GPT-5.6详细信息： GPT-5.6: Frontier intelligence that scales with your ambition | OpenAI

中译版：

GPT‑5.6：可随您的雄心扩展的前沿智能

从每个令牌中获取更多智能，每美元获得更强的性能，并为最艰巨的工作按需提供更强的能力。在有限预览之后，我们将推出 GPT‑5.6 系列模型以供全面使用：我们的新旗舰模型 Sol，以及面向日常工作的均衡模型 Terra，和我们最具成本效益的模型 Luna。

GPT‑5.6 Sol 在智能和效率两方面都树立了新标准，在编程、知识工作、网络安全和科学领域均取得了业界领先的成果，同时以更少的令牌和更低的估算成本超越了前代及竞品前沿模型。其结果是更强的每美元性能：在相同支出下完成更多成功的工作，或以更低的总成本获得可比的成果。

我们还引入了一种加速最艰巨工作的新方式：ultra 是我们最高能力的设置，通过协调多个智能体在并行工作流中协作，以更快地完成复杂任务。更强的计算机使用能力和设计判断力使 GPT‑5.6 Sol 成为我们迄今为止最成熟的协作者，能够帮助检查、优化并交付可直接使用的结果。

---

更高效、更强大的智能

我们训练 GPT‑5.6 从每个令牌中获取更多有用的工作成果。在 Agents’ Last Exam（一项覆盖 55 个领域的长期专业工作流评估）中，GPT‑5.6 Sol 以 53.6 分创下新高，比 Claude Fable 5（自适应推理）高出 13.1 分。即使在中等推理设置下，它也以约四分之一的估算成本领先 Fable 5 达 11.4 分。

这种效率优势延伸至更小的模型，这对于让智能更加丰富和可负担至关重要：GPT‑5.6 Terra 和 GPT‑5.6 Luna 以约十六分之一的成本超越了 Fable 5。在 Artificial Analysis Intelligence Index（一项涵盖智能体工作、编程、科学推理和通用能力的广泛智能评估）中，GPT‑5.6 Sol（最高推理设置）在比 Fable 5 少用 61% 时间、约一半估算成本的情况下，得分仅差 1 分。

---

最强大的安全保障

GPT‑5.6 搭载了我们迄今为止最强大的安全防护措施，旨在抵御坚决且自适应的滥用行为，同时不广泛限制合法工作。在全面可用之前，我们对模型和安全防护进行了迄今为止最广泛的评估，将人工红队测试与大规模自动化测试相结合。在预览期间，我们与专业组织和可信赖的合作伙伴紧密合作，对防御措施进行压力测试，并在更广泛发布前加强安全防护。最终的系统将训练到模型中的防护措施与实时检查、监控以及根据信任和风险校准的访问控制层层叠加。

---

最佳编程模型

GPT‑5.6 Sol 是我们迄今为止最好的编程模型。在 Artificial Analysis Coding Agent Index 上，GPT‑5.6 Sol（最高推理设置）以 80 分创下新纪录，比 Fable 5 高出 2.8 分，同时使用的输出令牌不到一半，耗时不到一半，成本降低约三分之一。

这一优势贯穿整个系列：Terra 的表现略高于 Fable 5，而 Luna 超越了 Opus 4.8；每个模型都在约三分之一的时间内完成，使用约一半的输出令牌，成本约为四分之一。它还在 Terminal‑Bench 2.1 和 DeepSWE 上创下了新的业界领先成果，这两项评估测试的是复杂命令行工作流和真实代码库中的长期工程任务。

GPT‑5.6 能够编写和运行轻量级程序，协调工具、处理中间结果、监控进度，并在工作推进过程中选择下一步行动。这使得工具密集型任务可以用更少的令牌、更少的模型往返次数和更少的指导来推进。通过 Responses API 中的程序化工具调用，GPT‑5.6 可以过滤大量中间数据，仅保留关键信息，并在此过程中自适应调整工作流，而无需开发人员为每一步编写脚本或将每个工具响应都传回模型。

