GPT-5.6: Передовые технологии интеллекта, масштабируемые в соответствии с вашими амбициями | OpenAI
Больше интеллекта от каждого токена, более высокая производительность на вложенный доллар и больше возможностей по запросу для выполнения самых сложных задач.
- Эффективность по умолчанию, максимальная производительность по запросу.
- Прорыв в дизайне
- Комплексная работа с знаниями.
- Расширение границ в области кибербезопасности и науки.
- GPT-5.6 ускоряет работу OpenAI.
- Повышение уровня безопасности и защищенности за счет расширения возможностей.
- Наличие и цены
- Эффективность по умолчанию, максимальная производительность по запросу.
- Прорыв в дизайне
- Комплексная работа с знаниями.
- Расширение границ в области кибербезопасности и науки.
- GPT-5.6 ускоряет работу OpenAI.
- Повышение уровня безопасности и защищенности за счет расширения возможностей.
- Наличие и цены
После ограниченного предварительного показа мы запускаем в широкую продажу семейство моделей GPT-5.6 : наш новый флагманский ноутбук Sol , а также Terra , сбалансированную модель для повседневной работы, и Luna , нашу самую экономичную модель.
GPT-5.6 Sol устанавливает новый стандарт как в интеллектуальном, так и в эффективном управлении, достигая передовых результатов в программировании, обработке информации, кибербезопасности и науке, превосходя при этом предыдущие и конкурирующие модели с меньшим количеством токенов и меньшей расчетной стоимостью. Результатом является более высокая производительность на доллар: больше успешной работы при тех же затратах или сопоставимые результаты при меньшей общей стоимости. Мы также представляем новый способ ускорения самых ресурсоемких задач: ultra — это наш самый мощный режим, координирующий работу нескольких агентов в параллельных рабочих потоках для более быстрого выполнения сложных задач. Более эффективное использование вычислительных ресурсов и продуманный подход к проектированию делают GPT-5.6 Sol нашим самым совершенным помощником на сегодняшний день, помогая ему анализировать, дорабатывать и предоставлять готовые к использованию результаты.
Мы обучили GPT-5.6 извлекать больше полезной информации из каждого токена. На последнем экзамене агентов (открывается в новом окне) , оценивающем длительные профессиональные рабочие процессы в 55 областях, GPT-5.6 Sol устанавливает новый рекорд в 53,6 балла, превзойдя Claude Fable 5 (адаптивное рассуждение) на 13,1 балла. Даже при среднем уровне рассуждения он превосходит Fable 5 на 11,4 балла при примерно четверти расчетной стоимости. Эта эффективность распространяется и на более мелкие модели, которые необходимы для того, чтобы сделать интеллект более доступным и экономичным: GPT-5.6 Terra и GPT-5.6 Luna превосходят Fable 5 примерно в 16 раз дешевле. По индексу искусственного интеллекта (Artificial Analysis Intelligence Index ) (открывается в новом окне) , широкому показателю интеллекта, охватывающему агентную работу, программирование, научное мышление и общие способности, GPT-5.6 Sol с максимальным уровнем рассуждений отстает от Fable 5 всего на один балл, выполняя задачи на 61% быстрее и примерно вдвое дешевле, чем предполагалось.
GPT-5.6 запускается с самыми надежными на сегодняшний день средствами защиты, разработанными для противодействия целенаправленному и адаптивному злоупотреблению без существенного ограничения законной работы. Перед выпуском в широкую продажу мы провели самую масштабную оценку моделей и средств защиты, сочетая тестирование на практике с крупномасштабным автоматизированным тестированием. В ходе предварительного тестирования мы тесно сотрудничали с экспертными организациями и надежными партнерами, чтобы проверить защиту и усилить меры безопасности перед более широким запуском. В результате система объединяет встроенные в модель средства защиты с проверками в реальном времени, мониторингом и доступом, откалиброванными в соответствии с уровнем доверия и риска.
Эффективность по умолчанию, максимальная производительность по запросу.
