Estamos iniciando uma prévia limitada da série GPT‑5.6: Sol, nosso modelo principal; Terra, um modelo equilibrado para o trabalho cotidiano; e Luna, um modelo rápido e acessível. O Terra tem desempenho competitivo em relação ao GPT‑5.5, sendo 2 vezes mais barato, e o Luna oferece forte capacidade pelo nosso menor custo.
O GPT‑5.6 Sol chega com nosso stack de segurança mais robusto até hoje. Reforçamos as proteções para atividades de maior risco, solicitações cibernéticas sensíveis e uso indevido repetido, e passamos várias semanas encontrando fraquezas, submetendo nosso sistema a testes de pressão e fortalecendo-o contra ataques do mundo real.
Acreditamos em acesso amplo e planejamos disponibilizar o GPT‑5.6 Sol, Terra e Luna de forma geral nas próximas semanas. Como parte do nosso engajamento contínuo com o governo dos EUA, apresentamos previamente nossos planos e as capacidades dos modelos antes do lançamento de hoje. A pedido deles, começaremos com uma prévia limitada para um pequeno grupo de parceiros confiáveis cuja participação foi compartilhada com o governo, antes de um lançamento mais amplo. Durante esta prévia, continuaremos testando e coordenando de perto com os parceiros enquanto trabalhamos para ampliar a disponibilidade. Não acreditamos que esse tipo de processo de acesso governamental deva se tornar o padrão de longo prazo. Ele afasta as melhores ferramentas de usuários, desenvolvedores, empresas, defensores cibernéticos e parceiros globais que precisam delas. Estamos dando esse passo de curto prazo porque acreditamos que ele é o caminho mais forte para uma disponibilidade mais ampla nas próximas semanas, enquanto trabalhamos com a Administração para desenvolver a estrutura da Ordem Executiva cibernética e um processo repetível para futuros lançamentos de modelos.
O GPT‑5.6 Sol é nosso modelo mais forte até agora. Para apresentar uma prévia do desempenho do modelo, compartilhamos um conjunto de avaliações que destacam capacidades agênticas aprimoradas em programação, biologia e cibersegurança, com avaliações adicionais de segurança e preparação disponíveis em nosso system card(abre em uma nova janela). Compartilharemos um conjunto ampliado de resultados de avaliação quando disponibilizarmos o modelo de forma ampla.
Com o GPT‑5.6, estamos introduzindo um novo esforço de raciocínio `max` para dar ao Sol o máximo de tempo para raciocinar profundamente. Além disso, estamos introduzindo um novo modo `ultra` que vai além das capacidades de um único agente ao usar subagentes para acelerar trabalhos complexos.
Para fluxos de trabalho de programação, o GPT‑5.6 Sol estabelece um novo estado da arte no Terminal‑Bench 2.1, que testa fluxos de trabalho de linha de comando que exigem planejamento, iteração e coordenação de ferramentas.
O GPT‑5.6 Sol também mostra melhorias amplas em fluxos de trabalho de biologia. No GeneBench v1, que avalia análises de genômica de longo horizonte e biologia quantitativa, ele alcança resultados mais fortes que o GPT‑5.5 usando menos tokens.
O GPT‑5.6 Sol é nosso modelo mais capaz até hoje para cibersegurança. Ele desloca a fronteira de desempenho e eficiência em tarefas de segurança de longo horizonte, incluindo pesquisa de vulnerabilidades e exploração. No ExploitBench², o GPT‑5.6 Sol é competitivo com o Mythos Preview usando apenas cerca de 1/3 dos tokens de saída. No ExploitGym(abre em uma nova janela)3, benchmark criado por pesquisadores da UC Berkeley em colaboração com a OpenAI e outros laboratórios de fronteira, os modelos GPT‑5.6 Sol, Terra e Luna demonstram fortes melhorias em capacidades cibernéticas à medida que aumentamos o raciocínio.
Desenvolvemos o GPT‑5.6 Sol, Terra e Luna com nossas salvaguardas mais robustas até hoje, com configurações ajustadas às capacidades de cada modelo. À medida que o modelo se torna mais capaz, projetamos salvaguardas para resistirem cada vez mais à pressão adversarial do mundo real, preservando o acesso a trabalhos legítimos como revisão de código, pesquisa de vulnerabilidades, desenvolvimento de patches, depuração, educação em segurança e testes defensivos. Nosso objetivo é tornar a atividade ofensiva proibida mais difícil, incerta e detectável, sem limitar desnecessariamente esses usos benéficos. Com base em nossa avaliação do modelo e das salvaguardas, esperamos benefícios substanciais para o trabalho defensivo legítimo, ao mesmo tempo que restringimos de forma significativa o uso ofensivo proibido.
