OpenAI 预览新一代模型 GPT-5.6 Sol

我们正在启动 GPT‑5.6 系列的限量预览：Sol，我们的旗舰模型；Terra，一款面向日常工作、性能均衡的模型；以及 Luna，一款快速且价格实惠的模型。Terra 的性能可与 GPT‑5.5 相媲美，同时价格便宜 2 倍，而 Luna 以我们最低的成本带来强大的能力。

GPT‑5.6 Sol 发布时搭载了我们迄今为止最稳健的安全体系。我们加强了对高风险活动、敏感网络请求和反复滥用行为的防护，并花费数周时间寻找弱点、对我们的系统进行压力测试，并针对真实世界的攻击对其进行加固。

我们相信应当实现广泛的可及性，并计划在未来几周内让 GPT‑5.6 Sol、Terra 和 Luna 全面开放。作为我们与美国政府持续沟通的一部分，我们在今天发布之前预览了我们的计划以及这些模型的能力。应他们的要求，我们先面向一小群可信合作伙伴启动限量预览，其参与情况已与政府共享，随后再更广泛地发布。在此预览期间，我们将继续测试并与合作伙伴密切协调，以推动实现更广泛的可及性。我们认为这种政府访问流程不应成为长期的默认做法。它会让用户、开发者、企业、网络防御者和全球合作伙伴无法获得他们所需的最佳工具。我们采取这一短期举措，是因为我们相信这是在未来几周内实现更广泛可及性的最强路径，同时我们正与政府合作制定网络行政命令框架以及面向未来模型发布的可重复流程。

能力

GPT‑5.6 Sol 是我们迄今为止最强的模型。为了预览模型性能，我们分享了一组评估结果，重点展示其在编程、生物学和网络安全方面提升的智能体能力，更多安全与准备度评估可在我们的系统卡⁠中查看。当模型广泛开放使用后，我们将分享更全面的评估结果套件。

借助 GPT‑5.6，我们引入了一种新的max推理强度，让 Sol 拥有最充裕的时间进行深度推理。此外，我们还引入了一种新的ultra模式，通过利用子智能体来加速复杂工作，从而超越单一智能体的能力。

在编程工作流方面，GPT‑5.6 Sol 在Terminal‑Bench 2.1上创下新的 SOTA，该基准测试考察需要规划、迭代和工具协调的命令行工作流。

TerminalBench 2.1

GPT‑5.6 Sol 在生物学工作流方面也展现出广泛提升。在GeneBench v1上，该基准评估长周期基因组学和定量生物学分析，它取得了比 GPT‑5.5 更强的结果，同时使用的 token 更少。

GPT‑5.6 Sol 是我们迄今为止网络安全能力最强的模型。它推动了长周期安全任务的性能-效率前沿，涵盖漏洞研究与漏洞利用。在 ExploitBench² 上，GPT‑5.6 Sol 仅使用约 1/3 的输出 token 即可与 Mythos Preview 相抗衡。在 ExploitGym⁠ 3 上——这是由 UC Berkeley 研究人员与 OpenAI 及其他前沿实验室合作创建的基准——随着我们提升推理能力，GPT‑5.6 Sol、Terra 和 Luna 模型均展现出网络能力的显著提升。

更强的网络能力，配以更强的安全保障

我们在开发 GPT‑5.6 Sol、Terra 和 Luna 时，采用了迄今为止最稳健的安全保障措施，并为每个模型的能力匹配了相应的配置。随着模型能力不断增强，我们设计的安全保障也日益能够抵御现实世界的对抗性压力，同时保留对合法工作的访问，例如代码审查、漏洞研究、补丁开发、调试、安全教育以及防御性测试。我们的目标是让被禁止的进攻性活动变得更加困难、更加不确定、更易被检测，同时不过度限制这些有益的用途。基于我们对模型和安全保障的评估，我们预期合法防御性工作将获得实质性收益，同时被禁止的进攻性用途将受到有效约束。

GPT‑5.6 Sol 更擅长帮助人们发现和修复漏洞，而非可靠地执行端到端攻击。随着这些能力持续进步，我们的首要任务是确保它们能够惠及防御方，让他们可以利用这些工具发现弱点、开发补丁，并更广泛地加固系统。

在我们的防范框架⁠下，GPT‑5.6 Sol 并未跨越网络关键阈值。在涉及 Chromium 和 Firefox 的评估中，它识别出了漏洞和利用原语——即漏洞利用的构建模块——但在所测试的条件下，并未自主生成可用的全链条漏洞利用。尽管如此，基准阈值无法涵盖模型可能被使用或与其他工具结合的所有方式。这种不确定性，加上该模型在能力上的更广泛阶跃式提升，正是我们将模型增强的能力与更强的安全保障以及分阶段发布相结合的原因。我们在GPT‑5.6 预览版系统卡⁠中分享了更多关于安全保障的细节。

分层安全保障体系

面对蓄意或自适应式的滥用，没有任何单一保障措施是足够的。在整个 GPT‑5.6 预览版中，我们采用分层保障措施，具体配置因模型而异，并针对真实世界的攻击对其进行压力测试。这些措施包括训练进模型中的防护、生成过程中的实时检查、账户级信号、差异化访问、监控、执法以及持续测试。

GPT‑5.6 经过训练，会拒绝被禁止的网络协助请求，包括当用户试图伪装其意图或对模型进行越狱时。这些模型层面的保障措施确立了模型应该和不应该提供协助的第一道边界。

