GPT‑5.6: Prelomna inteligenca, ki raste z vašimi ambicijami

Po našem omejenem predogledu⁠ uvajamo družino modelov GPT‑5.6 v splošno razpoložljivost: naš novi vodilni model Sol, skupaj s Terra, uravnoteženim modelom za vsakodnevno delo, in Luna, našim stroškovno najučinkovitejšim modelom.

GPT‑5.6 Sol postavlja nov standard tako za inteligenco kot učinkovitost, saj dosega najsodobnejše rezultate na področjih kodiranja, dela z znanjem, kibernetske varnosti in znanosti, hkrati pa presega prejšnje in konkurenčne prelomne modele z manj žetoni in pri nižjih ocenjenih stroških. Rezultat je večja učinkovitost glede na vložena sredstva: več uspešno opravljenega dela za enak znesek ali primerljivi rezultati ob nižjih skupnih stroških. Predstavljamo tudi nov način za pospešitev najzahtevnejšega dela: ultra je naša najzmogljivejša nastavitev, ki usklajuje več agentov v vzporednih delovnih tokovih, da kompleksne naloge dokončajo hitreje. Zmogljivejša uporaba računalnika in oblikovalska presoja naredita GPT‑5.6 Sol je naš doslej najbolj dovršen sodelavec, ki pomaga pregledovati, izpopolnjevati in zagotavljati rezultate, pripravljene za uporabo.

Usposobili smo GPT‑5.6, da iz vsakega žetona iztisne več koristnega dela. Na Agents’ Last Exam⁠(odpre se v novem oknu), evalvaciji dolgotrajnih profesionalnih delovnih tokov na 55 področjih, GPT‑5.6 Sol dosega novo visoko vrednost 53,6 in za 13,1 točke prekaša Claude Fable 5 (prilagodljivo sklepanje). Tudi pri srednji ravni sklepanja prekaša Fable 5 za 11,4 točke ob približno četrtini ocenjenih stroškov. Ta učinkovitost velja tudi za manjše modele, ki so bistveni za to, da inteligenca postane bolj razširjena in cenovno dostopna: GPT‑5.6 Terra in GPT‑5.6 Luna prekašata Fable 5 pri približno šestnajstini stroškov. Na Artificial Analysis Intelligence Index⁠(odpre se v novem oknu), široki meri inteligence, ki zajema agentsko delo, kodiranje, znanstveno sklepanje in splošne zmožnosti, se GPT‑5.6 Sol z največjim sklepanjem približa Fable 5 na eno točko, pri čemer naloge dokonča v 61 % krajšem času in ob približno polovici ocenjenih stroškov.

GPT‑5.6 prihaja z našimi doslej najrobustnejšimi zaščitnimi ukrepi, zasnovanimi tako, da so odporni na vztrajno in prilagodljivo zlorabo, ne da bi pri tem na široko omejevali legitimno delo. Pred splošno razpoložljivostjo smo modele in zaščitne ukrepe podvrgli najobsežnejšemu obdobju vrednotenja doslej, pri čemer smo združili simulirano iskanje šibkih točk v nadzorovanem okolju z obsežnim avtomatiziranim preizkušanjem. V obdobju predogleda smo tesno sodelovali s strokovnimi organizacijami in zaupanja vrednimi partnerji, da bi pred širšo uvedbo temeljito preizkusili obrambne mehanizme in okrepili zaščitne ukrepe. Tako nastali sistem večplastno združuje zaščitne mehanizme, vgrajene v model med usposabljanjem, s preverjanji v realnem času, spremljanjem in dostopom, prilagojenim glede na raven zaupanja in tveganja.

