Vi starter en begrenset forhåndsvisning av GPT‑5.6‑serien: Sol, vår flaggskipmodell; Terra, en balansert modell for hverdagsarbeid; og Luna, en rask og rimelig modell. Terra har konkurransedyktig ytelse sammenlignet med GPT‑5.5, samtidig som den er 2x billigere, og Luna gir sterk kapasitet til vår laveste kostnad.
GPT‑5.6 Sol lanseres med vår mest robuste sikkerhetsstack til nå. Vi styrket beskyttelsen for aktivitet med høyere risiko, sensitive cyberforespørsler og gjentatt misbruk, og brukte flere uker på å finne svakheter, stressteste systemet vårt og herde det mot angrep i den virkelige verden.
Vi tror på bred tilgang, og vi planlegger å gjøre GPT‑5.6 Sol, Terra og Luna generelt tilgjengelige i løpet av de kommende ukene. Som en del av vårt løpende samarbeid med amerikanske myndigheter forhåndsviste vi planene våre og modellenes kapabiliteter før dagens lansering. På deres anmodning starter vi med en begrenset forhåndsvisning for en liten gruppe betrodde partnere, der deltakelsen deres er delt med myndighetene, før vi lanserer bredere. I denne forhåndsvisningen vil vi fortsette å teste og koordinere tett med partnere mens vi arbeider mot bredere tilgjengelighet. Vi mener ikke at denne typen prosess for myndighetstilgang bør bli standarden på lang sikt. Den holder de beste verktøyene unna brukere, utviklere, virksomheter, cyberforsvarere og globale partnere som trenger dem. Vi tar dette kortsiktige grepet fordi vi mener det er den beste veien til bredere tilgjengelighet i løpet av de kommende ukene, mens vi samarbeider med administrasjonen om å utvikle rammeverket for den utøvende cyberordren og en gjentakbar prosess for fremtidige modellanseringer.
GPT‑5.6 Sol er vår sterkeste modell hittil. For å gi en forhåndsvisning av modellens ytelse deler vi et sett evalueringer som fremhever forbedrede agentiske kapabiliteter innen koding, biologi og cybersikkerhet, med ytterligere sikkerhets- og beredskapsevalueringer tilgjengelige i systemkortet(åpnes i et nytt vindu) vårt. Vi vil dele et utvidet sett med evalueringsresultater når vi gjør modellen bredt tilgjengelig.
Med GPT‑5.6 introduserer vi en ny resonneringsinnsats på `max` for å gi Sol mest mulig tid til dyp resonnering. I tillegg introduserer vi en ny `ultra`-modus som går utover kapabilitetene til én enkelt agent ved å bruke underagenter til å akselerere komplekst arbeid.
For arbeidsflyter innen koding setter GPT‑5.6 Sol en ny toppstandard på Terminal‑Bench 2.1, som tester kommandolinjearbeidsflyter som krever planlegging, iterasjon og koordinering av verktøy.
GPT‑5.6 Sol viser også brede forbedringer i arbeidsflyter innen biologi. På GeneBench v1, som evaluerer langsiktige analyser innen genomikk og kvantitativ biologi, oppnår den sterkere resultater enn GPT‑5.5 samtidig som den bruker færre tokener.
GPT‑5.6 Sol er vår mest kapable modell hittil for cybersikkerhet. Den flytter grensen for ytelse og effektivitet i langsiktige sikkerhetsoppgaver, inkludert sårbarhetsforskning og utnyttelse. På ExploitBench² er GPT‑5.6 Sol konkurransedyktig med Mythos Preview ved å bruke bare ~1/3 av utdatatokenene. På ExploitGym(åpnes i et nytt vindu)3, en referansetest laget av forskere ved UC Berkeley i samarbeid med OpenAI og andre frontier-laber, viser GPT‑5.6 Sol-, Terra- og Luna-modellene alle sterke forbedringer i cyberkapabiliteter når vi øker resonneringen.
Vi utviklet GPT‑5.6 Sol, Terra og Luna med våre mest robuste sikringstiltak til nå, med konfigurasjoner tilpasset hver modells kapabiliteter. Etter hvert som modellen blir mer kapabel, utformer vi sikringstiltak som i økende grad skal tåle reelt press fra motstandere, samtidig som vi bevarer tilgang til legitimt arbeid som kodegjennomgang, sårbarhetsforskning, utvikling av patcher, feilsøking, sikkerhetsopplæring og defensiv testing. Målet vårt er å gjøre forbudt offensiv aktivitet vanskeligere, mer usikker og mer oppdagbar uten å begrense nyttig bruk unødig. Basert på vår vurdering av modellen og sikringstiltakene forventer vi betydelig nytte for legitimt defensivt arbeid, samtidig som forbudt offensiv bruk begrenses vesentlig.
