Vi inleder en begränsad förhandsvisning av GPT‑5.6‑serien: Sol, vår mest avancerade modell, Terra, en balanserad modell för vardagliga arbetsuppgifter, och Luna, en snabb och prisvärd modell. Terra erbjuder prestanda i nivå med GPT‑5.5 till halva kostnaden, medan Luna ger hög kapacitet till vårt lägsta pris.
GPT‑5.6 Sol lanseras med vår mest robusta säkerhetsstack hittills. Vi har stärkt skydden för aktiviteter med högre risk, känsliga cyberförfrågningar och upprepat missbruk, och ägnat flera veckor åt att hitta svagheter, stresstesta vårt system och härda det mot verkliga attacker.
Vi tror på bred tillgång, och vi planerar att göra GPT‑5.6 Sol, Terra och Luna allmänt tillgängliga under de kommande veckorna. Som en del av vår löpande dialog med den amerikanska regeringen förhandsvisade vi våra planer och modellernas kapacitet inför dagens lansering. På deras begäran börjar vi med en begränsad förhandsvisning för en liten grupp betrodda partner vars medverkan har delats med regeringen, innan vi släpper modellerna bredare. Under den här förhandsperioden fortsätter vi att testa och samordna nära med partner medan vi arbetar mot bredare tillgänglighet. Vi anser inte att den här typen av process för myndighetsåtkomst bör bli standard på lång sikt. Den hindrar användare, utvecklare, företag, cyberförsvarare och globala partner som behöver de bästa verktygen från att få tillgång till dem. Vi tar det här kortsiktiga steget eftersom vi anser att det är den starkaste vägen till bredare tillgänglighet under de kommande veckorna, samtidigt som vi samarbetar med administrationen för att utveckla ramverket för cybersäkerhet i presidentordern och en process som kan återanvändas vid framtida modellanseringar.
GPT‑5.6 Sol är vår mest avancerade modell hittills. För att ge en förhandsbild av modellens prestanda presenterar vi ett urval utvärderingar som visar förbättrade agentbaserade förmågor inom programmering, biologi och cybersäkerhet. Ytterligare utvärderingar av säkerhet och beredskap finns i vårt systemkort(öppnas i ett nytt fönster). Vi kommer att publicera en mer omfattande uppsättning utvärderingsresultat när modellen blir allmänt tillgänglig.
Med GPT‑5.6 introducerar vi en ny resonemangsnivå, "max", som ger Sol ännu mer tid att resonera på djupet. Dessutom introducerar vi ett nytt läge, ultra, som går bortom vad en enskild agent kan åstadkomma genom att använda underagenter för att påskynda komplexa arbetsuppgifter.
FFör programmeringsarbetsflöden sätter GPT‑5.6 Sol en ny standard på TerminalBench 2.1, som testar arbetsflöden på kommandoraden där planering, iterativt arbete och samordning mellan verktyg krävs.
GPT‑5.6 Sol visar också breda förbättringar i arbetsflöden för biologi. På GeneBench v1, som utvärderar långsiktiga analyser inom genomik och kvantitativ biologi, uppnår den starkare resultat än GPT‑5.5 samtidigt som den använder färre token.
GPT‑5.6 Sol är vår mest avancerade modell hittills för cybersäkerhet. Den flyttar gränsen för förhållandet mellan prestanda och effektivitet för långsiktiga säkerhetsuppgifter, inklusive sårbarhetsforskning och exploatering. På ExploitBench² presterar GPT‑5.6 Sol i nivå med Mythos Preview samtidigt som den använder endast omkring en tredjedel så många utdatatoken. På ExploitGym(öppnas i ett nytt fönster)3, ett benchmark utvecklat av forskare vid UC Berkeley i samarbete med OpenAI och andra ledande AI-labb, visar GPT‑5.6 Sol, Terra och Luna tydliga förbättringar i cyberförmåga i takt med att resonemangsnivån ökar.
Vi lanserar GPT‑5.6 Sol, Terra och Luna med våra mest robusta skyddsåtgärder hittills, där varje konfiguration är anpassad efter modellens förmågor. I takt med att modellerna blir mer kapabla utformar vi skyddsåtgärder som i allt högre grad står emot verkliga antagonistiska angrepp, samtidigt som de bevarar möjligheten att utföra legitimt arbete, såsom kodgranskning, sårbarhetsforskning, utveckling av säkerhetsuppdateringar, felsökning, säkerhetsutbildning och defensiva tester. Vårt mål är att göra otillåten offensiv verksamhet svårare, mer osäker och lättare att upptäcka utan att i onödan begränsa dessa legitima användningsområden. Baserat på vår bedömning av modellen och skyddsåtgärderna förväntar vi oss betydande fördelar för legitimt defensivt arbete, samtidigt som otillåten offensiv användning begränsas på ett meningsfullt sätt.