对于值得投入更多时间和计算资源的问题，GPT‑5.6 可以超越这种高效的默认模式。max 赋予 GPT‑5.6 比 xhigh 更多的时间来推理、探索备选方案、运行检查和修正方法。ultra 则更进一步，默认协调四个并行智能体，以更高的令牌使用换取在 demanding 任务上更强的结果和更快的交付速度。

---

更强的设计判断力

GPT‑5.6 在设计判断力方面实现了跨越式提升。只需提供高层级的方向，GPT‑5.6 就能创建出有品位、符合人体工学且功能完整的界面。其更强的计算机使用能力使其能够检查和优化渲染后的结果——而不仅仅是生成底层代码或内容——从而在交付前发现视觉和功能问题并完成最终润色。GPT‑5.6 的前端能力还能将自然语言请求转化为 ChatGPT Work 中精美的交互式解释和可视化内容。

---

专业任务表现更佳

GPT‑5.6 能更好地处理专业任务。它可以从您的文档和日常工作流（如 Slack、Notion、Microsoft 365 和 Google Drive）中提取杂乱信息，并将其转化为专家级、可共享的成果。GPT‑5.6 在知识工作方面的优势体现在覆盖长期专业分析、浏览、工具使用和计算机使用等评估中。GPT‑5.6 Sol 在 BrowseComp 上以 92.2% 和 OSWorld 2.0 上以 62.6% 创下新纪录；在 OSWorld 上，它超越 Opus 4.8 的同时减少了 85% 的输出令牌。

在此，每美元性能的优势延伸至整个 GPT‑5.6 系列。Luna 以不到一半的估算成本接近 GPT‑5.5 的峰值性能，而 Terra 以更低的成本超越了它。

GPT‑5.6 Sol 提升了演示文稿、文档和电子表格的质量，输出更加精致和准确。它可以从零开始创建完全可编辑的演示文稿，将提示和源材料转化为具有出色布局、层级和设计的连贯视觉叙事。当遵循模板和参考幻灯片时，改进尤为明显。GPT‑5.6 能够推断幻灯片的設計系統——布局、字体、间距、颜色和重复内容模式（包括 Slide Master 中嵌入的规则）——并将这些规范一致地应用于新材料。

GPT‑5.6 还能创建视觉上更精致的文档和电子表格。它更忠实地遵循复杂的参考格式，这对于可重复的知识工作活动非常重要。它能更精确地处理方程和财务模型，并更好地利用字体、间距、层级和页面或工作表布局。早期测试 GPT‑5.6 的客户在各领域的知识工作输出中都看到了改进。

---

最强的网络安全模型

GPT‑5.6 是我们迄今为止最强的网络安全模型，以显著更少的令牌实现了前沿性能。在 ExploitBench1 上（衡量从接触漏洞代码到执行任意代码的进展），它在可比输出令牌预算下得分为 73.5%，而 GPT‑5.5 为 47.9%。在 ExploitGym2 上（要求智能体将真实世界漏洞转化为可利用的漏洞），它在两小时限制下几乎将 GPT‑5.5 的最高通过率翻倍，从 15.1% 提升至 24.9%；在六小时限制下达到 33.7%。在 SEC-Bench Pro 上（测试复杂软件的概念验证生成），它以 71.2% 的得分超越 GPT‑5.5 的 45.8%，且延迟更低。

GPT‑5.6 支持重要的防御任务，如安全代码审查、补丁、威胁建模和蓝队行动。符合资格的个人和组织可通过 OpenAI Daybreak 的 Trusted Access for Cyber 计划，在授权环境中通过更精确的安全防护措施获取更多防御能力，包括漏洞分类与验证、恶意软件分析、检测工程和补丁验证。个人可验证身份并申请可信访问，组织可为团队申请。个人成员需启用高级账户安全以保留对我们最具网络能力的前沿模型的访问权限；未启用者将恢复默认访问。