GPT‑5.6 Sol er bedre til å hjelpe folk med å finne og fikse sårbarheter enn til å gjennomføre ende-til-ende-angrep pålitelig. Etter hvert som disse kapabilitetene fortsetter å utvikle seg, er vår prioritet å sørge for at de når og gagner forsvarere, som kan bruke disse verktøyene til å finne svakheter, utvikle patcher og styrke systemer mer generelt.
GPT‑5.6 Sol krysser ikke Cyber Critical-terskelen i henhold til vårt Preparedness Framework. I evalueringer som involverte Chromium og Firefox, identifiserte den feil og utnyttelsesprimitiver – byggesteinene i en exploit – men produserte ikke autonomt en funksjonell fullkjede-exploit under de testede betingelsene. Likevel kan ikke terskler i referansetester fange opp alle måter en modell kan brukes på eller kombineres med andre verktøy. Denne usikkerheten, sammen med modellens bredere sprang i kapabiliteter, er grunnen til at vi kobler modellens økte kapabiliteter med sterkere sikringstiltak og en trinnvis lansering. Vi deler flere detaljer om sikringstiltakene våre i systemkortet for GPT‑5.6 Preview(åpnes i et nytt vindu).
Ingen enkelt sikring er tilstrekkelig mot målrettet eller tilpasningsdyktig misbruk. I hele GPT‑5.6-forhåndsvisningen bruker vi lagdelte sikringstiltak, der de nøyaktige konfigurasjonene varierer mellom modeller, og stresstester dem mot angrep i den virkelige verden. Disse omfatter beskyttelser som er trent inn i modellen, sanntidskontroller under generering, signaler på kontonivå, differensiert tilgang, overvåking, håndheving og fortsatt testing.
GPT‑5.6 er trent til å avvise forbudt cyberassistanse, også når brukere forsøker å skjule intensjonen sin eller jailbreake modellen. Disse sikringstiltakene på modellnivå etablerer den første grensen for hva modellen bør og ikke bør hjelpe med.
Klassifiserere for misbruk innen cyber og biologi i sanntid gir et nytt lag ved å evaluere utdata mens de genereres. I tilfeller med høyere risiko kan genereringen settes på pause hvis de oppdager et mulig brudd, mens en større resonneringsmodell gjennomgår samtalen og konteksten. Hvis utdataene vurderes som ikke tillatt, holdes de tilbake før de når brukeren.
Flagget aktivitet kan også utløse gjennomgang på kontonivå på tvers av relevante samtaler og risikosignaler, i tråd med vilkårene og retningslinjene våre for oppbevaring og gjennomgang av innhold. Å se forbi én enkelt samtale hjelper systemene våre med å skille vedvarende ondsinnet atferd fra legitimt sikkerhetsarbeid med dobbelt bruk, der lignende tekniske konsepter kan opptre i svært ulike kontekster.
Samlet gjør disse lagene den overordnede tilnærmingen mer robust enn ett enkelt sikringstiltak alene. Modellatferd reduserer sannsynligheten for skadelige svar, sanntidssystemer kan gripe inn under generering, gjennomgang på kontonivå kan identifisere bredere mønstre, og differensiert tilgang bevarer viktig defensivt arbeid uten at de mest sensitive kapabilitetene som standard gjøres bredt tilgjengelige.
Særlig under forhåndsvisningen kan brukere oppleve sikringstiltak som blokkerer eller avviser enkelte forespørsler. Andre forespørsler kan ta lengre tid fordi genereringen settes på pause for ytterligere gjennomgang. Sikringstiltak kan av og til gripe inn i legitimt arbeid, særlig på områder med dobbelt bruk der defensiv og offensiv aktivitet i starten kan se lik ut.
Det er noe av det forhåndsvisningen er laget for å teste. Vi ønsker å forstå ikke bare om sikringstiltakene begrenser misbruk, men også om legitime brukere fortsatt kan fullføre normalt arbeid pålitelig og effektivt. Tilbakemeldinger under forhåndsvisningen vil hjelpe oss med å redusere unødvendige blokkeringer og forsinkelser, forbedre hvordan sikringstiltakene tolker kontekst, og skape en smidigere opplevelse før bredere lansering.
Vi samarbeider også med bedriftskunder om mer langsiktige tilnærminger – inkludert personvernbevarende deteksjon, kundestyrte sikkerhetskontroller og tilgang kalibrert etter risikoen til en kunde, bruker eller arbeidsmengde – for å fremme sikkerhet samtidig som vi støtter virksomheters krav til personvern.
