跳至主要內容
OpenAI

2026年6月26日

產品發布

預覽 GPT‑5.6 Sol:新世代模型

載入中…

我們開始有限度預覽 GPT‑5.6 系列:Sol,我們的旗艦模型;Terra,適合日常工作的平衡型模型;以及 Luna,快速且平價的模型。Terra 的效能足以與 GPT‑5.5 競爭,同時價格便宜一半;Luna 則以我們最低的成本帶來強大能力。

GPT‑5.6 Sol 推出時搭載我們迄今最穩健的安全堆疊。我們強化了對較高風險活動、敏感網路安全請求和反覆濫用的保護,並花費數週尋找弱點、對系統進行壓力測試,強化其抵禦真實世界攻擊的能力。

我們相信應提供廣泛存取,並計畫在未來幾週內讓 GPT‑5.6 Sol、Terra 和 Luna 普遍可用。作為我們與美國政府持續互動的一部分,我們在今天發布前預覽了計畫與模型能力。應其要求,在更廣泛發布之前,我們先對一小群值得信賴的合作夥伴展開有限預覽,且其參與情況已與政府共享。在這次預覽期間,我們將繼續測試,並在邁向更廣泛供應的過程中與合作夥伴密切協調。我們不認為這種政府存取流程應成為長期預設做法。這會讓需要最佳工具的使用者、開發者、企業、網路防禦者和全球合作夥伴無法取得這些工具。我們採取這項短期措施,是因為我們認為這是在未來幾週實現更廣泛供應的最有力路徑;同時,我們也正與政府合作制定網路安全行政命令框架,以及未來模型發布可重複採用的流程。

能力

GPT‑5.6 Sol 是我們迄今最強的模型。為了預覽模型效能,我們分享一組評估,重點呈現程式設計、生物學與網路安全方面提升的智慧體式能力;更多安全與整備評估可在我們的 系統說明卡(在新視窗中開啟)中查看。當我們讓此模型更廣泛可用時,會分享更完整的一套評估結果。

在 GPT‑5.6 中,我們導入新的 max 推理強度,讓 Sol 有最充裕的時間進行深入推理。此外,我們也推出新的 ultra 模式,透過運用子智慧體加速複雜工作,超越單一智慧體的能力。

在程式設計工作流程方面,GPT‑5.6 Sol 在 Terminal‑Bench 2.1 上樹立了新的最高水準;該測試評估需要規劃、反覆迭代與工具協調的命令列工作流程。

GPT‑5.6 Sol 在生物學工作流程中也展現全面進步。在 GeneBench v1 上,該評估衡量長期跨度的基因體學與定量生物學分析;它使用更少 Token,取得比 GPT‑5.5 更強的結果。

GPT‑5.6 Sol 是我們迄今在網路安全方面能力最強的模型。它推進了長期跨度安全任務的效能效率前沿,包括漏洞研究與漏洞利用。在 ExploitBench² 上,GPT‑5.6 Sol 僅使用約 1/3 的輸出 Token,就能與 Mythos Preview 競爭。在 ExploitGym(在新視窗中開啟)3 上,這是 UC Berkeley 研究人員與 OpenAI 及其他前沿實驗室合作建立的基準;隨著我們提高推理強度,GPT‑5.6 Sol、Terra 和 Luna 模型都展現出網路安全能力的大幅提升。

更強的網路安全能力,搭配更強的防護措施

我們以迄今最穩健的防護措施開發 GPT‑5.6 Sol、Terra 和 Luna,並讓各項配置對應每個模型的能力。隨著模型能力提升,我們設計的防護措施也要更能承受真實世界中的對抗壓力,同時保留對正當工作的存取,例如程式碼審查、漏洞研究、修補程式開發、除錯、安全教育與防禦性測試。我們的目標是在不必要限制這些有益用途的前提下,讓被禁止的攻擊性活動更困難、更不確定且更容易被偵測。根據我們對模型與防護措施的評估,我們預期它會為正當防禦工作帶來重大益處,同時有效限制被禁止的攻擊性使用。

GPT‑5.6 Sol 更擅長協助人們尋找並修復漏洞,而不是可靠地執行端到端攻擊。隨著這些能力持續進步,我們的優先事項是確保它們能交到防禦者手中並使其受益,讓防禦者能利用這些工具尋找弱點、開發修補程式,並更廣泛地強化系統。

依據我們的 應變整備框架,GPT‑5.6 Sol 未跨越 Cyber Critical 門檻。在涉及 Chromium 和 Firefox 的評估中,它識別出錯誤與漏洞利用原語,也就是構成漏洞利用的基本元件;但在測試條件下,並未自主產生可運作的完整攻擊鏈漏洞利用。不過,基準門檻無法涵蓋模型可能被使用或與其他工具結合的每一種方式。正因為存在這種不確定性,加上模型能力整體出現大幅躍升,我們才會以更強的防護措施和分階段發布,搭配模型提升後的能力。我們在 GPT‑5.6 預覽系統說明卡(在新視窗中開啟)中分享更多防護措施細節。

分層防護堆疊

沒有任何單一防護措施足以應對意圖明確或具適應性的濫用行為。在 GPT‑5.6 預覽中,我們使用分層防護措施;各模型的確切配置有所不同,並透過真實世界攻擊情境進行壓力測試。這些措施包括訓練進模型內的保護、生成期間的即時檢查、帳戶層級訊號、差異化存取、監控、執法與持續測試。

