not cross the Cyber Critical threshold under our Preparedness Framework. In evaluations involving Chromium and Firefox, it identified bugs and exploitation primitives—the building blocks of an exploit—but did not autonomously produce a functional full-chain exploit under the conditions tested. Still, benchmark thresholds cannot capture every way a model may be used or combined with other tools. That uncertainty, along with the model’s broader step change in capabilities, is why we are pairing the model’s increased capabilities with stronger safeguards and a phased release. We share more details about our safeguards in the GPT‑5.6 Preview system card(atsidaro naujame lange).
No single safeguard is sufficient against determined or adaptive misuse. Across the GPT‑5.6 preview, we use layered safeguards, with exact configurations varying across models, and pressure-test them for real-world attacks. These include protections trained into the model, real-time checks during generation, account-level signals, differentiated access, monitoring, enforcement, and continued testing.
GPT‑5.6 is trained to refuse prohibited cyber assistance, including when users attempt to disguise their intent or jailbreak the model. These model-level safeguards establish the first boundary around what the model should and should not help with.
Real-time cyber and biology misuse classifiers provide another layer by evaluating output as it is generated. For higher risk cases, if they detect a potential violation, the generation may be paused while a larger reasoning model reviews the conversation and its context. If the output is assessed as disallowed, it is withheld before it reaches the user.
Flagged activity can also trigger account-level review across relevant conversations and risk signals, consistent with our terms and policies around content retention and review. Looking beyond a single conversation helps our systems distinguish persistent malicious behavior from legitimate dual-use security work, where similar technical concepts may appear in very different contexts.
Together, these layers make the overall approach more robust than any one safeguard on its own. Model behavior reduces the likelihood of harmful responses, real-time systems can intervene during generation, account-level review can identify broader patterns, and differentiated access preserves important defensive work without making the most sensitive capabilities broadly available by default.
Especially during the preview, users may encounter safeguards that block or refuse some requests. Other requests may take longer because generation is paused for additional review. Safeguards may occasionally intervene on legitimate work, particularly in dual-use areas where defensive and offensive activity can initially look similar.
That is part of what the preview is designed to test. We want to understand not only whether the safeguards constrain misuse, but whether legitimate users can still complete normal work reliably and efficiently. Feedback during the preview will help us reduce unnecessary blocks and delays, improve how the safeguards interpret context, and create a smoother experience before wider release.
We are also working with enterprise customers on longer-term approaches—including privacy-preserving detection, customer-operated safety controls, and access calibrated to the risk of a customer, user, or workload—to advance safety while supporting enterprise privacy requirements.
Apsaugos priemonės turi išlikti veiksmingos ir tada, kai užpuolikai keičia taktiką. Apsauga, veikianti tik prieš fiksuotą žinomų atakų rinkinį, nėra pakankamai atspari pažangiausiam modeliui.
Todėl saugai skiriame daugiau intelekto ir skaičiavimo išteklių nei kada nors anksčiau: pasitelkiame savo modelius silpnosioms vietoms rasti ir apsaugos priemonėms sparčiau tobulinti. Automatizuotam raudonosios komandos testavimui, skirtam universaliems „jailbreak“ metodams rasti, skyrėme daugiau kaip 700 000 A100 ekvivalento GPU valandų: tai atakos, galinčios veikti daugelyje užklausų ar kontekstų, o ne tik vienoje siauroje aplinkoje. Sutelkdami dėmesį į šias sudėtingesnes ir bendresnes atakas, galėjome patikrinti apsaugos priemones plačiau nei vien pagal fiksuotą žinomų nesėkmių rinkinį. Tai taip pat leidžia ištirti kur kas daugiau atakų modelių, nei aprėptų vien žmonių testavimas, anksčiau nustatyti nesėkmių dėsningumus ir sutrumpinti kelią nuo silpnosios vietos radimo iki jos pašalinimo.