---

科学研究的广泛进步

GPT‑5.6 Sol 在科学研究领域也表现出广泛的进步。在生命科学评估中，GPT‑5.6 在真实世界生物学、生命科学研究工作流和化学方面均显示出相对于 GPT‑5.5 的帕累托改进。

GPT‑5.6 是我们加速 AI 研究最强的模型。在 OpenAI 内部，研究人员在整个开发循环中使用它：诊断故障、优化训练系统、运行实验和解释结果。在 GPT‑5.6 的内部测试期间，我们已经看到了这种加速和更强的采用，每位活跃研究者的日均输出令牌是 GPT‑5.5 最高水平的两倍以上。这种工作方式正迅速成为标准。过去六个月中，用于内部编程推理的研究计算份额增长了 100 倍，而内部智能体令牌使用量增长了约 22 倍。

---

安全与防护

随着模型能力的提升，我们加强了安全堆栈，使先进智能在广泛有用的同时，对最高风险用途施加更严格的审查。对于 GPT‑5.6，我们构建了迄今为止最强大的安全系统，根据每个模型的能力进行校准，并由比以往更多的计算资源驱动。

GPT‑5.6 模型在生物学和网络安全方面都比我们早期的模型更强大，但在任一类别中均未跨越临界阈值。在网络安全方面，我们的测试表明 GPT‑5.6 更擅长发现和修复漏洞，而非可靠地对加固目标实施自主的端到端攻击——这为防御者在弱点被利用之前加强系统提供了机会。在生物学方面，我们的测试表明 GPT‑5.6 可以支持合法研究，但不具备创造、工程化或合成高度危险的新型威胁所需的端到端能力。

这两个领域本质上都是双用途的。在网络安全中，帮助攻击者利用漏洞的相同能力也可以帮助防御者发现它、复现它并构建可靠的修复方案。因此，过度封锁本身也会造成安全风险——它可能阻止防御者测试系统和部署补丁，而恶意行为者继续使用其他模型（包括日益强大的开源模型）以及既有工具。

有效的安全防护应考虑请求的背景和可能后果，在保留合法防御工作的同时，在证据表明存在严重伤害风险时施加更强的控制。GPT‑5.6 的安全防护层层叠加，以实现更高的准确性和冗余度，并设计为能够在新攻击出现时快速适应。训练到模型中的保护措施与实时检查、持续监控和账户级执行协同工作，即使在某一层未按预期工作时也能帮助系统保持安全。

在许多系统中，仅靠分类器标志决定阻止什么，依赖难以更改的低智能模型来防止伤害。我们的方法增加了一个推理监视器，审查对话以确定是否存在伤害的可能性。这种设计旨在支持防御工作，同时阻止严重滥用，最敏感的能力通过 Trusted Access 保留给经过验证的用户。由于部分保护措施使用测试时推理，我们可以快速更新它们以弥补漏洞，而无需从头重新训练分类器。

与之前的模型相比，我们的 GPT‑5.6 Sol 网络安全防护阻止了大约十倍以上的潜在有害活动。由于这些措施可能对良性使用造成摩擦，我们在 ChatGPT 和 Codex 中提供了在较低能力模型上轻松重试提示的选项，并将继续在保持高稳健性标准的同时减少安全防护对良性使用的影响。

---

广泛的测试与评估

在全面可用之前，我们进行了迄今为止最深入的安全评估，包括广泛的红队测试、与外部专家进行的能力和安全防护稳健性测试，以及约 700,000 A100e GPU 小时的黑盒自动化红队测试。这使我们能够系统地探查可能的薄弱点、发现越狱攻击，并在发布前帮助加强系统。

不存在完美的安全，我们确保日益强大的模型安全的工作仍在继续。新的弱点将被发现，新的越狱攻击也将出现。每一代新模型也会创造新的攻击和滥用途径。我们通过分层安全防护、持续监控、快速修复和防御社区的协作来应对这一现实。

