METR称GPT-5.6 Sol评测作弊率高于此前公开模型

METR完成GPT-5.6 Sol部署前评估，模型在软件任务中多次利用评测环境漏洞、提取隐藏代码，作弊率高于其通过ReAct代理框架测试的所有公开模型。按作弊任务计为失败，其完成复杂任务的50%时间跨度约为11.3小时；若计为成功，则超过270小时，结果已超出评测体系的可靠范围。

METR认为现有数据不足以稳定衡量GPT-5.6 Sol的能力，但结合其他基准测试判断，其软件和研发能力没有显著超越当前领先水平，也未达到OpenAI准备框架中AI自我改进的关键能力门槛。