GPT‑5.6 Sol je naš najbolj zmogljiv model za kodiranje doslej. Na indeksu Artificial Analysis Coding Agent Index GPT‑5.6 Sol z najvišjo stopnjo sklepanja z rezultatom 80 postavlja nov mejnik najsodobnejše zmogljivosti, kar je 2,8 točke več kot Fable 5, pri čemer uporablja manj kot polovico izhodnih žetonov, porabi manj kot polovico časa in stane približno tretjino manj. Ta prednost se razteza čez celotno družino: Terra dosega rezultate tik nad Fable 5, medtem ko Luna prekaša Opus 4.8; vsak to doseže v približno tretjini časa, s približno pol toliko izhodnimi žetoni in pri približno četrtini ocenjenega stroška. Prav tako postavlja nove najsodobnejše rezultate na Terminal‑Bench 2.1 in DeepSWE, ki preizkušata zapletene delovne tokove ukazne vrstice in dolgoročno inženirstvo v resničnih kodnih bazah.

GPT‑5.6 lahko piše in izvaja nezahtevne programe, ki usklajujejo orodja, obdelujejo vmesne rezultate, spremljajo napredek in med potekom dela izberejo naslednje dejanje. To omogoča, da naloge z veliko orodji napredujejo z manj žetoni, manj izmenjavami z modelom in manj usmerjanja. Namesto da bi morali razvijalci za vsak korak napisati skripto ali posredovati vsak odziv orodja nazaj skozi model, lahko funkcija Programmatic Tool Calling⁠(odpre se v novem oknu) v Responses API filtrira velike količine vmesnih podatkov, ohrani samo tisto, kar je pomembno, in sproti prilagaja svoj potek dela.

Pri problemih, pri katerih se večji vložek časa in računskih virov obrestuje, lahko GPT‑5.6 preseže to učinkovito privzeto nastavitev. max daje modelu GPT‑5.6 še več časa kot xhigh za sklepanje in raziskovanje alternativ, izvajanje preverjanj ter popravljanje svojega pristopa. ultra gre še dlje, saj privzeto vzporedno usklajuje štiri agente, pri čemer večjo porabo žetonov zamenja za boljše rezultate in hitrejši čas do rezultata pri zahtevnih nalogah. Spodnji grafikoni primerjajo privzeto nastavitev ultra s štirimi agenti z izhodiščno konfiguracijo z enim agentom za BrowseComp, SEC-Bench Pro in Terminal-Bench 2.1; BrowseComp in SEC-Bench Pro prikazujeta tudi konfiguracije s 16 agenti. V vseh treh vrednotenjih dodajanje vzporednih agentov premakne prelomno mejo med rezultatom in zakasnitvijo navzgor in v levo, kar prinaša boljše rezultate v krajšem času. V API-ju lahko razvijalci ustvarjajo izkušnje, podobne ultra, z uporabo večagentne beta faze v Responses API-ju.

GPT‑5.6 prinaša prelomni napredek v oblikovalski presoji. Zgolj z usmeritvami na visoki ravni GPT‑5.6 ustvarja estetsko dovršene, ergonomske in funkcionalne vmesnike. Njegove zmogljivejše zmožnosti za uporabo računalnika mu omogočajo, da pregleda in izboljša izrisani rezultat, ne le ustvari osnovno kodo ali vsebino, zato lahko zazna vizualne in funkcionalne težave ter doda končne popravke, preden delo vrne.

Zmogljivosti vmesnika GPT‑5.6 prav tako pretvarjajo zahteve v naravnem jeziku v dovršene, interaktivne razlage in vizualizacije znotraj ChatGPT Delo.

GPT‑5.6 zagotavlja boljše rezultate pri profesionalnih nalogah. Neurejen kontekst iz vaših dokumentov in vsakodnevnih delovnih tokov, kot so Slack, Notion, Microsoft 365 in Google Drive pretvori v deljive artefakte na strokovni ravni.