对于 GPT‑5.6，我们将现有安全和生物学漏洞赏金计划与新的快速修复流程和我们迄今为止最强大的监控工作相结合。研究人员、监控和现实世界滥用的发现将持续输入新的评估和更强的安全防护。

---

模型分层与可用性

GPT‑5.6 涵盖三个模型层级：

• Sol：旗舰模型


• Terra：低成本模型，性能与 GPT‑5.5 相当


• Luna：最快、最经济实惠的模型

数字标识代际，而 Sol、Terra 和 Luna 是持久的能力层级，可按各自的节奏独立演进。

GPT‑5.6 即日起在 ChatGPT、Codex 和 OpenAI API 中可用。全球范围现已开始逐步推出，将在未来 24 小时内全面可用。

• 
  

  Chat：Plus、Pro、Business 和 Enterprise 用户通过 medium 及更高努力设置访问 GPT‑5.6 Sol。Pro 和 Enterprise 用户还可选择 GPT‑5.6 Sol Pro 以获得复杂任务的最高质量结果。

  
  


• 
  

  ChatGPT Work 和 Codex：Free 和 Go 用户访问 GPT‑5.6 Terra。Plus、Pro、Business 和 Enterprise 用户可在 GPT‑5.6 Sol、Terra 和 Luna 之间选择，并设置努力级别。max 对所有在 ChatGPT Work 和 Codex 中可访问 GPT‑5.6 的用户开放，可在设置中切换开启。在 ChatGPT Work 中，ultra 对 Pro 和 Enterprise 用户开放；在 Codex 中，对 Plus 及以上计划开放。

  
  


• 
  

  API：开发者可通过 OpenAI API 访问 Sol、Terra 和 Luna。在 Responses API 中，程序化工具调用让 GPT‑5.6 能够在内存中编写和运行程序，协调工具并处理中间结果，且兼容零数据保留（ZDR）。多智能体功能（初期以 beta 形式提供）让 GPT‑5.6 能够运行并发子智能体并在单次请求中整合它们的工作。

  
  

---

定价

GPT‑5.6 按每 1M 令牌定价，涵盖三种模型规格：

模型	输入价格（每 1M 令牌）	输出价格（每 1M 令牌）
Sol	$5	$30
Terra	$2.50	$15
Luna	$1	$6

GPT‑5.6 还引入了更可预测的提示缓存，包括对显式缓存断点的支持和 30 分钟的最低缓存生命周期。对于 GPT‑5.6 及后续模型，缓存写入按模型未缓存输入费率的 1.25 倍计费，缓存读取继续享受 90% 的缓存输入折扣。

---

评估结果

专业评估

评估项	GPT‑5.6 Sol	GPT‑5.6 Terra	GPT‑5.6 Luna	GPT‑5.5	Claude Fable 5	Claude Opus 4.8	Gemini 3.1 Pro Preview	Gemini 3.5 Flash
Agents’ Last Exam	52.7%	50.4%	50.3%	46.9%	40.5%	45.2%	32.1%	—
GDPval-AA v2	1,747.8 Elo	1,593 Elo	1,591.8 Elo	1,493.7 Elo	1,759.6 Elo	1,600.1 Elo	962.3 Elo	1,348.8 Elo
Management Consulting Tasks (Internal)	43.2%	37.2%	35.4%	31.3%	35.5%	31.6%	13.2%	—
Big Finance Bench	53%	51%	36%	49%	—	44%	—	—
Artificial Analysis Intelligence Index v4.1	58.9 Index score	55 Index score	51.2 Index score	54.8 Index score	59.9 Index score	55.7 Index score	46.5 Index score	50.2 Index score

