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(otwiera nowe okno). 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(otwiera nowe okno)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(otwiera nowe okno).
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.
Zabezpieczenia muszą pozostawać skuteczne także wtedy, gdy atakujący zmieniają taktykę. Ochrona, która działa tylko wobec stałego zestawu znanych ataków, nie jest wystarczająco odporna dla modelu klasy pionierskiej.
Dlatego przeznaczamy na bezpieczeństwo więcej inteligencji i mocy obliczeniowej niż kiedykolwiek wcześniej, używając własnych modeli do szybszego znajdowania słabości i usprawniania zabezpieczeń. Przeznaczyliśmy ponad 700 tys. godzin pracy akceleratorów GPU klasy NVIDIA A100 na zautomatyzowane kontrolowane ataki ukierunkowane na znajdowanie uniwersalnych obejść zabezpieczeń: ataków, które mogą działać w wielu poleceniach lub kontekstach, a nie tylko w jednym wąskim scenariuszu. Skupienie się na tych trudniejszych, bardziej ogólnych atakach pozwoliło nam testować zabezpieczenia poza stałym zestawem znanych błędów. Dzięki temu mogliśmy przeanalizować znacznie więcej wzorców ataków niż byłoby możliwe wyłącznie przy udziale ludzi, wcześniej identyfikować schematy błędów i skracać drogę od znalezienia podatności do wdrożenia odpowiednich zabezpieczeń.
Oprócz zautomatyzowanych kontrolowanych ataków współpracowaliśmy z zewnętrznymi testerami. Prowadzili oni szeroko zakrojone testy bezpieczeństwa, które będą kontynuowane w okresie próbnym. Kontrolowane ataki prowadzone przez ludzi uzupełniają działania automatyczne, testując zabezpieczenia wobec kreatywnych scenariuszy nadużyć, których nasze systemy mogłyby nie przewidzieć.
Żadna ewaluacja nie jest w stanie odzwierciedlić każdej konfiguracji produktu, wieloetapowego ataku ani rzeczywistego przepływu pracy. Dlatego utrzymujemy proces szybkiej reakcji, aby odtwarzać, oceniać, priorytetyzować i usuwać nowo odkryte obejścia zabezpieczeń, a następnie dodawać je do naszych bieżących ewaluacji, by w przyszłości wykrywać podobne podatności.
W okresie próbnym modele GPT‑5.6 będą początkowo dostępne za pośrednictwem API i Codex dla wybranej grupy zaufanych partnerów oraz organizacji. Planujemy wkrótce udostępnić je szerzej osobom korzystającym z ChatGPT, Codex i API.
W nowym systemie nazewnictwa wprowadzonym wraz z GPT‑5.6 liczba wskazuje generację modelu, a nazwy Sol, Terra i Luna oznaczają trwałe poziomy możliwości, które mogą rozwijać się niezależnie od siebie. Taki podział ma ułatwić użytkownikom i programistom wybór odpowiedniego kompromisu między możliwościami modelu, szybkością działania i kosztami.
Cennik GPT‑5.6 za 1 mln tokenów obejmują trzy rozmiary modelu: Sol kosztuje 5 USD za tokeny wejściowe i 30 USD za tokeny wyjściowe; Terra 2,50 USD za tokeny wejściowe i 15 USD za tokeny wyjściowe; a Luna 1 USD za tokeny wejściowe i 6 USD za tokeny wyjściowe. GPT‑5.6 wprowadza też bardziej przewidywalne buforowanie poleceń, w tym obsługę jawnych punktów przerwania pamięci podręcznej i minimalny 30-minutowy czas życia pamięci podręcznej. W przypadku GPT‑5.6 i późniejszych modeli zapisy do pamięci podręcznej są rozliczane według stawki wynoszącej 125% ceny za dane wejściowe bez buforowania, a odczyty z pamięci podręcznej nadal objęte są 90-procentową zniżką za buforowane dane wejściowe.
W lipcu uruchamiamy też GPT‑5.6 Sol na platformie Cerebras, który będzie osiągał prędkość do 750 tokenów na sekundę, dostarczając klientom pionierską AI z bezprecedensową szybkością. Dostęp będzie początkowo ograniczony do wybranych klientów, a następnie stopniowo rozszerzany wraz ze wzrostem zasobów.
Z niecierpliwością czekamy na wnioski z okresu próbnego i planujemy wkrótce udostępnić modele GPT‑5.6 Sol, Terra i Luna znacznie szerszemu gronu użytkowników.
1. Szacujemy opóźnienie i koszt API na podstawie zachowania naszych modeli w środowisku produkcyjnym oraz symulacji offline. Szacunki uwzględniają szczegóły wywołań narzędzi, liczbę wygenerowanych tokenów oraz tokenów wejściowych. Rzeczywiste wyniki mogą się znacznie różnić i zależą od wielu czynników nieuwzględnionych w naszej symulacji. Symulujemy opóźnienie przy dużych prędkościach API, a koszt według standardowego cennika.
2. Wszystkie modele są oceniane przy użyciu otoczenia operacyjnego ExploitBench API z 5 losowymi przebiegami i ciągłością rozumowania.
3. Uruchomiliśmy ExploitGym przy użyciu wewnętrznego API w wersji alfa, które generuje odpowiedzi szybciej niż publiczne API, a następnie przeskalowaliśmy wyniki do prędkości oczekiwanych dla publicznego API. W efekcie niektóre szacowane opóźnienia przekraczają limity 2 i 6 godzin, mimo że w przebiegu ewaluacji zostały one zachowane. Dla zastosowań wymagających niższych opóźnień oferujemy priorytetowe przetwarzanie w API i tryb szybki w Codex.
4. Modele bez zgłoszonych tokenów wyjściowych, opóźnienia lub kosztu są przedstawione jako poziome linie przerywane.