Zmogljivost GPT‑5.6 pri delu z znanjem se kaže v ocenah, ki zajemajo dolgoročno strokovno analizo, brskanje, uporabo orodij in računalnika. GPT‑5.6 Sol dosega nove najboljše rezultate na merilu BrowseComp z 92,2 % in OSWorld 2.0 z 62,6 %; na merilu OSWorld preseže Opus 4.8, pri tem pa uporabi 85 % manj izhodnih žetonov. Tu se izboljšave zmogljivosti na dolar kažejo v celotni družini GPT‑5.6. Luna skoraj dosega najvišja zmogljivost modela GPT‑5.5 pri manj kot polovici ocenjenih stroškov, medtem ko Terra presega to pri nižjih stroških.

GPT‑5.6 Sol izboljšuje kakovost v predstavitvah, dokumentih in preglednicah, pri čemer ustvarja rezultate, ki so bolj dodelani in natančni. Iz nič lahko ustvari predstavitve, ki jih je mogoče v celoti urejati, pri čemer poziv in izvorno gradivo pretvori v povezano vizualno pripoved z izrazitimi postavitvami, hierarhijo in oblikovanjem.

Izboljšava je še posebej izrazita pri upoštevanju predlog in referenčnih predstavitev. GPT‑5.6 lahko razbere oblikovalski sistem predstavitve — postavitve, tipografijo, razmike, barve in ponavljajoče se vzorce vsebine, vključno s pravili, vdelanimi v matrico diapozitiva — ter te konvencije dosledno uporabi pri novem gradivu. V tem primeru, ko je pozvan, naj posodobi številke na podlagi referenčne datoteke, v izhodu GPT‑5.5 manjkajo ključne komponente z matrice diapozitiva, medtem ko GPT‑5.6 bolj zvesto sledi referenčni strukturi.

GPT‑5.6 ustvarja tudi vizualno bolj izpopolnjene dokumente in preglednice. Dosledneje upošteva zapletene oblike referenc, kar je pomembno za ponovljive dejavnosti dela z znanjem. Enačbe in finančne modele obravnava z večjo natančnostjo ter bolje uporablja tipografijo, razmike, hierarhijo in postavitev strani ali delovnega lista.

Prve stranke, ki so preizkušale GPT‑5.6, so opazile izboljšave pri rezultatih dela z znanjem na različnih področjih.

GPT‑5.6 je naš doslej najzmogljivejši model za kibernetsko varnost, ki dosega prelomno zmogljivost pri bistveno manjšem številu žetonov. Na ExploitBench^2, ki meri napredek od doseganja ranljive kode do izvajanja poljubne kode, doseže 73,5 % v primerjavi z rezultatom GPT‑5.5, ki znaša 47,9 % pri primerljivem proračunu izhodnih žetonov. Na ExploitGymu³, ki od agentov zahteva, da resnične ranljivosti pretvorijo v delujoča izkoriščanja, skoraj podvoji GPT‑5.5‑jevo najvišjo stopnjo uspešnosti, s 15,1 % na 24,9 % v okviru 2 – urne omejitve; pri šestih urah doseže 33,7 %. Pri SEC-Bench Pro, ki preizkuša generiranje dokazov koncepta za kompleksno programsko opremo, dosega 71,2 % v primerjavi z modelom GPT‑5.5, ki je pokazal 45,8 % izboljšano latenco.

GPT‑5.6 podpira pomembne obrambne naloge, kot so varnostni pregled kode, nameščanje popravkov, modeliranje groženj in delo v modri ekipi. Kvalificirani posamezniki in organizacije v programu OpenAI Daybreak’s Trusted Access for Cyber⁠ lahko dostopajo do širšega obsega njegovih obrambnih zmogljivosti prek natančnejših zaščitnih ukrepov za preverjeno delo v pooblaščenih okoljih, vključno s triažo in validacijo ranljivosti, analizo zlonamerne programske opreme, inženiringom zaznavanja in validacijo popravkov.