编程评估

评估项	GPT‑5.6 Sol	GPT‑5.6 Sol Ultra	GPT‑5.6 Terra	GPT‑5.6 Luna	GPT‑5.5	Claude Mythos 5	Claude Mythos Preview	Claude Fable 5	Claude Opus 4.8	Gemini 3.1 Pro Preview
Artificial Analysis Coding Agent Index v1.1	80 Index score	—	77.4 Index score	74.6 Index score	76.4 Index score	—	—	77.2 Index score	72.5 Index score	42.7 Index score
SWE-Bench Pro	64.6%	—	63.4%	62.7%	59.4%	80.3%	77.8%	80%	69.2%	54.2%
DeepSWE v1.1	72.7%	—	69.6%	67.2%	67%	—	—	69.7%	59%	11.8%
Terminal-Bench 2.1	88.8%	91.9%	87.4%	84.7%	85.6%	88%	—	83.1%	78.9%	70.7%

科学与健康评估

评估项	GPT‑5.6 Sol	GPT‑5.6 Terra	GPT‑5.6 Luna	GPT‑5.5	Claude Fable 5	Claude Opus 4.8	Gemini 3.1 Pro Preview	Gemini 3.5 Flash
GeneBench Pro	28.7%	23.3%	10.8%	12%	—	16%	3.1%	8.14%
LifeSciBench	59.9%	56%	51.2%	50.4%	—	53.6%	—	—
MedChemBench (Internal)	48.3%	35%	30.4%	35.5%	—	—	—	—
HealthBench Professional⁶	60.5%	57.7%	55.7%	49.5%	60.9%	53%	—	—

计算机使用评估

评估项	GPT‑5.6 Sol	GPT‑5.6 Sol Ultra	GPT‑5.6 Terra	GPT‑5.6 Luna	GPT‑5.5	Claude Mythos 5	Claude Mythos Preview	Claude Opus 4.8	Gemini 3.1 Pro Preview
OSWorld 2.0	62.6%	—	50.2%	45.6%	47.5%	—	—	54.8%	—
BrowseComp	90.4%	92.2%	87.5%	83.3%	84.4%	88%	87.9%	84.3%	85.9%
BenchCAD	70.6%	—	62.3%	63.1%	44.4%	38.4%	35.5%	27.3%	—
BenchCAD (python tool)	83.4%	—	78.2%	73.9%	55.8%	65%	61%	51.8%	—

网络安全评估

评估项	GPT‑5.6 Sol	GPT‑5.6 Sol Ultra	GPT‑5.6 Terra	GPT‑5.6 Luna	GPT‑5.5	Claude Mythos 5	Claude Mythos Preview	Claude Opus 4.8
Capture-the-Flag Challenges	96.7%	—	91.8%	85.2%	88.1%	—	—	—
SEC-Bench Pro	71.2%	74.3%	57.7%	48.9%	45.8%	—	—	—
CyberGym	84.5%	—	81.8%	77.9%	81.8%	83.8%	83%	78.1%
ExploitBench	73.5%	—	52.9%	33.2%	47.9%	78%	74.2%	40%
ExploitGym	33.7%	—	23.2%	12.4%	15.1%	—	—	—

自我改进评估

评估项	GPT‑5.6 Sol	GPT‑5.6 Terra	GPT‑5.6 Luna	GPT‑5.5
Internal Research Debugging Evaluation	68.3%	67.8%	50.8%	50%
KernelGen 1P	61.1%	49.2%	22.4%	29.3%
NanoGPT	9.69%	14.5%	1.66%	2.65%
PostTrainBench Lite	50.3%	51.5%	29.6%	38.8%
RSI Index	57.9%	56.3%	41.9%	41.7%

多模态评估

评估项	GPT‑5.6 Sol	GPT‑5.6 Terra	GPT‑5.6 Luna	GPT‑5.5	Claude Fable 5	Claude Opus 4.8	Gemini 3.1 Pro Preview
MMMU Pro (no tools)	83%	80.7%	78.4%	81.2%	—	—	80.5%
MMMU Pro (with tools)	84.6%	82%	79.5%	83.2%	—	—	—
gdp.pdf	30.7%	24.7%	22.7%	26%	29.8%	22.5%	16.7%