GPT‑5.6 經過訓練,會拒絕被禁止的網路安全協助,包括使用者試圖隱藏意圖或對模型進行越獄時。這些模型層級防護措施為模型應該和不應該協助的事項建立第一道防線。

即時網路安全與生物濫用分類器會在輸出生成時加以評估,提供另一層防護。對於較高風險案例,如果偵測到可能違規,生成可能會暫停,交由較大型的推理模型審查對話及其脈絡。如果輸出被評定為不允許,就會在送達使用者前被攔截。

遭標記的活動也可能觸發帳戶層級審查,涵蓋相關對話與風險訊號,並符合我們有關內容保留與審查的條款和政策。超越單一對話來觀察,有助於我們的系統區分持續惡意行為與正當的雙用途安全工作;在這些工作中,相似的技術概念可能出現在截然不同的脈絡裡。

這些層級結合起來,使整體防護比任何單一防護措施更穩健。模型行為會降低產生有害回應的可能性,即時系統可在生成期間介入,帳戶層級審查可識別更廣泛的模式,而差異化存取則能保留重要防禦工作,同時不把最敏感的能力預設廣泛開放。

特別是在預覽期間,使用者可能會遇到阻擋或拒絕某些請求的防護措施。其他請求可能需要更長時間,因為生成會暫停以進行額外審查。防護措施有時可能會介入正當工作,尤其是在防禦性與攻擊性活動一開始可能看起來相似的雙用途領域。

這正是預覽旨在測試的內容之一。我們想了解的不只是防護措施是否能限制濫用,也包括正當使用者能否仍然可靠且有效率地完成一般工作。預覽期間的意見回饋將協助我們減少不必要的阻擋與延遲、改善防護措施解讀脈絡的方式,並在更廣泛發布前創造更順暢的體驗。

我們也正與企業客戶合作,探索較長期的方法,包括保護隱私的偵測、由客戶操作的安全控制,以及依客戶、使用者或工作負載風險校準的存取權,以在支援企業隱私要求的同時推進安全。

以自動化紅隊演練提升穩健性

即使攻擊者調整戰術,防護措施也必須持續有效。只對一組固定已知攻擊有效的保護,對前沿模型而言還不夠穩健。

因此,我們正以前所未有的智慧與運算資源投入安全工作,利用自己的模型更快找出弱點並改進防護措施。我們投入超過 700,000 個 A100 等效 GPU 小時進行自動化紅隊演練,目標是找出越獄:也就是能跨越多種提示詞或情境奏效,而不只限於單一狹窄設定的攻擊。聚焦於這些更困難、更通用的攻擊,讓我們能在固定已知失敗案例之外測試防護措施。這也讓我們能探索遠多於單靠人工測試所能涵蓋的攻擊模式,更早識別失敗模式,並縮短從發現弱點到修補弱點的時間。

除了自動化紅隊演練外,我們也與第三方測試人員合作,進行廣泛的人類專家紅隊演練,且這項工作會在預覽期間持續進行。人類紅隊演練可補足自動化方法,讓有創意的專家嘗試以我們系統未必能預期的方式濫用模型,進而測試防護措施。

沒有任何評估能涵蓋每一種產品設定、多步驟攻擊或真實世界工作流程。因此,我們維持快速回應流程,用於重現、評估、排定優先順序並修補新發現的越獄,再將其納入持續評估,以便未來測試類似失敗情況。

供應情況與定價

預覽期間,GPT‑5.6 模型一開始將透過 API 和 Codex 提供給特定值得信賴的合作夥伴與組織。我們計畫很快將其更廣泛提供給使用 ChatGPT、Codex 和 API 的人。

在 GPT‑5.6 引入的這套新命名系統中,數字代表模型世代,而 Sol、Terra 與 Luna 則代表可依各自節奏演進的長期能力層級。整個系列讓使用者與開發者能在智慧、速度與成本之間做出更清楚的選擇。

GPT‑5.6 依三種模型大小按每 100 萬 Token 定價:Sol 為輸入 $5/輸出 $30;Terra 為輸入 $2.50/輸出 $15;Luna 為輸入 $1/輸出 $6。GPT‑5.6 也推出更可預期的提示詞快取,包括支援明確的快取中斷點,以及 30 分鐘的最低快取存續時間。對 GPT‑5.6 及後續模型,快取寫入將按該模型未快取輸入費率的 1.25 倍計費,而快取讀取則繼續享有快取輸入 90% 折扣。

我們也將於 7 月在 Cerebras 上推出 GPT‑5.6 Sol,速度最高可達每秒 750 個 Token,以前所未有的速度將前沿智慧帶給客戶。在我們擴充容量期間,存取權一開始將限於特定客戶。

我們很期待在這段預覽期間持續學習,並很快把 GPT‑5.6 Sol、Terra 和 Luna 帶給更多人。


1. 我們透過觀察模型在生產環境中的行為並進行離線模擬,來估算延遲與 API 成本。這些估算納入工具呼叫細節、取樣 Token 與輸入 Token。真實世界結果可能有很大差異,且取決於許多未納入模擬的因素。我們以快速 API 速度模擬延遲,並以一般 API 定價模擬成本。

2. 所有模型皆使用 ExploitBench API 任務執行框架,以 5 個種子和推理連續性進行評估。

3. 我們在 alpha API 上執行 ExploitGym,該 API 輸出回應的速度比公開 API 更快,之後再重新縮放以符合公開 API。將延遲重新縮放至公開 API 預期速度時,會導致部分估計延遲超過 2 小時和 6 小時的時間限制,儘管在評估執行中其實已正確遵守限制。若要為時間敏感的工作取得更快速度,我們在 API 提供優先處理,在 Codex 提供快速模式。

4. 未回報輸出 Token、延遲或成本的模型,會以水平虛線繪製。

作者

OpenAI