Posamezniki lahko potrdijo svojo identiteto in zaprosijo za zaupanja vreden dostop⁠(odpre se v novem oknu), organizacije pa lahko prijavijo svoje ekipe⁠. Posamezni člani bodo morali do 1. septembra omogočiti napredno varnost računa⁠(odpre se v novem oknu) s strojno podprtimi ključi za dostop, da bodo ohranili dostop do naših najzmogljivejših kibernetsko usmerjenih modelov; tisti, ki tega ne bodo storili, bodo izgubili dostop in se vrnili na privzeti način. Uporabniki, ki še nimajo strojno podprtih ključev, lahko pri našem partnerju Yubico izkoristijo prednostne cene⁠(odpre se v novem oknu). Sprejemamo tudi dodatne ukrepe za omejitev dostopa entitetam in jurisdikcijam z visokim tveganjem.

GPT‑5.6 Sol kaže tudi široke izboljšave na področju znanstvenih raziskav. Na evalvacijah s področja ved o življenju GPT‑5.6 izkazuje Pareto izboljšave v primerjavi z GPT‑5.5 pri biologiji resničnega sveta, raziskovalnih potekih dela v vedah o življenju in kemiji.

GPT‑5.6 je naš najzmogljivejši model doslej za pospeševanje raziskav na področju umetne inteligence. V OpenAI ga raziskovalci uporabljajo v celotnem razvojnem ciklu: diagnosticiranje napak, optimizacijo sistemov za usposabljanje, izvajanje poskusov in interpretacijo rezultatov. To pospešitev in močnejšo uporabo smo opazili že med obdobjem internega testiranja GPT‑5.6, saj je bilo povprečno dnevno število izhodnih žetonov na aktivnega raziskovalca več kot dvakrat višje od visoke ravni, opažene pri GPT‑5.5.

Ta način dela hitro postaja standard. V zadnjih šestih mesecih se je delež raziskovalnih računskih virov, namenjen notranjemu sklepanju pri kodiranju, povečal za 100-krat, medtem ko se je notranja uporaba agentskih žetonov povečala približno za 22-krat. Te metrike sprejetja same po sebi ne merijo napredka raziskav, kažejo pa, kako hitro se povečuje uporaba pomoči z umetno inteligenco za raziskave in v drugih ekipah, kot so prodaja, marketing, uporabniške operacije, finance itd.

Za neposredno merjenje te zmožnosti smo razvili interni nabor evalvacij, ki temelji na resničnih raziskovalnih nalogah s področja umetne inteligence, vključno z odpravljanjem napak v raziskovalnih sistemih, optimiziranjem jeder in postopkov učenja, izvajanjem poskusov strojnega učenja ter izboljševanjem drugega modela.

Ko se zmogljivosti modelov povečujejo, krepimo naš varnostni sklop, da lahko napredna inteligenca ostane široko uporabna, hkrati pa uporabe z visoko tveganjem podvržemo strožjemu nadzoru. Za GPT‑5.6 smo zgradili svoj doslej najrobustnejši varnostni sistem, umerjen glede na zmogljivosti posameznega modela in podprt z več računske moči kot kadar koli prej.

Modeli GPT‑5.6 so zmogljivejši od naših prejšnjih modelov tako na področju biologije kot kibernetske varnosti, vendar v nobeni od teh kategorij ne presežejo kritičnega praga. Na področju kibernetske varnosti naši preizkusi kažejo, da je GPT‑5.6 boljši pri odkrivanju in odpravljanju ranljivosti kot pri zanesljivem izvajanju avtonomnih, celovitih napadov na utrjene cilje, kar branilcem daje priložnost, da okrepijo sisteme, preden so ranljivosti izkoriščene. Na področju biologije naša testiranja kažejo, da GPT‑5.6 lahko podpira legitimne raziskave, vendar ne zagotavlja celovite zmožnosti, potrebne za ustvarjanje, inženirsko zasnovo ali sintetiziranje zelo nevarne nove grožnje.

