We starten met een beperkte preview van de GPT‑5.6‑serie: Sol, ons vlaggenschipmodel; Terra, een uitgebalanceerd model voor dagelijks werk; en Luna, een snel en betaalbaar model. Terra levert concurrerende prestaties ten opzichte van GPT‑5.5 tegen de helft van de kosten, en Luna biedt sterke capaciteiten tegen onze laagste kosten.
GPT‑5.6 Sol wordt gelanceerd met onze meest robuuste veiligheidsstack tot nu toe. We hebben de bescherming versterkt voor activiteiten met een hoger risico, gevoelige cyberverzoeken en herhaald misbruik, en hebben meerdere weken besteed aan het vinden van zwakke plekken, het onder druk testen van ons systeem en het versterken ervan tegen aanvallen in de echte wereld.
We geloven in brede toegang en zijn van plan GPT‑5.6 Sol, Terra en Luna in de komende weken algemeen beschikbaar te maken. Als onderdeel van onze voortdurende betrokkenheid bij de Amerikaanse overheid hebben we onze plannen en de capaciteiten van de modellen voorafgaand aan de lancering van vandaag gedeeld. Op hun verzoek beginnen we met een beperkte preview voor een kleine groep vertrouwde partners, wier deelname met de overheid is gedeeld, voordat we breder uitrollen. Tijdens deze preview blijven we testen en nauw met partners afstemmen terwijl we toewerken naar bredere beschikbaarheid. We vinden niet dat dit soort overheidstoegangsproces op lange termijn de standaard moet worden. Het houdt de beste tools weg bij gebruikers, ontwikkelaars, ondernemingen, cyberverdedigers en wereldwijde partners die ze nodig hebben. We zetten deze kortetermijnstap omdat we denken dat dit de sterkste route is naar bredere beschikbaarheid in de komende weken, terwijl we met de regering werken aan het kader voor de cyber-Executive Order en een herhaalbaar proces voor toekomstige modelreleases.
GPT‑5.6 Sol is ons sterkste model tot nu toe. Om een preview van de modelprestaties te geven, delen we een reeks evaluaties die verbeterde agentische capaciteiten in coderen, biologie en cybersecurity belichten, met aanvullende veiligheids- en paraatheidsevaluaties in onze systeemkaart(opent in een nieuw venster). We delen een uitgebreidere reeks evaluatieresultaten wanneer we het model breed beschikbaar maken.
Met GPT‑5.6 introduceren we een nieuwe redeneringsinspanning `max` om Sol de meeste tijd te geven voor diepgaande redenering. Daarnaast introduceren we een nieuwe modus `ultra` die de capaciteiten van één agent overstijgt door subagents in te zetten om complex werk te versnellen.
Voor codeerworkflows zet GPT‑5.6 Sol een nieuwe state-of-the-art neer op Terminal‑Bench 2.1, dat commandlineworkflows test waarvoor planning, iteratie en toolcoördinatie nodig zijn.
GPT‑5.6 Sol laat ook brede verbeteringen zien in biologieworkflows. Op GeneBench v1, dat langdurige analyses in genomica en kwantitatieve biologie evalueert, behaalt het sterkere resultaten dan GPT‑5.5 terwijl het minder tokens gebruikt.
GPT‑5.6 Sol is ons meest capabele model tot nu toe voor cybersecurity. Het verschuift de grens tussen prestaties en efficiëntie voor langdurige beveiligingstaken, waaronder kwetsbaarheidsonderzoek en exploitatie. Op ExploitBench² is GPT‑5.6 Sol concurrerend met Mythos Preview terwijl het slechts ~1/3 van de outputtokens gebruikt. Op ExploitGym(opent in een nieuw venster)3, een benchmark die is gemaakt door onderzoekers van UC Berkeley in samenwerking met OpenAI en andere frontierlabs, laten de GPT‑5.6 Sol-, Terra- en Luna-modellen allemaal sterke verbeteringen in cybercapaciteiten zien naarmate we de redenering verhogen.
We hebben GPT‑5.6 Sol, Terra en Luna ontwikkeld met onze meest robuuste veiligheidsmaatregelen tot nu toe, met configuraties die zijn afgestemd op de capaciteiten van elk model. Naarmate het model capabeler wordt, ontwerpen we veiligheidsmaatregelen die steeds beter bestand zijn tegen vijandige druk in de echte wereld, terwijl toegang behouden blijft tot legitiem werk zoals codereview, kwetsbaarheidsonderzoek, patchontwikkeling, debugging, beveiligingsonderwijs en defensief testen. Ons doel is verboden offensieve activiteiten moeilijker, onzekerder en beter detecteerbaar te maken zonder die nuttige toepassingen onnodig te beperken. Op basis van onze beoordeling van het model en de veiligheidsmaatregelen verwachten we aanzienlijke voordelen voor legitiem defensief werk, terwijl verboden offensief gebruik wezenlijk wordt beperkt.