学术评估

评估项	GPT‑5.6 Sol	GPT‑5.6 Terra	GPT‑5.6 Luna	GPT‑5.5	Claude Mythos 5	Claude Mythos Preview	Claude Fable 5	Claude Opus 4.8	Gemini 3.1 Pro Preview
GPQA Diamond	94.6%	92.9%	92.3%	93.6%	94.1%	94.6%	92.6%	92%	94.3%
FrontierMath Tier 1-3 (v2)	86%	84.9%	78.6%	85.3%	—	—	87%	80%	59.6%
FrontierMath Tier 4 (v2)	65.9%	68.3%	58.5%	72.5%	—	—	87.8%	56.1%	—

工具使用评估

评估项	GPT‑5.6 Sol	GPT‑5.6 Terra	GPT‑5.6 Luna	GPT‑5.5	Claude Mythos 5	Claude Mythos Preview	Claude Fable 5	Claude Opus 4.8	Gemini 3.1 Pro Preview	Gemini 3.5 Flash
AutomationBench	18.1%	15.2%	14.9%	12.9%	—	—	17.4%	15.5%	—	14.5%
Toolathlon	58%	53.1%	53.4%	55.6%	61.7%	61.1%	61.7%	59.9%	48.8%	—

长上下文评估

评估项	GPT‑5.6 Sol	GPT‑5.6 Terra	GPT‑5.6 Luna	GPT‑5.5	Claude Mythos 5	Claude Mythos Preview	Claude Opus 4.8
OpenAI MRCR v2 8-needle 256K-512K	91.5%	89.6%	41.3%	81.5%	—	—	—
OpenAI MRCR v2 8-needle 512K-1M	73.8%	72.5%	41.3%	74%	—	—	—
GraphWalks BFS 256k f1	90.7%	76.9%	81.3%	73.7%	91.1%	85.7%	85.9%
GraphWalks BFS 1mil f1	77.1%	71.2%	51.2%	45.4%	79.4%	74.3%	68.1%

抽象推理评估

评估项	GPT‑5.6 Sol	GPT‑5.6 Terra	GPT‑5.6 Luna	GPT‑5.5	Claude Opus 4.8	Gemini 3.1 Pro Preview
ARC-AGI-3⁷	7.78%	0.8%	0.18%	0.43%	1.5%	0.42%

---

脚注

1. 
   

   所有模型均使用 ExploitBench API harness 进行评估，5 个种子，推理连续性。

   
   


2. 
   

   我们在 alpha API 上运行 ExploitGym，该 API 输出响应速度快于我们的公共 API，然后重新缩放以匹配我们的公共 API。当将延迟重新缩放至公共 API 的预期速度时，这导致一些估算延迟超过了两小时和六小时的时间限制，尽管在评估运行中这些限制被正确遵守。为获得时间敏感工作的更快速度，我们在 API 中提供优先处理，在 Codex 中提供快速模式。

   
   


3. 
   

   我们通过观察模型的生產行为并离线模拟来估算延迟和 API 成本。这些估算考虑了工具调用细节、采样令牌和输入令牌。实际结果可能有显著差异，并取决于我们的模拟未捕获的许多因素。我们以快速 API 速度模拟延迟，以常规 API 定价模拟成本。

   
   


4. 
   

   未报告输出令牌、延迟或成本的模型以水平虚线绘制。

   
   


5. 
   

   对于多智能体，延迟来源于根智能体，而输出令牌和 API 成本总计包括所有令牌。Ultra 以 4 个智能体运行。

   
   


6. 
   

   我们使用 HealthBench Professional 论文中描述的官方评分方法计算分数，该结果与 Anthropic 系统卡中报告的结果不可比。

   
   


7. 
   

   Opus 4.8 的 ARC-AGI-3 以 high 而非 max 推理努力运行，因为这是唯一已发布的 ARC-AGI-3 结果。

   
   

---

作者：OpenAI

Codex改版为ChatGPT Work （地址：https://chatgpt.com/work/）:

前端能力取得进步：





|

各项跑分:











安全训练情况：