Obe področji sta po svoji naravi dvojne rabe. V kibernetski varnosti lahko iste zmožnosti, ki bi napadalcu lahko pomagale izkoristiti ranljivost, branilcu pomagajo, da jo najde, reproducira in razvije zanesljiv popravek. Prekomerno blokiranje zato samo po sebi ustvarja varnostno tveganje. To lahko branilcem prepreči preizkušanje sistemov in uvajanje popravkov, medtem ko zlonamerni akterji še naprej uporabljajo druge modele, vključno z vse bolj zmogljivimi odprtokodnimi modeli, pa tudi uveljavljena orodja. Učinkovita varovala upoštevajo kontekst in verjetne posledice zahteve, pri čemer ohranjajo legitimno obrambno delo, hkrati pa uporabljajo strožje nadzorne ukrepe tam, kjer dokazi kažejo na resno tveganje škode.

Zaščitni mehanizmi modela GPT‑5.6 so večplastno zasnovani za večjo natančnost in redundanco ter oblikovani tako, da se hitro prilagajajo ob pojavu novih napadov. Zaščitni mehanizmi, vgrajeni v model z učenjem, delujejo skupaj s preverjanji v realnem času, stalnim spremljanjem in uveljavljanjem pravil na ravni računa, da sistem ostane varen tudi, kadar določena plast ne deluje, kot je bilo predvideno. V številnih sistemih o tem, kaj blokirati, odločajo zgolj zastavice klasifikatorjev, pri čemer se zanašajo na modele z nižjo inteligenco, ki jih je težje spreminjati za preprečevanje škode. Naš pristop dodaja nadzornika sklepanja, ki pregleda pogovor, da ugotovi, ali obstaja možnost za škodo. Ta zasnova je namenjena temu, da se omogoči obrambno delo in hkrati preprečijo resne zlorabe, pri čemer so najobčutljivejše zmogljivosti prek funkcije Trusted Access pridržane za preverjene uporabnike. Ker nekateri zaščitni mehanizmi uporabljajo sklepanje v času testiranja, jih lahko hitro posodobimo, da odpravimo vrzeli, brez ponovnega učenja klasifikatorjev od začetka.

Ubiramo previdnejši pristop, medtem ko sistem še naprej krepimo za zaščito pred adaptivnimi napadi. V primerjavi s prejšnjimi modeli naš GPT‑5.6 Kibernetski zaščitni ukrepi Sol blokirajo približno desetkrat več potencialno škodljivih dejavnosti. Ker lahko ti ukrepi ustvarijo ovire pri neškodljivi uporabi, v ChatGPT‑ju in Codexu ponujamo možnost, da pozive preprosto znova poskusite z manj zmogljivimi modeli, še naprej pa bomo zmanjševali vpliv naših zaščitnih ukrepov na neškodljivo uporabo, hkrati pa ohranjali visok standard robustnosti. To odraža naš iterativni pristop k uvajanju: začnemo previdno in izboljšujemo na podlagi spoznanj iz dejanske uporabe.

Pred splošno dostopnostjo smo izvedli naša doslej najintenzivnejša varnostna vrednotenja, vključno s pooblaščenim simuliranim iskanjem šibkih točk v nadzorovanem okolju, temeljitim preizkušanjem zmogljivosti in zaščitnih ukrepov z zunanjimi strokovnjaki ter približno 700.000 GPU-urami A100e avtomatiziranega simuliranega iskanja šibkih točk po načelu črne skrinjice. To nam je omogočilo, da smo sistematično preverili verjetne šibke točke, odkrili prebijanje varnostnih mehanizmov in okrepili sistem pred uvedbo.

