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(เปิดในหน้าต่างใหม่). 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(เปิดในหน้าต่างใหม่)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(เปิดในหน้าต่างใหม่).
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.
มาตรการป้องกันจะต้องมีประสิทธิผลอย่างต่อเนื่อง แม้ฝ่ายโจมตีจะมีการปรับเปลี่ยนรูปแบบการโจมตี มาตรการป้องกันที่ใช้ได้เฉพาะกับชุดการโจมตีที่ทราบรูปแบบแน่ชัดนั้น ยังมีความแข็งแกร่งไม่เพียงพอสำหรับโมเดลระดับแนวหน้า
นั่นคือเหตุผลที่พวกเราทุ่มเททั้งสติปัญญาและทรัพยากรการประมวลผลให้กับงานด้านความปลอดภัยมากกว่าที่เคย โดยใช้โมเดลของเราเองเพื่อค้นหาจุดอ่อนและยกระดับมาตรการป้องกันให้รวดเร็วยิ่งขึ้น เราทุ่มเททรัพยากรการประมวลผลเทียบเท่า GPU รุ่น A100 นานกว่า 700,000 ชั่วโมง เพื่อใช้ในการทำ Red Teaming แบบอัตโนมัติ ซึ่งมีจุดประสงค์หลักเพื่อตรวจหาช่องโหว่ประเภท Universal Jailbreak หรือวิธีการโจมตีที่สามารถใช้ได้ผลในหลายบริบทหรือหลายชุดคำสั่ง ไม่ใช่แค่ในสถานการณ์เฉพาะเจาะจงเพียงอย่างเดียว การให้ความสำคัญกับการโจมตีที่มีความซับซ้อนและครอบคลุมมากขึ้น ช่วยให้เราทดสอบมาตรการป้องกันได้กว้างขวางกว่าแค่การแก้ไขจุดบกพร่องที่ทราบกันดีอยู่แล้ว นอกจากนี้ยังช่วยให้เราสำรวจรูปแบบการโจมตีได้ครอบคลุมยิ่งกว่าการทดสอบโดยมนุษย์เพียงอย่างเดียว พร้อมทั้งระบุรูปแบบความผิดพลาดได้รวดเร็วขึ้น และร่นระยะเวลาจากขั้นตอนการตรวจพบช่องโหว่ไปจนถึงการจัดการแก้ไขปัญหา
นอกเหนือจากการทำ Red Teaming แบบอัตโนมัติแล้ว เรายังร่วมมือกับผู้ทดสอบจากบุคคลที่สามเพื่อดำเนินการทำ Red Teaming โดยผู้เชี่ยวชาญมนุษย์อย่างครอบคลุมซึ่งจะดำเนินต่อไปในช่วงการทดลองใช้งาน การทำ Red Teaming โดยมนุษย์ช่วยเสริมการทำงานแบบอัตโนมัติ โดยทดสอบมาตรการป้องกันเมื่อเผชิญกับผู้เชี่ยวชาญที่มีความคิดสร้างสรรค์ซึ่งพยายามใช้โมเดลในทางที่ไม่เหมาะสมซึ่งระบบของเราอาจคาดไม่ถึง
ไม่มีการประเมินผลชุดใดที่สามารถครอบคลุมการกำหนดค่าผลิตภัณฑ์ทุกรูปแบบ รูปแบบการโจมตีหลายขั้นตอน หรือกระบวนการทำงานจริงในโลกแห่งความเป็นจริงได้ทั้งหมด ดังนั้นเราจึงจัดให้มีกระบวนการตอบสนองอย่างรวดเร็ว เพื่อทำการจำลอง ประเมินผล จัดลำดับความสำคัญ และแก้ไขช่องโหว่แบบ Jailbreak ที่ถูกค้นพบใหม่ จากนั้นจะนำช่องโหว่ดังกล่าวเข้าสู่ระบบการประเมินผลของเราอย่างต่อเนื่อง เพื่อใช้ในการทดสอบและป้องกันความล้มเหลวในลักษณะเดียวกันที่อาจเกิดขึ้นในอนาคต
ระหว่างช่วงพรีวิว โมเดล GPT‑5.6 จะเริ่มเปิดให้ใช้งานเบื้องต้นผ่านทาง API และ Codex แก่กลุ่มพันธมิตรและองค์กรที่ได้รับคัดเลือกและมีความน่าเชื่อถือก่อน เราวางแผนที่จะเปิดให้ผู้ใช้งาน ChatGPT, Codex และ API เข้าถึงสิ่งเหล่านี้ได้ในวงกว้างมากขึ้นเร็วๆ นี้