Be automatizuoto raudonosios komandos testavimo, dirbome su trečiųjų šalių testuotojais, kad atliktume plataus masto žmonių ekspertų raudonosios komandos testavimą; jis tęsis ir per peržiūros laikotarpį. Žmonių atliekamas raudonosios komandos testavimas papildo automatizuotą darbą, tikrindamas apsaugos priemones prieš kūrybingus ekspertus, bandančius netinkamai panaudoti modelį būdais, kurių mūsų sistemos gali nenumatyti.
Joks vertinimas negali aprėpti visų produkto konfigūracijų, kelių žingsnių atakų ar realaus pasaulio darbo eigų. Todėl palaikome greito reagavimo procesą, kad naujai aptiktus „jailbreak“ metodus galėtume atkurti, įvertinti, nustatyti jų prioritetą ir ištaisyti, o tada įtraukti į nuolatinius vertinimus, kad ateityje galėtume tikrinti panašias nesėkmes.
Per peržiūrą GPT‑5.6 modeliai iš pradžių bus pasiekiami per API ir Codex atrinktai patikimų partnerių ir organizacijų grupei. Netrukus planuojame juos plačiau pasiūlyti žmonėms, naudojantiems ChatGPT, Codex ir API.
Šioje naujoje pavadinimų sistemoje, pristatytoje su GPT‑5.6, skaičius nurodo modelio kartą, o Sol, Terra ir Luna žymi ilgalaikius pajėgumų lygius, kurie gali tobulėti savo tempu. Visa ši šeima žmonėms ir kūrėjams suteikia aiškesnį pasirinkimą pagal intelektą, spartą ir kainą.
GPT‑5.6 kaina nustatyta 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; Luna – 1 USD už įvestį / 6 USD už išvestį. GPT‑5.6 taip pat pristato labiau nuspėjamą užklausų talpyklą, įskaitant aiškių talpyklos lūžio taškų palaikymą ir 30 minučių minimalų talpyklos galiojimo laiką. GPT‑5.6 ir vėlesniuose modeliuose įrašymas į talpyklą apmokestinamas 1,25 karto didesniu tarifu nei modelio įprasta įvestis be talpyklos, o skaitymui iš talpyklos ir toliau taikoma 90 % talpykloje saugomos įvesties nuolaida.
Liepos mėnesį taip pat pristatome GPT‑5.6 Sol platformoje Cerebras – iki 750 žetonų per sekundę, suteikdami klientams pažangiausią intelektą neregėta sparta. Iš pradžių prieiga bus ribojama atrinktiems klientams, kol didinsime pajėgumus.
Džiaugiamės galėdami toliau mokytis per šį peržiūros laikotarpį ir netrukus pasiūlyti GPT‑5.6 Sol, Terra ir Luna daugiau žmonių.
1. Delsą ir API kainą vertiname pagal mūsų modelių veikimą produkcinėje aplinkoje ir modeliuodami neprisijungus. Šiuose įverčiuose atsižvelgiama į įrankių iškvietimų informaciją, atrinktus žetonus ir įvesties žetonus. Realūs rezultatai gali gerokai skirtis ir priklauso nuo daugelio veiksnių, kurių mūsų simuliacija neapima. Delsą modeliuojame esant greitam API veikimui, o kainą – pagal įprastą API kainodarą.
2. Visi modeliai vertinami naudojant ExploitBench API testavimo aplinką su 5 pradinėmis reikšmėmis ir protavimo tęstinumu.
3. ExploitGym paleidome savo alfa API, kuris atsakymus pateikia greičiau nei mūsų viešasis API, o tada perskaičiavome rezultatus, kad jie atitiktų viešąjį API. Perskaičiuojant delsas pagal tikėtiną viešojo API spartą, kai kurios įvertintos delsos viršija 2 ir 6 val. laiko ribas, nors vertinimo paleidime jų buvo tinkamai laikomasi. Laikui jautriems darbams, kuriems reikia didesnės spartos, API siūlome prioritetinį apdorojimą, o Codex – greitąjį režimą.
4. Modeliai, kuriems nepateikti išvesties žetonai, delsa ar kaina, diagramoje rodomi kaip horizontalios punktyrinės linijos.