实时网络与生物滥用分类器提供了另一层防护，在内容生成过程中对输出进行评估。对于风险较高的案例，如果分类器检测到潜在违规，生成可能会暂停，同时由更大的推理模型审查该对话及其上下文。如果输出被判定为不允许，则会在到达用户之前被拦截。

被标记的活动还可能触发跨相关对话和风险信号的账户级审查，这符合我们关于内容保留和审查的条款与政策。不局限于单次对话有助于我们的系统区分持续的恶意行为与合法的双用途安全工作，后者中相似的技术概念可能出现在截然不同的语境中。

这些防护层共同作用，使整体方案比任何单一保障措施都更加稳健。模型行为降低了有害回复的可能性，实时系统可以在生成过程中进行干预，账户级审查可以识别更广泛的模式，而差异化访问则在保留重要防御性工作的同时，不会让最敏感的能力默认被广泛获取。

尤其是在预览期间，用户可能会遇到阻止或拒绝某些请求的保障措施。其他请求可能会耗时更长，因为生成被暂停以进行额外审查。保障措施偶尔可能会干预合法工作，尤其是在防御性和攻击性活动最初看起来相似的双用途领域。

这正是该预览版旨在测试的部分内容。我们不仅想了解这些防护措施能否限制滥用行为，还想了解合法用户是否仍能可靠、高效地完成正常工作。预览期间的反馈将帮助我们减少不必要的拦截和延迟，改进防护措施对上下文的理解方式，并在更广泛发布之前打造更顺畅的体验。

我们还在与企业客户合作探索更长期的方案——包括隐私保护检测、由客户运营的安全控制，以及根据客户、用户或工作负载的风险程度来校准访问权限——以在推进安全的同时满足企业隐私要求。

通过自动化红队测试提升鲁棒性

当攻击者调整其策略时，防护措施也需要保持有效。仅对一组固定的已知攻击有效的防护，对于前沿模型来说不够鲁棒。

正因如此，我们在安全方面投入了比以往更多的智能和算力，利用我们自己的模型来发现弱点并更快地改进防护措施。我们投入了超过 700,000 A100 等效 GPU 小时用于自动化红队测试，目标是发现通用越狱：即能够跨多种提示词或上下文起作用的攻击，而不仅仅是在某一个狭窄场景中有效。聚焦于这些更难、更通用的攻击，使我们能够在固定的一组已知失败之外测试防护措施。这也让我们能够探索远超人工测试所能覆盖的攻击模式，更早地识别失败模式，并缩短从发现弱点到解决弱点的路径。

除了自动化红队测试之外，我们还与第三方测试人员合作，开展了广泛的人类专家红队测试，这一工作将在预览期间持续进行。人类红队测试是对自动化工作的补充，它通过让富有创造力的专家尝试以我们的系统可能无法预料的方式滥用模型，来检验各项防护措施。

没有任何评估能够代表每一种产品配置、多步攻击或真实世界的工作流程。因此，我们维持一套快速响应流程，以复现、评估、排定优先级并修复新发现的越狱手法，随后将其加入我们持续进行的评估中，以便我们能在未来针对类似的失效情况进行测试。

可用性与定价

在预览期间，GPT‑5.6 模型将首先通过 API 和 Codex 向一组精选的可信合作伙伴和组织开放。我们计划很快将其更广泛地提供给使用 ChatGPT、Codex 和 API 的用户。

在随 GPT‑5.6 引入的这一全新命名体系中，数字标识模型的代际，而 Sol、Terra 和 Luna 则标识可持续的能力层级，这些层级可以按各自的节奏演进。它们共同构成了一个模型家族，为用户和开发者提供了在智能、速度和成本方面更清晰的选择。

GPT‑5.6 按每 1M tokens 计价，共三种模型规格：Sol 为 $5 输入 / $30 输出；Terra 为 $2.50 输入 / $15 输出；Luna 为 $1 输入 / $6 输出。GPT‑5.6 还引入了更可预测的提示词缓存，包括支持显式缓存断点以及最短 30 分钟的缓存存活时间。对于 GPT‑5.6 及之后的模型，缓存写入按该模型未缓存输入价格的 1.25x 计费，而缓存读取则继续享受 90% 的缓存输入折扣。

我们还将于 7 月在 Cerebras 上推出 GPT‑5.6 Sol，速度最高可达每秒 750 tokens，以前所未有的速度为客户带来前沿智能。随着我们扩大容量，访问权限最初将仅限于部分客户。

我们很高兴能继续从这段预览期中学习，并很快将 GPT‑5.6 Sol、Terra 和 Luna 带给更多人。

我们通过观察模型的生产环境行为并在离线环境中进行模拟，来估算延迟和 API 成本。这些估算考虑了工具调用细节、采样的 tokens 以及输入 tokens。真实世界的结果可能会有显著差异，并取决于我们的模拟未能捕捉的许多因素。我们按快速 API 速度模拟延迟，按常规 API 定价模拟成本。
所有模型均使用 ExploitBench API 测试框架进行评估，采用 5 个随机种子并保持推理连续性。
我们在 alpha API 上运行了 ExploitGym，其响应输出速度比我们的公开 API 更快，随后再重新缩放以匹配公开 API。当把延迟重新缩放到公开 API 预期的速度时，这会导致部分估算延迟超过 2 小时和 6 小时的时限，尽管在评测运行中这些时限是被正确遵守的。为了在时间敏感的工作中获得更快的速度，我们在 API 中提供优先处理⁠，并在 Codex 中提供快速模式⁠。
未报告输出 token、延迟或成本的模型以水平虚线绘制。