GPT‑5.6 Sol is beter in het helpen vinden en verhelpen van kwetsbaarheden dan in het betrouwbaar uitvoeren van end-to-end-aanvallen. Naarmate deze capaciteiten verder toenemen, is het onze prioriteit ervoor te zorgen dat ze verdedigers bereiken en ten goede komen, zodat zij deze tools kunnen gebruiken om zwakke plekken te vinden, patches te ontwikkelen en systemen breder te versterken.
GPT‑5.6 Sol overschrijdt de Cyber Critical-drempel niet onder ons Preparedness Framework. In evaluaties met Chromium en Firefox identificeerde het bugs en exploitatieprimitieven — de bouwstenen van een exploit — maar produceerde het onder de geteste omstandigheden niet autonoom een functionele full-chain exploit. Toch kunnen benchmarkdrempels niet elke manier vastleggen waarop een model kan worden gebruikt of met andere tools kan worden gecombineerd. Die onzekerheid, samen met de bredere sprongsgewijze toename in capaciteiten van het model, is waarom we de toegenomen capaciteiten van het model koppelen aan sterkere veiligheidsmaatregelen en een gefaseerde release. We delen meer details over onze veiligheidsmaatregelen in de systeemkaart voor GPT‑5.6 Preview(opent in een nieuw venster).
Geen enkele veiligheidsmaatregel is voldoende tegen vastberaden of adaptief misbruik. Tijdens de GPT‑5.6-preview gebruiken we gelaagde veiligheidsmaatregelen, waarbij de exacte configuraties per model verschillen, en testen we ze onder druk tegen aanvallen in de echte wereld. Dit omvat bescherming die in het model is getraind, realtimecontroles tijdens het genereren, signalen op accountniveau, gedifferentieerde toegang, monitoring, handhaving en voortdurende tests.
GPT‑5.6 is getraind om verboden cyberhulp te weigeren, ook wanneer gebruikers proberen hun intentie te verhullen of het model te jailbreaken. Deze veiligheidsmaatregelen op modelniveau leggen de eerste grens vast rond waar het model wel en niet bij zou moeten helpen.
Realtimeclassifiers voor cyber- en biologiemisbruik vormen een extra laag door output te beoordelen terwijl die wordt gegenereerd. In gevallen met een hoger risico kan de generatie worden gepauzeerd als zij een mogelijke overtreding detecteren, terwijl een groter redenerend model het gesprek en de context beoordeelt. Als de output als niet-toegestaan wordt beoordeeld, wordt die tegengehouden voordat die de gebruiker bereikt.
Gemarkeerde activiteit kan ook leiden tot beoordeling op accountniveau over relevante gesprekken en risicosignalen heen, in overeenstemming met onze voorwaarden en beleidsregels rond het bewaren en beoordelen van content. Verder kijken dan één gesprek helpt onze systemen om hardnekkig kwaadaardig gedrag te onderscheiden van legitiem dual-use beveiligingswerk, waarbij vergelijkbare technische concepten in heel verschillende contexten kunnen voorkomen.
Samen maken deze lagen de algehele aanpak robuuster dan welke afzonderlijke veiligheidsmaatregel ook. Modelgedrag verkleint de kans op schadelijke antwoorden, realtimesystemen kunnen tijdens het genereren ingrijpen, beoordeling op accountniveau kan bredere patronen identificeren, en gedifferentieerde toegang behoudt belangrijk defensief werk zonder de gevoeligste capaciteiten standaard breed beschikbaar te maken.
Vooral tijdens de preview kunnen gebruikers veiligheidsmaatregelen tegenkomen die sommige verzoeken blokkeren of weigeren. Andere verzoeken kunnen langer duren doordat de generatie wordt gepauzeerd voor aanvullende beoordeling. Veiligheidsmaatregelen kunnen soms ingrijpen bij legitiem werk, vooral in dual-use gebieden waar defensieve en offensieve activiteit er aanvankelijk vergelijkbaar uit kunnen zien.
Dat is onderdeel van wat de preview moet testen. We willen niet alleen begrijpen of de veiligheidsmaatregelen misbruik beperken, maar ook of legitieme gebruikers normaal werk nog steeds betrouwbaar en efficiënt kunnen afronden. Feedback tijdens de preview helpt ons onnodige blokkades en vertragingen te verminderen, te verbeteren hoe de veiligheidsmaatregelen context interpreteren en een soepelere ervaring te creëren vóór de bredere release.
We werken ook met zakelijke klanten aan benaderingen voor de langere termijn, waaronder privacybeschermende detectie, door klanten beheerde veiligheidscontroles en toegang die is afgestemd op het risico van een klant, gebruiker of workload, om veiligheid te bevorderen en tegelijk de privacyvereisten van ondernemingen te ondersteunen.