O GPT‑5.6 Sol é melhor em ajudar pessoas a encontrar e corrigir vulnerabilidades do que em executar ataques de ponta a ponta de forma confiável. À medida que essas capacidades continuam avançando, nossa prioridade é garantir que cheguem aos defensores e os beneficiem, para que possam usar essas ferramentas para encontrar fraquezas, desenvolver patches e fortalecer sistemas de maneira mais ampla.
O GPT‑5.6 Sol não ultrapassa o limite Cyber Critical segundo nosso Preparedness Framework. Em avaliações envolvendo Chromium e Firefox, ele identificou bugs e primitivas de exploração — os blocos de construção de um exploit —, mas não produziu autonomamente um exploit funcional de cadeia completa nas condições testadas. Ainda assim, limites de benchmarks não capturam todas as formas como um modelo pode ser usado ou combinado com outras ferramentas. Essa incerteza, junto com o salto mais amplo nas capacidades do modelo, é o motivo pelo qual estamos combinando o aumento de capacidades do modelo com salvaguardas mais fortes e um lançamento em fases. Compartilhamos mais detalhes sobre nossas salvaguardas no system card da prévia do GPT‑5.6(abre em uma nova janela).
Nenhuma salvaguarda isolada é suficiente contra uso indevido determinado ou adaptativo. Em toda a prévia do GPT‑5.6, usamos salvaguardas em camadas, com configurações exatas variando entre os modelos, e as submetemos a testes de pressão contra ataques do mundo real. Elas incluem proteções treinadas no modelo, verificações em tempo real durante a geração, sinais em nível de conta, acesso diferenciado, monitoramento, aplicação de regras e testes contínuos.
O GPT‑5.6 é treinado para recusar assistência cibernética proibida, inclusive quando usuários tentam disfarçar sua intenção ou aplicar jailbreak no modelo. Essas salvaguardas em nível de modelo estabelecem a primeira fronteira em torno do que o modelo deve ou não ajudar a fazer.
Classificadores em tempo real de uso indevido cibernético e biológico fornecem outra camada ao avaliar a saída conforme ela é gerada. Em casos de maior risco, se eles detectarem uma possível violação, a geração poderá ser pausada enquanto um modelo de raciocínio maior revisa a conversa e seu contexto. Se a saída for avaliada como não permitida, ela será retida antes de chegar ao usuário.
Atividades sinalizadas também podem acionar uma revisão em nível de conta em conversas relevantes e sinais de risco, de acordo com nossos termos e políticas sobre retenção e revisão de conteúdo. Olhar além de uma única conversa ajuda nossos sistemas a distinguir comportamento malicioso persistente de trabalho legítimo de segurança de uso duplo, em que conceitos técnicos semelhantes podem aparecer em contextos muito diferentes.
Juntas, essas camadas tornam a abordagem geral mais robusta do que qualquer salvaguarda isolada. O comportamento do modelo reduz a probabilidade de respostas prejudiciais, sistemas em tempo real podem intervir durante a geração, a revisão em nível de conta pode identificar padrões mais amplos, e o acesso diferenciado preserva trabalhos defensivos importantes sem disponibilizar por padrão as capacidades mais sensíveis de forma ampla.
Especialmente durante a prévia, usuários podem encontrar salvaguardas que bloqueiam ou recusam algumas solicitações. Outras solicitações podem levar mais tempo porque a geração é pausada para revisão adicional. As salvaguardas podem ocasionalmente intervir em trabalhos legítimos, especialmente em áreas de uso duplo em que atividades defensivas e ofensivas podem parecer semelhantes de início.
Isso faz parte do que a prévia foi projetada para testar. Queremos entender não apenas se as salvaguardas restringem o uso indevido, mas também se usuários legítimos ainda conseguem concluir trabalhos normais de forma confiável e eficiente. O feedback durante a prévia nos ajudará a reduzir bloqueios e atrasos desnecessários, melhorar a forma como as salvaguardas interpretam o contexto e criar uma experiência mais fluida antes do lançamento mais amplo.
Também estamos trabalhando com clientes empresariais em abordagens de prazo mais longo — incluindo detecção com preservação de privacidade, controles de segurança operados pelo cliente e acesso calibrado ao risco de um cliente, usuário ou carga de trabalho — para avançar a segurança e, ao mesmo tempo, atender aos requisitos de privacidade empresarial.