ภายใต้ระบบการตั้งชื่อใหม่ที่เปิดตัวพร้อมกับ GPT‑5.6 ตัวเลขจะระบุถึงเจเนอเรชันของโมเดล ส่วน Sol, Terra และ Luna จะแบ่งระดับความสามารถของโมเดลไว้ ซึ่งสามารถพัฒนาและก้าวหน้าไปได้ตามจังหวะการพัฒนาเฉพาะของแต่ละระดับ โมเดลตระกูลนี้ช่วยให้ผู้ใช้และนักพัฒนาสามารถตัดสินใจเลือกใช้โมเดลได้อย่างชัดเจนยิ่งขึ้น โดยครอบคลุมทั้งในด้านระดับความฉลาด ความเร็ว และต้นทุน
อัตราค่าบริการของ GPT‑5.6 คิดตามจำนวนโทเค็นทุกๆ 1 ล้านโทเค็นสำหรับโมเดล 3 ระดับ โดย Sol มีราคาอินพุตที่ 5 ดอลลาร์และเอาต์พุตที่ 30 ดอลลาร์ ส่วน Terra มีราคาอินพุตที่ 2.50 ดอลลาร์และเอาต์พุตที่ 15 ดอลลาร์ ในขณะที่ Luna มีราคาอินพุตที่ 1 ดอลลาร์และเอาต์พุตที่ 6 ดอลลาร์ GPT‑5.6 ยังได้เปิดตัวระบบการแคชพรอมต์ที่มีความเสถียรยิ่งขึ้น โดยรองรับการกำหนดจุดพักแคชอย่างชัดเจน รวมถึงการรับประกันอายุของแคชขั้นต่ำที่ 30 นาที สำหรับโมเดล GPT‑5.6 และรุ่นถัดไป การเขียนข้อมูลลงแคชจะคิดค่าบริการในอัตรา 1.25 เท่าของราคาอินพุตปกติ ในขณะที่การอ่านข้อมูลจากแคชยังคงได้รับส่วนลด 90% ของราคาอินพุต
นอกจากนี้ เราจะเปิดตัว GPT‑5.6 Sol บนแพลตฟอร์ม Cerebras ในเดือนกรกฎาคมนี้ โดยสามารถประมวลผลได้สูงสุดถึง 750 โทเค็นต่อวินาที ซึ่งถือเป็นการนำขีดความสามารถระดับแนวหน้ามาสู่ผู้ใช้งานด้วยความเร็วที่ไม่เคยมีมาก่อน ในระยะแรกระบบจะเปิดให้เข้าถึงได้เฉพาะกลุ่มลูกค้าที่ได้รับการคัดเลือกเท่านั้น
เรามีความมุ่งมั่นที่จะเก็บเกี่ยวประสบการณ์จากการทดลองใช้งานในช่วงนี้ พร้อมทั้งมีแผนที่จะขยายการเข้าถึง GPT‑5.6 ทั้งสามรุ่น ได้แก่ Sol, Terra และ Luna ให้แก่ผู้ใช้งานในวงกว้างเร็วๆ นี้
1. เราประเมินค่าความหน่วงและต้นทุนของ API โดยพิจารณาจากพฤติกรรมการใช้งานจริงของโมเดลในสภาวะการทำงานปกติ ควบคู่ไปกับการจำลองสถานการณ์แบบออฟไลน์ การประมาณการดังกล่าวครอบคลุมถึงรายละเอียดของการเรียกใช้เครื่องมือ จำนวนโทเค็นที่สุ่มตัวอย่าง และจำนวนโทเค็นอินพุตทั้งหมด ผลลัพธ์ในสถานการณ์จริงอาจมีความแตกต่างอย่างมีนัยสำคัญ และขึ้นอยู่กับปัจจัยหลายประการที่ไม่ได้ถูกนำมาพิจารณาในการจำลองของเรา เราทำการจำลองค่าความหน่วงโดยใช้อัตราความเร็วของ API ระดับสูง และประเมินต้นทุนตามโครงสร้างราคาปกติของ API
2. โมเดลทั้งหมดได้รับการประเมินโดยใช้ ExploitBench API โดยกำหนดค่า seed ไว้ที่ 5 และใช้การประเมินความต่อเนื่องของการใช้เหตุผล
3. เราใช้ ExploitGym กับ API เวอร์ชันอัลฟาของเรา ซึ่งสร้างคำตอบได้เร็วกว่าบน API สาธารณะ จากนั้นจึงปรับสเกลผลลัพธ์ให้สอดคล้องกับ API สาธารณะของเรา การปรับเวลาในการตอบสนองให้สอดคล้องกับความเร็วที่คาดสำหรับ API สาธารณะ ส่งผลให้เวลาในการตอบสนองที่ประเมินได้บางส่วนเกินขีดจำกัด 2 ชั่วโมงและ 6 ชั่วโมง ทั้งที่ในการประเมินจริงยังอยู่ภายในเวลาที่กำหนด เพื่อให้ได้ความเร็วที่สูงขึ้นสำหรับงานที่ต้องการความรวดเร็วเป็นพิเศษ เรามีการประมวลผลแบบเร่งด่วนใน API และโหมดเร็วใน Codex
4. โมเดลที่ไม่มีการระบุจำนวนโทเค็นเอาต์พุต ค่าความหน่วง หรือต้นทุน จะถูกแสดงบนกราฟด้วยเส้นประแนวนอน
