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

हे एकत्र वापरल्यास परिणामातील फरक विलक्षण असू शकतो. उदाहरणार्थ, स्टँडर्ड हार्नेससह ARC-AGI-3 वर GPT‑5.6 Sol ने 13.3% गुण मिळवले. मात्र, जतन केलेले रीझनिंग आणि कॉम्पॅक्शन सुरू केल्यानंतर सुमारे 6 पट कमी आउटपुट टोकन वापरूनही गुण 38.3%पर्यंत वाढले. मॉडेलमध्ये कोणताही बदल नाही, पण कामगिरी जवळपास तिप्पट झाली. आमच्या ARC-AGI-3 हार्नेस तपासाबद्दल येथे अधिक माहिती मिळेल.

एजंट-आधारित कार्यप्रवाहांमध्ये अनेकदा दोन प्रकारची कामे असतात:

1. निर्णयक्षमतेची गरज असलेली कामे
2. मुख्यतः माहिती हलवणे, फिल्टर करणे आणि एकत्रित करण्याची कामे

एजंट 100 फाइल केलेली कागदपत्रे मिळवून तारखेनुसार फिल्टर करतो आणि संबंधित व्यवहार ओळखतो, तर मॉडेलला त्याच्या कॉन्टेक्स्ट विंडोमधील प्रत्येक मधल्या निकालावर रीझनिंग करण्याची गरज नसावी. प्रोग्रामद्वारे टूल्सना कॉल करताना GPT‑5.6 टूल्सचे संयोजन करण्यासाठी JavaScript लिहू शकते, स्वतंत्र कॉल्स समांतरपणे चालवू शकते आणि त्यांच्या आउटपुटवर कॉन्टेक्स्ट विंडोबाहेर प्रक्रिया करू शकते. त्यामुळे मॉडेल बुद्धिमत्ता आवश्यक असलेल्या गोष्टीवर, म्हणजे निर्णयक्षमतेच्या वापरावर, लक्ष केंद्रित करू शकते.

गुंतागुंतीच्या आणि समांतरपणे करता येणाऱ्या कामांमध्ये अनेक एजंट कार्यप्रवाहांदरम्यान कृती व रीझनिंगचे वितरण केल्याने काम जलद पूर्ण होते आणि बुद्धिमत्ताही वाढते. अशा व्यवस्थांमध्ये उप-एजंटचे संयोजन करणे आणि त्यांना कामे सोपवणे ही मुख्य एजंटची जबाबदारी असते. उप-एजंट आपापली उद्दिष्टे समांतरपणे पूर्ण करतात आणि शेवटी अंतिम संकलनासाठी आपले आउटपुट मुख्य एजंटकडे परत पाठवतात. Responses API मध्ये बहु-एजंट सक्षम करून⁠(नवीन विंडोमध्ये उघडेल) टीम्स थेट या क्षमतेचा लाभ घेऊ शकतात. ChatGPT मधील Ultra क्षमता सेटिंगही अशाच प्रकारे काम करते.

उप-एजंटची योग्य संख्या आणि ते केव्हा तयार करावेत याची GPT‑5.6 ला चांगली जाण असली, तरी बहु-एजंट वर्तनाला सहज दिशा देता येते. उप-एजंटना केव्हा कॉल करायचा याबद्दल मॉडेलला सूचना दिल्यास, अतिरिक्त टोकन खर्च केल्यामुळे चांगली कामगिरी मिळेल अशाच परिस्थितीत एजंट तयार होण्याची शक्यता वाढते.

संपूर्ण मॉडेल कुटुंबासाठी प्रॉम्प्ट कॅशचा TTL किमान 30 मिनिटांपर्यंत वाढवला आहे आणि आता मॉडेलच्या कॉन्टेक्स्ट विंडोमध्ये निश्चितपणे कॅश ब्रेकपॉइंट ठरवता येतात. यामुळे स्टार्टअपना त्यांच्या कॅश हिटचे प्रमाण लक्षणीयरीत्या वाढवता आले आहे.

कॅश एंडपॉइंट ठरवण्याबरोबरच योग्य prompt_cache_key⁠(नवीन विंडोमध्ये उघडेल) वापरत राहिल्याने, तोच उपसर्ग यापूर्वी हाताळलेल्या निष्कर्ष इंजिनवर विनंत्या पोहोचण्याची शक्यता वाढते आणि त्यामुळे लॅटन्सी कमी होते.

या सर्व उदाहरणांमध्ये एजंट तयार करण्याचे अर्थकारण किती बदलले आहे, ही बाब विशेष ठळकपणे दिसते.

पूर्वी प्रत्येक टप्प्यावर अत्याधुनिक मॉडेल आवश्यक असलेल्या वापर प्रकरणांमध्ये आता लहान मॉडेल वापरून, रीझनिंगचे कमी करून आणि कार्यक्षम आर्किटेक्चर पर्याय निवडून अत्यल्प खर्चात समान किंवा अधिक चांगले परिणाम साधता येतात.

तुम्ही सर्वजण काय तयार करता, हे पाहण्यासाठी आम्ही खूप उत्सुक आहोत!