As salvaguardas também precisam continuar eficazes quando os atacantes adaptam suas táticas. Uma proteção que funciona apenas contra um conjunto fixo de ataques conhecidos não é robusta o bastante para um modelo de fronteira.
Por isso, estamos aplicando mais inteligência e computação do que nunca à segurança, usando nossos próprios modelos para encontrar pontos fracos e melhorar as salvaguardas mais rapidamente. Dedicamos mais de 700.000 horas de GPU equivalentes a A100 a red teaming automatizado voltado a encontrar jailbreaks universais: ataques que podem funcionar em muitos prompts ou contextos, não apenas em um cenário restrito. Ao focar nesses ataques mais difíceis e mais gerais, conseguimos testar as salvaguardas além de um conjunto fixo de falhas conhecidas. Isso também nos permite explorar muito mais padrões de ataque do que testes humanos isolados conseguiriam cobrir, identificar padrões de falha mais cedo e encurtar o caminho entre encontrar uma fraqueza e corrigi-la.
Além do red teaming automatizado, trabalhamos com testadores terceirizados para conduzir um amplo red teaming humano especializado, que continuará durante o período de prévia. O red teaming humano complementa o trabalho automatizado ao testar as salvaguardas contra especialistas criativos que tentam usar indevidamente o modelo de maneiras que nossos sistemas talvez não antecipem.
Nenhuma avaliação consegue representar todas as configurações de produto, ataques em várias etapas ou fluxos de trabalho do mundo real. Por isso, mantemos um processo de resposta rápida para reproduzir, avaliar, priorizar e corrigir jailbreaks recém-descobertos, depois adicioná-los às nossas avaliações contínuas para que possamos testar falhas semelhantes no futuro.
Durante a prévia, os modelos GPT‑5.6 estarão disponíveis inicialmente pela API e pelo Codex para um grupo selecionado de parceiros e organizações confiáveis. Planejamos disponibilizá-los em breve de forma mais ampla para pessoas que usam ChatGPT, Codex e a API.
Nesse novo sistema de nomenclatura introduzido com o GPT‑5.6, o número identifica a geração de um modelo, enquanto Sol, Terra e Luna identificam níveis duráveis de capacidade que podem avançar em ritmos próprios. Juntas, as opções da família oferecem a pessoas e desenvolvedores escolhas mais claras entre inteligência, velocidade e custo.
O GPT‑5.6 tem preço por 1 milhão de tokens em três tamanhos de modelo: Sol custa US$ 5 por entrada / US$ 30 por saída; Terra, US$ 2,50 por entrada / US$ 15 por saída; e Luna, US$ 1 por entrada / US$ 6 por saída. O GPT‑5.6 também introduz cache de prompts mais previsível, incluindo suporte a pontos de interrupção explícitos de cache e vida mínima de cache de 30 minutos. Para o GPT‑5.6 e modelos posteriores, as gravações em cache são cobradas a 1,25x a taxa de entrada sem cache do modelo, enquanto as leituras em cache continuam recebendo o desconto de 90% para entrada em cache.
Também estamos lançando o GPT‑5.6 Sol na Cerebras em julho, com até 750 tokens por segundo, levando inteligência de fronteira aos clientes em velocidade sem precedentes. O acesso será inicialmente limitado a clientes selecionados enquanto ampliamos a capacidade.
Estamos animados para continuar aprendendo com este período de prévia e levar o GPT‑5.6 Sol, Terra e Luna a mais pessoas em breve.
1. Estimamos a latência e o custo da API observando o comportamento em produção dos nossos modelos e simulando offline. Essas estimativas consideram detalhes de chamadas de ferramentas, tokens amostrados e tokens de entrada. Os resultados no mundo real podem variar substancialmente e dependem de muitos fatores não capturados em nossa simulação. Simulamos a latência em velocidades rápidas da API e o custo com preços regulares da API.
2. Todos os modelos são avaliados usando o harness da API do ExploitBench com 5 seeds e continuidade de raciocínio.
3. Executamos o ExploitGym em nossa API alpha, que gera respostas mais rápido que nossa API pública, e depois redimensionamos os resultados para corresponder à nossa API pública. Ao redimensionar as latências para as velocidades esperadas da nossa API pública, algumas latências estimadas excedem os limites de tempo de 2h e 6h, apesar de terem sido corretamente obedecidas na execução da avaliação. Para obter velocidades maiores em trabalhos sensíveis ao tempo, oferecemos processamento prioritário na API e modo rápido no Codex.
4. Modelos sem tokens de saída, latência ou custo informados são plotados como linhas pontilhadas horizontais.