GPT‑5.6 Sol är bättre på att hjälpa människor att hitta och åtgärda sårbarheter än på att tillförlitligt genomföra attacker från början till slut. När dessa kapaciteter fortsätter att utvecklas är vår prioritet att se till att de når och gynnar försvarare, som kan använda verktygen för att hitta svagheter, utveckla patchar och stärka system mer generellt.
GPT‑5.6 Sol når inte tröskeln för Cyber Critical enligt vårt Preparedness Framework. I utvärderingar som omfattade Chromium och Firefox identifierade modellen buggar och exploateringsprimitiver – byggstenarna i ett sårbarhetsutnyttjande – men producerade inte självständigt ett fungerande sårbarhetsutnyttjande som omfattade en fullständig attackkedja under de testade förhållandena. Benchmarktrösklar kan dock inte fånga alla sätt som en modell kan användas på eller kombineras med andra verktyg. Den osäkerheten, tillsammans med modellens bredare kapacitetssprång, är anledningen till att vi kombinerar modellens ökade förmågor med starkare skyddsåtgärder och en stegvis lansering. Vi delar mer information om våra skyddsåtgärder i GPT‑5.6 Preview system card(öppnas i ett nytt fönster).
Inget enskilt skydd räcker mot målmedvetet eller anpassningsbart missbruk. Under GPT‑5.6-förhandsvisningen använder vi skydd i flera lager, med exakta konfigurationer som varierar mellan modeller, och stresstestar dem mot verkliga attacker. De omfattar skydd som tränats in i modellen, realtidskontroller under generering, signaler på kontonivå, differentierad åtkomst, övervakning, verkställighet och fortsatt testning.
GPT‑5.6 är tränad att vägra förbjuden cyberhjälp, även när användare försöker dölja sin avsikt eller jailbreaka modellen. Dessa skydd på modellnivå etablerar den första gränsen för vad modellen bör och inte bör hjälpa till med.
Klassificerare för cyber- och biologimissbruk i realtid ger ytterligare ett lager genom att utvärdera utdata medan de genereras. I fall med högre risk kan genereringen pausas om de upptäcker en möjlig överträdelse, medan en större resonemangsmodell granskar samtalet och dess kontext. Om utdata bedöms som otillåtna hålls de tillbaka innan de når användaren.
Flaggad aktivitet kan också utlösa granskning på kontonivå över relevanta samtal och risksignaler, i enlighet med våra villkor och policyer för innehållslagring och granskning. Genom att se bortom ett enskilt samtal kan våra system skilja ihållande skadligt beteende från legitimt säkerhetsarbete med dubbla användningsområden, där liknande tekniska begrepp kan förekomma i mycket olika sammanhang.
Tillsammans gör dessa lager den övergripande metoden mer robust än något enskilt skydd på egen hand. Modellbeteendet minskar sannolikheten för skadliga svar, realtidssystem kan ingripa under generering, granskning på kontonivå kan identifiera bredare mönster, och differentierad åtkomst bevarar viktigt defensivt arbete utan att de mest känsliga kapaciteterna görs brett tillgängliga som standard.
Särskilt under förhandsperioden kan användare stöta på skydd som blockerar eller vägrar vissa förfrågningar. Andra förfrågningar kan ta längre tid eftersom genereringen pausas för ytterligare granskning. Skydden kan ibland ingripa i legitimt arbete, särskilt inom områden med dubbla användningsområden där defensiv och offensiv aktivitet till en början kan se likadan ut.
Det är en del av syftet med förhandsvisningen. Vi vill förstå inte bara om skyddsåtgärderna begränsar missbruk, utan också om legitima användare fortfarande kan utföra sitt arbete på ett tillförlitligt och effektivt sätt. Återkopplingen under förhandsvisningen kommer att hjälpa oss att minska antalet onödiga blockeringar och fördröjningar, förbättra skyddsåtgärdernas förmåga att tolka sammanhang och skapa en smidigare användarupplevelse inför den bredare lanseringen.
Vi arbetar också med företagskunder kring mer långsiktiga angreppssätt – inklusive integritetsbevarande detektion, kunddrivna säkerhetskontroller och åtkomst kalibrerad efter risken hos en kund, användare eller arbetsbelastning – för att främja säkerhet samtidigt som vi stöder företagens integritetskrav.
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.
