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

ഇവ ഒരുമിച്ച് ഉപയോഗിക്കുമ്പോൾ, ഇതിൻ്റെ മാറ്റം വളരെ വലുതായിരിക്കും. ഉദാഹരണത്തിന്, ARC-AGI-3 ടെസ്റ്റിൽ സാധാരണ രീതിയിലുള്ള ഹാർനെസ് ഉപയോഗിച്ചപ്പോൾ GPT‑5.6 Sol നേടിയത് 13.3% സ്കോറായിരുന്നു. എന്നാൽ നിലനിർത്തിയ റീസണിംഗും കമ്പാക്ഷനും പ്രവർത്തനക്ഷമമാക്കിയതോടെ, ഏതാണ്ട് 6 മടങ്ങ് കുറവ് ഔട്ട്പുട്ട് ടോക്കണുകൾ മാത്രം ഉപയോഗിച്ചുകൊണ്ട് ഈ സ്കോർ 38.3%-ലേക്ക് ഉയർന്നു. മോഡലിൽ യാതൊരു മാറ്റവും വരുത്താതെയാണ് മൂന്ന് മടങ്ങോളം മികച്ച പ്രകടനം ഇവിടെ ലഭ്യമായത്. ഞങ്ങളുടെ ARC-AGI-3 ഹാർനെസ് അന്വേഷണത്തെക്കുറിച്ച് കൂടുതൽ വിവരങ്ങൾ നിങ്ങൾക്ക് ഇവിടെ വായിക്കാം.

ഏജൻ്റ് അധിഷ്ഠിത പ്രവർത്തനരീതികളിൽ പലപ്പോഴും രണ്ട് തരത്തിലുള്ള ജോലികളാണുള്ളത്:

1. വിലയിരുത്തലുകളും തീരുമാനങ്ങളും ആവശ്യമായ ജോലികൾ
2. വിവരങ്ങൾ കൈമാറുന്നതിനും ഫിൽട്ടർ ചെയ്യുന്നതിനും ഒന്നിച്ച് ചേർക്കുന്നതിനും മാത്രമുള്ള ജോലികൾ

ഒരു ഏജൻ്റ് 100 കമ്പനി ഫയലിംഗുകൾ ശേഖരിക്കുകയും അവയെ തീയതി അനുസരിച്ച് ഫിൽട്ടർ ചെയ്ത് അനുയോജ്യമായ ട്രാൻസാക്ഷനുകൾ കണ്ടെത്തുകയും ചെയ്യുമ്പോൾ, ഓരോ ഇടക്കാല ഫലങ്ങളെക്കുറിച്ചും ആലോചിച്ച് സമയം കളയാൻ മോഡലിൻ്റെ സന്ദർഭ പരിധി ഉപയോഗിക്കേണ്ടതില്ല. പ്രോഗ്രാമാറ്റിക് ടൂൾ കോളിംഗ് വഴി ടൂളുകളെ ഏകോപിപ്പിക്കാനും ഒരേസമയം സമാന്തരമായി സ്വതന്ത്ര കോളുകൾ റൺ ചെയ്യാനും അവയുടെ ഔട്ട്പുട്ടുകൾ സന്ദർഭ പരിധിക്ക് പുറത്തുവെച്ച് പ്രോസസ്സ് ചെയ്യാനും സഹായിക്കുന്ന JavaScript കോഡുകൾ എഴുതാൻ GPT‑5.6‑ന് സാധിക്കും. ഇതിലൂടെ ഇൻ്റലിജൻസ് ആവശ്യമുള്ള കാര്യങ്ങളിൽ, അതായത് ശരിയായ വിലയിരുത്തലുകൾ നടത്തുന്നതിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കാൻ മോഡലിന് പൂർണ്ണ സ്വാതന്ത്ര്യം ലഭിക്കുന്നു.

സങ്കീർണ്ണവും സമാന്തരമായി ചെയ്യാൻ കഴിയുന്നതുമായ ജോലികളെ വിവിധ ഏജൻ്റ് ജോലിക്രമത്തിലേക്ക് റീസണിംഗ് ചെയ്ത് നൽകുന്നത് വഴി ടാസ്കുകൾ വേഗത്തിൽ പൂർത്തിയാക്കാനും ഉയർന്ന ഇൻ്റലിജൻസോടെ കാര്യങ്ങൾ ചെയ്യാനും സാധിക്കുന്നു. ഇത്തരം ക്രമീകരണങ്ങളിൽ മറ്റ് സബ്-ഏജൻ്റുകളെ ഏകോപിപ്പിക്കുകയും അവർക്ക് ജോലികൾ വീതിച്ചു നൽകുകയും ചെയ്യുക എന്നത് പ്രൈമറി ഏജൻ്റിൻ്റെ ചുമതലയാണ്. സബ്-ഏജൻ്റുകളെ ഏകോപിപ്പിക്കുകയും അവർക്ക് ജോലികൾ വീതിച്ചു നൽകുകയും ചെയ്യുക എന്നത് പ്രൈമറി ഏജൻ്റിൻ്റെ ചുമതലയാണ്. സബ്-ഏജൻ്റുകൾ തങ്ങളുടെ ലക്ഷ്യങ്ങൾക്കായി ഒരേസമയം സമാന്തരമായി പ്രവർത്തിക്കുകയും ഒടുവിൽ തങ്ങളുടെ കണ്ടെത്തലുകൾ അന്തിമ വിശകലനത്തിനായി പ്രൈമറി ഏജൻ്റിന് കൈമാറുകയും ചെയ്യുന്നു. Responses API-യിൽ മൾട്ടി-ഏജൻ്റ് ഓപ്ഷൻ പ്രവർത്തനക്ഷമമാക്കുന്നത്⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) വഴി ടീമുകൾക്ക് ഈ സംവിധാനം നേരിട്ട് പ്രയോജനപ്പെടുത്താം. ChatGPT‑യിലെ Ultra കേപ്പബിലിറ്റി ക്രമീകരണവും ഈ രീതിയിലാണ് പ്രവർത്തിക്കുന്നത്.