Sikringstiltak må også forbli effektive når angripere tilpasser taktikken sin. En beskyttelse som bare fungerer mot et fast sett med kjente angrep, er ikke robust nok for en frontier-modell.
Derfor bruker vi mer intelligens og beregningskraft enn noen gang på sikkerhet, ved å bruke våre egne modeller til å finne svakheter og forbedre sikringstiltak raskere. Vi brukte over 700 000 A100-ekvivalente GPU-timer på automatisert red-teaming for å finne universelle jailbreaks: angrep som kan fungere på tvers av mange prompter eller kontekster, ikke bare én snever setting. Ved å fokusere på disse vanskeligere og mer generelle angrepene kunne vi teste sikringstiltakene utover et fast sett med kjente feil. Det lar oss også utforske langt flere angrepsmønstre enn menneskelig testing alene kunne dekket, identifisere feilmønstre tidligere og korte ned veien fra å finne en svakhet til å rette den.
I tillegg til automatisert red-teaming jobbet vi med tredjepartstestere for å gjennomføre omfattende red-teaming med menneskelige eksperter, noe som vil fortsette i forhåndsvisningsperioden. Menneskelig red-teaming utfyller det automatiserte arbeidet ved å teste sikringstiltak mot kreative eksperter som prøver å misbruke modellen på måter systemene våre kanskje ikke forutser.
Ingen evaluering kan representere alle produktkonfigurasjoner, flertrinnsangrep eller arbeidsflyter i den virkelige verden. Derfor opprettholder vi en hurtigresponsprosess for å reprodusere, vurdere, prioritere og utbedre nyoppdagede jailbreaks, og deretter legge dem til i de løpende evalueringene våre, slik at vi kan teste mot lignende feil i fremtiden.
I forhåndsvisningen vil GPT‑5.6-modeller i første omgang være tilgjengelige via API-et og Codex for en utvalgt gruppe betrodde partnere og organisasjoner. Vi planlegger å gjøre dem bredere tilgjengelige snart for personer som bruker ChatGPT, Codex og API-et.
I dette nye navnesystemet, som innføres med GPT‑5.6, identifiserer tallet modellens generasjon, mens Sol, Terra og Luna identifiserer varige kapabilitetsnivåer som kan utvikle seg i eget tempo. Samlet gir familien brukere og utviklere tydeligere valg på tvers av intelligens, hastighet og kostnad.
GPT‑5.6 prises per 1M token på tvers av tre modellstørrelser: Sol koster $5 inndata / $30 utdata; Terra koster $2,50 inndata / $15 utdata; og Luna koster $1 inndata / $6 utdata. GPT‑5.6 introduserer også mer forutsigbar prompt-bufring, inkludert støtte for eksplisitte cache-bruddpunkter og en minste cache-levetid på 30 minutter. For GPT‑5.6 og senere modeller faktureres cacheskriving til 1,25x modellens ubufrede inndatasats, mens cachelesing fortsatt får 90 % rabatt på bufrede inndata.
Vi lanserer også GPT‑5.6 Sol på Cerebras med opptil 750 token per sekund i juli, og gir kunder frontier-intelligens i en hastighet uten sidestykke. Tilgangen vil i første omgang være begrenset til utvalgte kunder mens vi utvider kapasiteten.
Vi ser frem til å fortsette å lære av denne forhåndsvisningsperioden og snart bringe GPT‑5.6 Sol, Terra og Luna til flere.
1. Vi anslår latens og API-kostnad ved å se på produksjonsatferden til modellene våre og simulere offline. Disse anslagene tar høyde for detaljer om verktøykall, samplede tokener og inndatatokener. Resultater i den virkelige verden kan variere betydelig og avhenger av mange faktorer som ikke fanges opp i simuleringen vår. Vi simulerer latens ved raske API-hastigheter og kostnad ved ordinær API-prising.
2. Alle modeller evalueres med ExploitBench API-rammeverk med 5 seeds og resonneringskontinuitet.
3. Vi kjørte ExploitGym på alfa-API-et vårt, som sender ut svar raskere enn det offentlige API-et vårt, og skalerte deretter om for å matche det offentlige API-et. Når latenser skaleres om til hastighetene som forventes for det offentlige API-et, fører dette til at enkelte estimerte latenser overstiger tidsgrensene på 2 t og 6 t, selv om de ble korrekt overholdt i evalueringskjøringen. For å få høyere hastigheter til tidssensitivt arbeid tilbyr vi prioritert behandling i API-et og hurtigmodus i Codex.
4. Modeller uten rapporterte utdatatokener, latens eller kostnad plottes som horisontale prikkede linjer.