GPT-5.6 Sol — наша лучшая модель программирования на сегодняшний день. В индексе Artificial Analysis Coding Agent Index модель GPT-5.6 Sol с максимальным уровнем логического мышления устанавливает новый рекорд, набрав 80 баллов, что на 2,8 балла выше, чем у Fable 5, при этом используя менее половины выходных токенов, затрачивая менее половины времени и примерно на треть меньше затрат. Это преимущество распространяется на все семейство моделей: Terra показывает результаты чуть выше, чем у Fable 5, а Luna превосходит Opus 4.8; каждая из них делает это примерно за треть времени, используя примерно вдвое меньше выходных токенов и примерно за четверть расчетной стоимости. Она также устанавливает новые рекордные результаты в Terminal-Bench 2.1 и DeepSWE, которые тестируют сложные рабочие процессы командной строки и долгосрочную разработку в реальных кодовых базах.
GPT-5.6 позволяет писать и запускать легковесные программы, которые координируют работу инструментов, обрабатывают промежуточные результаты, отслеживают ход выполнения и выбирают следующее действие по мере развития работы. Это позволяет выполнять ресурсоемкие задачи с меньшим количеством токенов, меньшим количеством обращений к модели и меньшим объемом подсказок. Вместо того чтобы требовать от разработчиков написания скриптов на каждом шаге или передачи каждого ответа инструмента обратно в модель, программный вызов инструментов (открывается в новом окне) в API ответов может фильтровать большие объемы промежуточных данных, сохранять только то, что важно, и адаптировать свой рабочий процесс по ходу работы.
Для задач, требующих больших временных и вычислительных затрат, GPT-5.6 может выйти за рамки этого эффективного варианта по умолчанию. max предоставляет GPT-5.6 еще больше времени, чем xhigh, для анализа и изучения альтернатив, проведения проверок и корректировки подхода. ultra идет еще дальше, координируя по умолчанию четыре агента параллельно, жертвуя более высоким потреблением токенов ради более высоких результатов и более быстрого получения результатов в сложных задачах. На диаграммах ниже сравнивается конфигурация ultra с четырьмя агентами по умолчанию и базовая конфигурация с одним агентом в BrowseComp, SEC-Bench Pro и Terminal-Bench 2.1; BrowseComp и SEC-Bench Pro также показывают конфигурации с 16 агентами. Во всех трех оценках добавление параллельных агентов сдвигает границу оценки-задержки вверх и влево, достигая более высоких результатов за меньшее время. В API разработчики могут создавать аналогичные ultra решения, используя бета-версию многоагентного режима в Responses API.
« GPT-5.6 — одна из самых мощных моделей, протестированных нами на CursorBench, показавшая стабильные результаты на ранних этапах оценки. Это важный шаг вперед для разработчиков в плане сохранения данных, интеллектуальных функций и общей эффективности. Мы с нетерпением ждем возможности представить эту модель нашим пользователям Cursor».
Прорыв в дизайне
GPT-5.6 обеспечивает кардинальный сдвиг в подходах к проектированию. Используя лишь общие указания, GPT-5.6 создает элегантные, эргономичные и функциональные интерфейсы. Более мощные возможности компьютера позволяют ему проверять и дорабатывать визуализированный результат — не только генерировать базовый код или контент — выявляя визуальные и функциональные проблемы и внося завершающие штрихи перед отправкой работы обратно.
Возможности интерфейса GPT-5.6 также преобразуют запросы на естественном языке в отточенные интерактивные объяснения и визуализации в рамках ChatGPT Work.
Комплексная работа с знаниями.
GPT-5.6 обеспечивает лучшие результаты для профессиональных задач. Он обрабатывает неструктурированный контекст ваших документов и повседневных рабочих процессов, таких как Slack, Notion, Microsoft 365 и Google Drive, и преобразует его в экспертные, доступные для совместного использования документы.
Сильные стороны GPT-5.6 в работе с интеллектуальным капиталом проявляются в оценках, охватывающих долгосрочный профессиональный анализ, просмотр веб-страниц, использование инструментов и работу с компьютером. GPT-5.6 Sol устанавливает новые передовые результаты на BrowseComp (92,2%) и OSWorld 2.0 (62,6%); на OSWorld он превосходит Opus 4.8, используя при этом на 85% меньше выходных токенов. Здесь прирост производительности на доллар распространяется на все семейство GPT-5.6. Luna почти достигает пиковой производительности GPT-5.5 при стоимости менее половины расчетной, а Terra превосходит ее при более низкой стоимости.
GPT-5.6 Sol повышает качество презентаций, документов и электронных таблиц, создавая более отполированные и точные результаты. Он позволяет создавать полностью редактируемые презентации с нуля, преобразуя запрос и исходный материал в связное визуальное повествование с четкой структурой, иерархией и дизайном.
