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(hapet në një dritare të re). 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(hapet në një dritare të re)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(hapet në një dritare të re).
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.
Masat mbrojtëse duhet të mbeten efektive edhe kur sulmuesit përshtatin taktikat e tyre. Një mbrojtje që funksionon vetëm ndaj një grupi të pandryshueshëm sulmesh të njohura nuk është mjaftueshëm e qëndrueshme për një model avangardë.
Prandaj po përdorim më shumë inteligjencë dhe kapacitet llogaritës se kurrë më parë për sigurinë, duke përdorur modelet tona për të gjetur dobësi dhe për të përmirësuar më shpejt masat mbrojtëse. I kushtuam mbi 700 000 orë GPU ekuivalente me A100 simulim sulmesh të automatizuara për gjetjen e heqjes universale të kufizimeve mbrojtëse: sulme që mund të funksionojnë në shumë kërkesa ose kontekste, jo vetëm në një mjedis të ngushtë. Fokusimi në këto sulme më të vështira dhe më të përgjithshme na lejoi t’i testonim masat mbrojtëse përtej një grupi të pandryshueshëm dështimesh të njohura. Kjo na lejon gjithashtu të shqyrtojmë shumë më tepër modele sulmi sesa mund të mbulonte vetëm testimi njerëzor, të identifikojmë më herët modelet e dështimit dhe të shkurtojmë rrugën nga gjetja e një dobësie deri tek adresimi i saj.
Përveç simulimit të automatizuar të sulmeve, punuam me testues të palëve të treta për të kryer simulim sulmesh të gjerë nga ekspertë njerëzorë, i cili do të vazhdojë gjatë periudhës së paraafishimit. Simulimi i sulmeve me njerëz e plotëson punën e automatizuar duke testuar masat mbrojtëse ndaj ekspertëve krijues që përpiqen ta keqpërdorin modelin në mënyra që sistemet tona mund të mos i parashikojnë.
Asnjë vlerësim nuk mund të përfaqësojë çdo konfigurim produkti, sulm me shumë hapa ose rrjedhë pune në botën reale. Prandaj mbajmë një proces reagimi të shpejtë për të riprodhuar, vlerësuar, dhënl përparësi dhe korrigjuar heqjen e kufizimeve mbrojtëse të sapozbuluara, pastaj i shtojmë ato në vlerësimet tona të vazhdueshme që të mund të testojmë ndaj dështimeve të ngjashme në të ardhmen.
Gjatë paraafishimit, modelet GPT‑5.6 fillimisht do të jenë të disponueshme përmes API-së dhe Codex për një grup të përzgjedhur partnerësh dhe organizatash të besuara. Planifikojmë t’i bëjmë së shpejti më gjerësisht të disponueshme për njerëzit që përdorin ChatGPT, Codex dhe API.
Në këtë sistem të ri emërtimi të prezantuar me GPT‑5.6, numri tregon gjeneratën e modelit, ndërsa Sol, Terra dhe Luna tregojnë nivele të qëndrueshme aftësish që mund të përparojnë me ritmin e tyre. Së bashku, familja u jep njerëzve dhe zhvilluesve zgjedhje më të qarta mes inteligjencës, shpejtësisë dhe kostos.
GPT‑5.6 tarifohet për 1 milion tokenë në tri madhësi modeli: Sol kushton 5 dollarë për hyrje / 30 dollarë për dalje; Terra 2,50 dollarë për hyrje / 15 dollarë për dalje; dhe Luna 1 dollarë për hyrje / 6 dollarë për dalje. GPT‑5.6 prezanton gjithashtu memorien specifike më të parashikueshëm të kërkesave, duke përfshirë mbështetje për pika të qarta ndërprerjeje të memories specifike dhe një jetë minimale memorie specifike prej 30 minutash. Për GPT‑5.6 dhe modelet e mëvonshme, shkrimet në memorien specifike faturohen me 1,25x tarifën e hyrjes së kufirit të mungesës së memories specifike të modelit, ndërsa leximet nga memoriet specifike vazhdojnë të marrin zbritjen 90% për hyrjen e memories specifike.
Po prezantojmë gjithashtu GPT‑5.6 Sol në Cerebras deri në 750 tokenë në sekondë në korrik, duke u sjellë klientëve inteligjencë avangardë me shpejtësi të paprecedentë. Aksesi fillimisht do të kufizohet për klientë të përzgjedhur ndërsa zgjerojmë kapacitetin.
Jemi të entuziazmuar të vazhdojmë të mësojmë nga kjo periudhë paraafishimi dhe t’ua sjellim së shpejti GPT‑5.6 Sol, Terra dhe Luna më shumë njerëzve.
1. Ne vlerësojmë vonesën dhe koston e API-së duke parë sjelljen në prodhim të modeleve tona dhe duke simuluar jashtë linje. Këto vlerësime marrin parasysh detajet e thirrjeve të mjeteve, tokenët e kampionuar dhe tokenët e hyrjes. Rezultatet në botën reale mund të ndryshojnë ndjeshëm dhe varen nga shumë faktorë që nuk përfshihen në simulimin tonë. Ne simulojmë vonesën me shpejtësi të larta API-je dhe koston me çmimet e zakonshme të API-së.
2. Të gjitha modelet vlerësohen duke përdorur strukturën e API-së së ExploitBench me 5 farëza dhe vazhdimësi arsyetimi.
3. E ekzekutuam ExploitGym në API-në tonë alpha, e cila prodhon përgjigje më shpejt se API-ja jonë publike, dhe më pas e rishkallëzuam për t’u përputhur me API-në tonë publike. Kur rishkallëzojmë vonesat sipas shpejtësive të pritshme për API-në tonë publike, kjo bën që disa vonesa të vlerësuara të tejkalojnë kufijtë kohorë prej 2 orësh dhe 6 orësh, megjithëse në ekzekutimin e vlerësimit janë respektuar saktë. Për shpejtësi më të larta në punë të ndjeshme ndaj kohës, ofrojmë përpunim me përparësi në API dhe modalitet të shpejtë në Codex.
4. Modelet pa tokenë daljeje, vonesë ose kosto të raportuar paraqiten si vija horizontale me pika.