സബ്-ഏജൻ്റുകളുടെ കൃത്യമായ എണ്ണത്തെക്കുറിച്ചും അവയെ എപ്പോൾ ഉപയോഗിക്കണം എന്നതിനെക്കുറിച്ചും GPT‑5.6‑ന് വ്യക്തമായ ധാരണയുണ്ടെങ്കിലും, ഈ മൾട്ടി-ഏജൻ്റ് പ്രവർത്തനരീതി പൂർണ്ണമായും നമ്മുടെ ആവശ്യാനുസരണം നിയന്ത്രിക്കാൻ സാധിക്കുന്നതാണ്. സബ്-ഏജൻ്റുകളെ എപ്പോൾ വിളിക്കണമെന്ന് മോഡലിന് കൃത്യമായ നിർദ്ദേശം നൽകുന്നത് വഴി, അധിക ടോക്കണുകൾ ചെലവഴിക്കുന്നത് കൂടുതൽ മികച്ച പ്രകടനം ഉറപ്പാക്കുന്ന സാഹചര്യങ്ങളിൽ മാത്രമായി ഏജൻ്റുകളുടെ പ്രവർത്തനം പരിമിതപ്പെടുത്താൻ സാധിക്കും.

എല്ലാ മോഡലുകളിലും പ്രോംപ്റ്റ് കാഷിംഗ് TTL ഇപ്പോൾ കുറഞ്ഞത് 30 മിനിറ്റ് വരെയായി വർദ്ധിപ്പിച്ചിട്ടുണ്ട്; ഒപ്പം മോഡലിൻ്റെ സന്ദർഭ പരിധിക്കുള്ളിൽ തന്നെ കാഷെ ബ്രേക്ക്പോയിൻ്റുകൾ കൃത്യമായി സജ്ജീകരിക്കാനും സാധിക്കും. ഇത് വലിയൊരു വിഭാഗം സ്റ്റാർട്ടപ്പുകളെ അവരുടെ കാഷെ ഹിറ്റ് റേറ്റ് ഗണ്യമായി മെച്ചപ്പെടുത്താൻ സഹായിച്ചിട്ടുണ്ട്.

കാഷെ ബ്രേക്ക്പോയിൻ്റുകൾ സജ്ജീകരിക്കുന്നതിനൊപ്പം തന്നെ, അനുയോജ്യമായ ഒരു prompt_cache_key⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) തുടർന്നും ഉപയോഗിക്കുന്നത് വഴി നിങ്ങളുടെ അഭ്യർത്ഥനകൾ മുമ്പ് ഇതേ പ്രിഫിക്സ് കൈകാര്യം ചെയ്ത അതേ അനുമാന എഞ്ചിനിലേക്ക് തന്നെ എത്തിച്ചേരാനുള്ള സാധ്യത വർദ്ധിക്കുന്നു; ഇത് മറുപടി ലഭിക്കാനുള്ള സമയം ഗണ്യമായി കുറയ്ക്കാൻ സഹായിക്കുന്നു.

ഈ ഉദാഹരണങ്ങളിലുടനീളം ഏറ്റവും ശ്രദ്ധേയമായി തോന്നുന്നത്, ഏജൻ്റുകൾ നിർമ്മിക്കുന്നതിനായുള്ള സാമ്പത്തികച്ചെലവുകളിൽ എത്രത്തോളം വലിയ മാറ്റമാണ് വന്നിരിക്കുന്നത് എന്നതാണ്.

മുമ്പ് ഓരോ ഘട്ടത്തിലും ഒരു അത്യാധുനിക മോഡൽ തന്നെ ആവശ്യമായിരുന്ന പല ആവശ്യങ്ങൾക്കും ഇപ്പോൾ ചെറിയ മോഡലുകൾ ഉപയോഗിക്കുന്നതിലൂടെയും റീസണിംഗ് പരിശ്രമം ക്രമീകരിക്കുന്നതിലൂടെയും മികച്ച ഘടനാപരമായ തീരുമാനങ്ങൾ എടുക്കുന്നതിലൂടെയും വളരെ കുറഞ്ഞ ചെലവിൽ സമാനമായതോ അല്ലെങ്കിൽ അതിനേക്കാൾ മികച്ചതോ ആയ ഫലങ്ങൾ കൈവരിക്കാൻ സാധിക്കും.

നിങ്ങളെല്ലാവരും എന്താണ് നിർമ്മിക്കാൻ പോകുന്നതെന്ന് കാണാൻ ഞങ്ങൾ ഏറെ ആകാംഷയോടെ കാത്തിരിക്കുന്നു!