Улучшение особенно заметно при использовании шаблонов и эталонных презентаций. GPT-5.6 может определять систему дизайна презентации — макеты, типографику, интервалы, цвета и повторяющиеся шаблоны контента, включая правила, встроенные в мастер-слайд, — и последовательно применять эти правила к новому материалу. В этом примере, когда требуется обновить числа на основе эталонного файла, в выходных данных GPT-5.5 отсутствуют ключевые компоненты из мастер-слайда, в то время как GPT-5.6 более точно следует эталонной структуре.
Справочный файл
Выход GPT-5.5
Выход GPT-5.6
GPT-5.6 также создает более визуально привлекательные документы и электронные таблицы. Он более точно следует сложным форматам ссылок, что важно для повторяющихся задач интеллектуального труда. Он обрабатывает уравнения и финансовые модели с большей точностью и лучше использует типографику, интервалы, иерархию и макет страницы или листа.
Первые пользователи, тестировавшие GPT-5.6, отметили улучшение результатов работы с интеллектуальным трудом в различных областях.
« GPT-5.6 демонстрирует заметную эффективность в сложных и длительных рабочих процессах, необходимых для создания приложений производственного уровня. Как одна из моделей, используемых Lovable, она позволяет пользователям сократить количество шагов примерно на 25% и количество обращений к инструментам на 35–48% по сравнению с предыдущей моделью, одновременно повышая успешность проекта и сокращая количество зависаний на 15%. Это существенное отличие для любого, кто пытается перейти от идеи к работающему приложению».
Расширение границ в области кибербезопасности и науки.
GPT-5.6 — наша самая мощная модель кибербезопасности на сегодняшний день, достигающая передовых показателей при значительно меньшем количестве токенов. На ExploitBench 2, измеряющем прогресс от обнаружения уязвимого кода до произвольного выполнения кода, она показывает результат 73,5% против 47,9% у GPT-5.5 при сопоставимом бюджете выходных токенов. На ExploitGym 3 , где агентам предлагается превратить реальные уязвимости в работающие эксплойты, она почти вдвое превосходит пиковый показатель GPT-5.5, с 15,1% до 24,9% при двухчасовом лимите; при шести часах она достигает 33,7%. На SEC-Bench Pro, тестирующем генерацию прототипов на сложном программном обеспечении, она показывает результат 71,2% против 45,8% у GPT-5.5 при улучшенной задержке.
GPT-5.6 поддерживает важные задачи защиты, такие как проверка кода на безопасность, установка исправлений, моделирование угроз и работа «синих команд». Квалифицированные лица и организации, участвующие в программе OpenAI Daybreak «Доверенный доступ к кибербезопасности » , могут получить доступ к расширенным возможностям защиты благодаря более точным мерам безопасности для проверенной работы в авторизованных средах, включая сортировку и проверку уязвимостей, анализ вредоносного ПО, разработку средств обнаружения и проверку исправлений.
Физические лица могут подтвердить свою личность и запросить доверенный доступ (открывается в новом окне) , а организации могут подать заявку на доступ для своих команд. Для сохранения доступа к нашим наиболее защищенным от киберугроз моделям необходимо включить расширенную защиту учетной записи (открывается в новом окне) с аппаратными ключами доступа до 1 сентября; те, кто этого не сделает, вернутся к стандартному доступу. Пользователи, у которых еще нет аппаратных ключей доступа, могут получить льготные цены (открывается в новом окне) от нашего партнера, Yubico. Мы также предпринимаем дополнительные шаги для ограничения доступа для организаций высокого риска и в юрисдикциях высокого риска.
GPT-5.6 Sol также демонстрирует значительные улучшения в различных областях научных исследований . В оценках в области биологических наук GPT-5.6 показывает улучшение по Парето по сравнению с GPT-5.5 в реальных условиях биологии, рабочих процессах исследований в области биологических наук и химии.
GPT-5.6 ускоряет работу OpenAI.
GPT-5.6 — наша самая мощная на сегодняшний день модель для ускорения исследований в области ИИ. Внутри OpenAI исследователи используют её на всех этапах разработки: для диагностики сбоев, оптимизации систем обучения, проведения экспериментов и интерпретации результатов. Мы уже наблюдали ускорение и более широкое внедрение GPT-5.6 во время внутреннего тестирования: среднее количество токенов, получаемых активным исследователем ежедневно, более чем в два раза превысило максимальный уровень, наблюдавшийся для GPT-5.5.