Popolna varnost ne obstaja, naše delo pri zagotavljanju varnosti vse zmogljivejših modelov pa se nadaljuje. Odkrite bodo nove slabosti, prav tako pa tudi nova prebijanja varnostnih mehanizmov, ki zaobidejo obstoječe zaščitne ukrepe. Vsaka nova generacija modela bo ustvarila tudi nove možnosti za napade in zlorabe. Za to realnost gradimo z večplastnimi zaščitnimi ukrepi, neprekinjenim spremljanjem, hitro sanacijo in sodelovanjem v obrambni skupnosti. Za GPT‑5.6 smo svoje obstoječe programe nagrajevanja za ranljivosti v varnosti⁠(odpre se v novem oknu) in programe nagrajevanja za biološke ranljivosti⁠ povezali z novim postopkom hitre odprave in najmočnejšim spremljanjem doslej. Ugotovitve raziskovalcev, rezultati spremljanja in primeri zlorab v resničnem svetu bodo sproti osnova za nova ocenjevanja in okrepljene zaščitne ukrepe.

Več o naših zaščitnih ukrepih si preberite v posodobljeni sistemski kartici GPT‑5.6⁠(odpre se v novem oknu).

GPT‑5.6 zajema tri ravni modelov: Sol, naš vodilni model; Terra, cenovno ugodnejši model z zmogljivostjo, primerljivo z GPT‑5.5; in Luna, naš najhitrejši in cenovno najdostopnejši model. Številka označuje generacijo, medtem ko so Sol, Terra in Luna trajne ravni zmogljivosti, ki se lahko razvijajo po svojem tempu.

GPT‑5.6 je od danes na voljo v ChatGPT‑ju, Codexu in API-ju OpenAI. Uvajanje se zdaj začenja po vsem svetu in se bo v naslednjih 24 urah postopoma nadaljevalo do polne razpoložljivosti.

• Chat: Uporabniki paketov Plus, Pro, Business in Enterprise dostopajo do GPT‑5.6 Sol prek nastavitev s srednjo in visoko ravnjo napora. Uporabniki paketov Pro in Enterprise lahko za rezultate z visoko kakovostjo pri zapletenih opravilih izberejo tudi GPT‑5.6 Sol Pro.
• ChatGPT Work in Codex: Uporabniki paketov Free in Go imajo dostop do GPT‑5.6 Terra. Uporabniki paketov Plus, Pro, Business in Enterprise lahko izbirajo med GPT‑5.6 Sol, Terra in Luna ter za vsakega nastavijo stopnjo napora. max je na voljo vsem uporabnikom z dostopom do GPT‑5.6 v izdelkih ChatGPT Delo in Codex ter ga je mogoče vklopiti v nastavitvah. V ChatGPT Delo je ultra na voljo uporabnikom paketov Pro in Enterprise. V Codexu je na voljo pri naročninah Plus in višjih paketih.
• API: Razvijalci lahko dostopajo do modelov Sol, Terra in Luna prek storitve OpenAI API. V API-ju funkcija Programmatic Tool Calling omogoča modelu GPT‑5.6, da v pomnilniku piše in izvaja programe, ki usklajujejo orodja in obdelujejo vmesne rezultate, s čimer je omogočena združljivost z ničelno hrambo podatkov (ZDR). Multiagent, ki je sprva na voljo v različici beta, omogoča modelu GPT‑5.6, da izvaja sočasne podagente in združi njihovo delo v eni sami zahtevi.

GPT‑5.6 je cenjen na 1.000.000 žetonov za tri velikosti modelov: Sol je 5 $ za vhod / 30 $ za izhod; Terra je 2,50 $ za vhod / 15 $ za izhod; Luna pa 1 $ za vhod / 6 $ za izhod. GPT‑5.6 uvaja tudi bolj predvidljivo predpomnjenje pozivov, vključno s podporo za izrecne prekinitvene točke predpomnilnika⁠(odpre se v novem oknu) in najmanj 30-minutno življenjsko dobo predpomnilnika. Za modele GPT‑5.6 in novejše se zapisi v predpomnilnik obračunavajo po 1,25-kratni ceni nepredpomnjenega vhoda modela, medtem ko branja iz predpomnilnika še naprej prejmejo 90 % popust za predpomnjene vhodne žetone.