Veiligheidsmaatregelen moeten ook effectief blijven wanneer aanvallers hun tactieken aanpassen. Een bescherming die alleen werkt tegen een vaste set bekende aanvallen is niet robuust genoeg voor een frontiermodel.
Daarom zetten we meer intelligentie en rekenkracht dan ooit in voor veiligheid, waarbij we onze eigen modellen gebruiken om zwakke plekken te vinden en veiligheidsmaatregelen sneller te verbeteren. We hebben meer dan 700.000 A100-equivalente GPU-uren besteed aan geautomatiseerde red teaming, gericht op het vinden van universele jailbreaks: aanvallen die in veel prompts of contexten kunnen werken, niet slechts in één beperkte setting. Door ons te richten op deze moeilijkere, algemenere aanvallen konden we de veiligheidsmaatregelen testen voorbij een vaste set bekende fouten. Zo kunnen we ook veel meer aanvalspatronen onderzoeken dan met alleen menselijke tests mogelijk zou zijn, faalpatronen eerder herkennen en de weg verkorten van het vinden van een zwakke plek naar het verhelpen ervan.
Naast geautomatiseerde red teaming werkten we samen met externe testers om uitgebreide menselijke expert-red teaming uit te voeren, die tijdens de previewperiode wordt voortgezet. Menselijke red teaming vult het geautomatiseerde werk aan door veiligheidsmaatregelen te testen tegen creatieve experts die het model proberen te misbruiken op manieren die onze systemen mogelijk niet voorzien.
Geen enkele evaluatie kan elke productconfiguratie, meerstapsaanval of workflow in de echte wereld weergeven. Daarom hanteren we een snelresponsproces om nieuw ontdekte jailbreaks te reproduceren, beoordelen, prioriteren en verhelpen, en voegen we ze daarna toe aan onze doorlopende evaluaties zodat we in de toekomst op soortgelijke fouten kunnen testen.
Tijdens de preview zijn GPT‑5.6-modellen aanvankelijk beschikbaar via de API en Codex voor een selecte groep vertrouwde partners en organisaties. We zijn van plan ze binnenkort breder beschikbaar te maken voor mensen die ChatGPT, Codex en de API gebruiken.
In dit nieuwe naamgevingssysteem dat met GPT‑5.6 wordt geïntroduceerd, geeft het nummer de generatie van een model aan, terwijl Sol, Terra en Luna duurzame capaciteitsniveaus aanduiden die in hun eigen tempo kunnen voortschrijden. Samen biedt de familie mensen en ontwikkelaars duidelijkere keuzes op het gebied van intelligentie, snelheid en kosten.
GPT‑5.6 wordt per 1 miljoen tokens geprijsd voor drie modelgroottes: Sol is $5 input / $30 output; Terra is $2,50 input / $15 output; en Luna is $1 input / $6 output. GPT‑5.6 introduceert ook voorspelbaardere promptcaching, inclusief ondersteuning voor expliciete cachebreakpoints en een minimale cacheduur van 30 minuten. Voor GPT‑5.6 en latere modellen worden cacheschrijfacties gefactureerd tegen 1,25x het niet-gecachete invoertarief van het model, terwijl cacheleesacties de korting van 90% op gecachete invoer blijven krijgen.
We lanceren in juli ook GPT‑5.6 Sol op Cerebras met maximaal 750 tokens per seconde, waarmee we klanten frontierintelligentie bieden met ongekende snelheid. De toegang wordt aanvankelijk beperkt tot geselecteerde klanten terwijl we de capaciteit uitbreiden.
We kijken ernaar uit om tijdens deze previewperiode te blijven leren en GPT‑5.6 Sol, Terra en Luna binnenkort naar meer mensen te brengen.
1. We schatten latentie en API-kosten door naar het productiegedrag van onze modellen te kijken en offline te simuleren. Deze schattingen houden rekening met details van toolaanroepen, gesamplede tokens en invoertokens. Resultaten in de echte wereld kunnen aanzienlijk verschillen en zijn afhankelijk van veel factoren die niet in onze simulatie zijn meegenomen. We simuleren latentie op hoge API-snelheden en kosten op basis van reguliere API-prijzen.
2. Alle modellen worden geëvalueerd met de ExploitBench API-harness met 5 seeds en redeneringscontinuïteit.
3. We hebben ExploitGym uitgevoerd op onze alpha-API, die sneller antwoorden produceert dan onze publieke API, en vervolgens herschaald om overeen te komen met onze publieke API. Bij het herschalen van latenties naar de snelheden die voor onze publieke API worden verwacht, overschrijden sommige geschatte latenties de tijdslimieten van 2 uur en 6 uur, ondanks dat die in de evaluatierun correct werden nageleefd. Voor hogere snelheden bij tijdgevoelig werk bieden we prioriteitsverwerking in de API en snelle modus in Codex.
4. Modellen zonder gerapporteerde outputtokens, latentie of kosten worden weergegeven als horizontale stippellijnen.