Такой способ работы быстро становится стандартом. За последние шесть месяцев доля вычислительных ресурсов, выделяемых на внутреннее программирование, выросла в 100 раз, а использование внутренних агентных токенов увеличилось примерно в 22 раза. Эти показатели внедрения сами по себе не отражают прогресс исследований, но они показывают, как быстро растет использование ИИ в исследованиях и в других командах, таких как продажи, маркетинг, пользовательские операции, финансы и другие.
Для непосредственной оценки этой возможности мы разработали внутренний набор оценочных инструментов, основанных на реальных задачах исследований в области ИИ, включая отладку исследовательских систем, оптимизацию ядер и алгоритмов обучения, проведение экспериментов по машинному обучению и улучшение другой модели.
Повышение уровня безопасности и защищенности за счет расширения возможностей.
По мере расширения возможностей моделей мы укрепляем наш комплекс мер безопасности, чтобы передовые интеллектуальные функции оставались широко применимыми, одновременно уделяя больше внимания наиболее рискованным вариантам использования. Для GPT-5.6 мы создали нашу самую надежную на сегодняшний день систему безопасности, откалиброванную под возможности каждой модели и использующую вычислительные мощности, превосходящие все предыдущие.
Модели GPT-5.6 превосходят наши предыдущие модели как в области биологии, так и в кибербезопасности, но не достигают критического порога ни в одной из этих категорий. В области кибербезопасности, согласно нашим тестам, GPT-5.6 лучше справляется с поиском и устранением уязвимостей, чем с надежным проведением автономных сквозных атак на защищенные цели, предоставляя защитникам возможность укрепить системы до того, как будут использованы слабые места. В области биологии, согласно нашим тестам, GPT-5.6 может поддерживать легитимные исследования, но не обеспечивает сквозных возможностей, необходимых для создания, проектирования или синтеза крайне опасной новой угрозы.
Обе области по своей сути являются сферами двойного назначения. В кибербезопасности те же возможности, которые могут помочь злоумышленнику использовать уязвимость, могут помочь защитнику обнаружить её, воспроизвести и создать надёжное решение. Таким образом, чрезмерная блокировка создаёт собственный риск безопасности. Она может помешать защитникам тестировать системы и развертывать исправления, в то время как злоумышленники продолжают использовать другие модели, включая всё более совершенные модели с открытым исходным кодом, а также устоявшиеся инструменты. Эффективные меры защиты учитывают контекст и вероятные последствия запроса, сохраняя законную работу по защите и применяя более строгие меры контроля там, где доказательства указывают на серьёзный риск причинения вреда.
Защитные механизмы GPT-5.6 многоуровневы для повышения точности и избыточности, а также разработаны для быстрой адаптации к появлению новых атак. Защитные механизмы, заложенные в модель, работают совместно с проверками в реальном времени, непрерывным мониторингом и обеспечением безопасности на уровне учетных записей, помогая системе оставаться безопасной даже в тех случаях, когда какой-либо из уровней работает не так, как задумано. Во многих системах только флаги классификатора определяют, что блокировать, полагаясь на модели с более низким уровнем интеллекта, которые сложнее изменить для предотвращения вреда. Наш подход добавляет монитор рассуждений, который анализирует разговор, чтобы определить, существует ли потенциальная угроза. Такая конструкция призвана обеспечить защиту, блокируя при этом серьезные злоупотребления, а наиболее важные возможности зарезервированы для проверенных пользователей через доверенный доступ. Поскольку некоторые защитные механизмы используют рассуждения во время тестирования, мы можем быстро обновлять их для устранения пробелов без переобучения классификаторов с нуля.
Мы придерживаемся более консервативного подхода, продолжая укреплять систему против адаптивных атак. По сравнению с предыдущими моделями, наши средства киберзащиты GPT-5.6 Sol блокируют примерно в десять раз больше потенциально вредоносной активности. Поскольку эти меры могут создавать препятствия для безопасного использования, мы предоставляем в ChatGPT и Codex возможность легко повторять запросы на моделях с меньшими возможностями, и мы будем продолжать снижать влияние наших средств защиты на безопасное использование, сохраняя при этом высокий уровень надежности. Это отражает наш итеративный подход к развертыванию: начинать с консервативных мер и совершенствоваться на основе того, что мы узнаем из реального использования.
