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(öppnas i ett nytt fönster). 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(öppnas i ett nytt fönster)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(öppnas i ett nytt fönster).
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.
Skyddsåtgärder måste också fortsätta vara effektiva när angripare anpassar sina metoder. Ett skydd som bara fungerar mot en fast uppsättning kända angrepp är inte tillräckligt robust för en AI-modell i framkant.
Därför använder vi mer intelligens och datorkraft än någonsin tidigare för att stärka säkerheten. Vi använder våra egna modeller för att identifiera svagheter och förbättra skyddsåtgärderna snabbare. Vi avsatte över 700 000 GPU-timmar, motsvarande NVIDIA A100, till automatiserad red teaming med målet att hitta universella jailbreaks – angrepp som fungerar i många olika promptar och sammanhang, inte bara i ett enskilt scenario. Genom att fokusera på dessa mer avancerade och generella angrepp kunde vi testa skyddsåtgärderna mot betydligt mer än en fast uppsättning kända brister. Det gjorde det också möjligt att utforska betydligt fler angreppsmönster än vad enbart mänskliga tester kan täcka, identifiera återkommande svagheter tidigare och förkorta tiden från att en sårbarhet upptäcks till att den åtgärdas.
Utöver automatiserad red teaming arbetade vi med tredjepartstestare för att genomföra omfattande mänsklig expertledd red teaming, vilket kommer att fortsätta under förhandsperioden. Mänsklig red teaming kompletterar det automatiserade arbetet genom att testa skydden mot kreativa experter som försöker missbruka modellen på sätt som våra system kanske inte förutser.
Ingen utvärdering kan representera varje produktkonfiguration, flerstegsattack eller verkligt arbetsflöde. Därför har vi en snabbinsatsprocess för att återskapa, bedöma, prioritera och åtgärda nyupptäckta jailbreaks, och sedan lägga till dem i våra löpande utvärderingar så att vi kan testa mot liknande fel framöver.
Under förhandsperioden kommer GPT‑5.6-modellerna inledningsvis att vara tillgängliga via API:t och Codex för en utvald grupp betrodda partner och organisationer. Vi planerar att snart göra dem mer allmänt tillgängliga för personer som använder ChatGPT, Codex och API:t.
I det nya namnsystem som introduceras med GPT‑5.6 anger siffran modellgenerationen, medan Sol, Terra och Luna betecknar långsiktiga kapacitetsnivåer som kan utvecklas i sin egen takt. Tillsammans ger modellfamiljen användare och utvecklare tydligare valmöjligheter när det gäller intelligens, hastighet och kostnad.
GPT‑5.6 prissätts per miljon token och finns i tre modellstorlekar: Sol kostar 5 USD per miljon indatatoken och 30 USD per miljon utdatatoken, Terra 2,50 USD respektive 15 USD och Luna 1 USD respektive 6 USD. GPT‑5.6 introducerar också en mer förutsägbar cachelagring av promptar, med stöd för explicita brytpunkter i cachen och en minsta cachelivslängd på 30 minuter. För GPT‑5.6 och senare modeller debiteras lagring i cachen med 1,25 gånger modellens ordinarie pris för indatatoken utan cache, medan läsningar från cachen även fortsättningsvis får 90 procents rabatt jämfört med ordinarie pris för indatatoken.
Vi lanserar också GPT‑5.6 Sol på Cerebras med hastigheter på upp till 750 token per sekund i juli, vilket ger kunder tillgång till banbrytande AI med oöverträffad hastighet. Till en början kommer tjänsten att vara tillgänglig för ett begränsat antal kunder medan vi bygger ut kapaciteten.
Vi ser fram emot att fortsätta lära oss under den här förhandsperioden och att snart göra GPT‑5.6 Sol, Terra och Luna tillgängliga för fler.
1. Vi uppskattar latens och API-kostnader genom att analysera hur våra modeller presterar i produktionsmiljö och simulera detta offline. Uppskattningarna tar hänsyn till verktygsanrop, samplade token och indatatoken. De faktiska resultaten kan skilja sig avsevärt och påverkas av många faktorer som inte fångas upp i simuleringen. Vi simulerar latens utifrån höga API-hastigheter och kostnader utifrån ordinarie API-priser.
2. Alla modeller utvärderas med ExploitBenchs API-harness, fem seeds och kontinuerligt resonemang.
3. Vi körde ExploitGym på vårt alfa-API, som genererar svar snabbare än vårt offentliga API, och skalade sedan om resultaten för att motsvara det offentliga API:ets prestanda. När latenserna skalas om till de hastigheter som förväntas för vårt offentliga API innebär det att vissa uppskattade latenser överskrider tidsgränserna på 2 respektive 6 timmar, trots att de höll sig inom gränserna under utvärderingskörningen. För högre hastigheter vid tidskänsligt arbete erbjuder vi prioriterad bearbetning i API:t och snabbläge i Codex.
4. Modeller utan rapporterade utdatatoken, latens eller kostnad visas som horisontella prickade linjer.