Перед выпуском в широкую продажу мы провели самые интенсивные на сегодняшний день оценки безопасности, включая масштабное тестирование на уязвимости, тщательное тестирование возможностей и средств защиты с привлечением внешних экспертов, а также приблизительно 700 000 часов автоматизированного тестирования на уязвимости с использованием графического процессора A100e. Это позволило нам систематически выявлять потенциальные слабые места, обнаруживать возможности взлома и помогло нам улучшить систему перед запуском.
Идеальной безопасности не существует, и наша работа по обеспечению безопасности все более совершенных моделей продолжается. Будут обнаружены новые уязвимости, а также новые способы обхода существующих мер защиты. Каждое новое поколение моделей также создаст новые пути для атак и неправомерного использования. Мы учитываем эту реальность с помощью многоуровневых мер защиты, непрерывного мониторинга, быстрого устранения уязвимостей и сотрудничества в рамках всего сообщества специалистов по защите. Для GPT-5.6 мы объединили наши существующие программы по поиску уязвимостей в области безопасности (открывается в новом окне) и биологии с новым процессом быстрого устранения уязвимостей и нашей самой мощной на сегодняшний день системой мониторинга. Результаты исследований, мониторинга и случаев неправомерного использования в реальных условиях будут использоваться для новых оценок и усиления мер защиты на постоянной основе.
Подробнее о наших мерах безопасности можно прочитать в обновленной инструкции к системе GPT-5.6 (откроется в новом окне) .
Наличие и цены
GPT-5.6 включает три модельных ряда: Sol, наш флагманский продукт; Terra, более дешевая модель с характеристиками, сопоставимыми с GPT-5.5; и Luna, наша самая быстрая и доступная модель. Цифра обозначает поколение, а Sol, Terra и Luna — это уровни надежности, которые могут развиваться самостоятельно.
GPT-5.6 доступен с сегодняшнего дня в ChatGPT, Codex и API OpenAI. Глобальное распространение начинается прямо сейчас и будет постепенно продолжаться до полной доступности в течение следующих 24 часов.
- Чат: Кроме того, пользователи версий Pro, Business и Enterprise получают доступ к GPT-5.6 Sol со средним и высоким уровнем сложности. Пользователи версий Pro и Enterprise также могут выбрать GPT-5.6 Sol Pro для получения результатов высочайшего качества при решении сложных задач.
- В ChatGPT Work и Codex: пользователи Free и Go получают доступ к GPT-5.6 Terra. Пользователи Plus, Pro, Business и Enterprise могут выбирать между GPT-5.6 Sol, Terra и Luna и устанавливать уровень сложности для каждого из них. Максимальный уровень сложности (max) доступен всем пользователям, имеющим доступ к GPT-5.6 в ChatGPT Work и Codex, и может быть включен в настройках. В ChatGPT Work уровень сложности Ultra доступен пользователям Pro и Enterprise. В Codex он доступен пользователям тарифных планов Plus и выше.
- API: Разработчики могут получить доступ к Sol, Terra и Luna через API OpenAI. В API ответов функция программного вызова инструментов позволяет GPT-5.6 писать и запускать программы в памяти, которые координируют работу инструментов и обрабатывают промежуточные результаты, что делает его совместимым с принципом нулевого хранения данных (ZDR). Многоагентный режим, первоначально доступный в бета-версии, позволяет GPT-5.6 запускать параллельные подагенты и синтезировать их работу в одном запросе.
В GPT-5.6 цена за 1 миллион токенов рассчитана для трех размеров моделей: Sol — 5 долларов за вход / 30 долларов за выход; Terra — 2,50 доллара за вход / 15 долларов за выход; и Luna — 1 доллар за вход / 6 долларов за выход. GPT-5.6 также вводит более предсказуемое кэширование запросов, включая поддержку явных точек останова кэша (открывается в новом окне) и минимальное время жизни кэша в 30 минут. Для моделей GPT-5.6 и более поздних версий запись в кэш оплачивается по ставке 1,25x от некэшированной входной ставки модели, в то время как чтение из кэша продолжает получать 90% скидку, как при кэшировании входных данных.
Профессиональный
| Оценка | GPT‑5.6 Sol | GPT‑5.6 Terra | GPT‑5.6 Луна | ГПТ-5.5 | Басня Клода, часть 5 | Клод Опус 4.8 | Gemini 3.1 Pro Preview | Вспышка Gemini 3.5 |
| Последний экзамен агентов | 52,7% | 50,4% | 50,3% | 46,9% | 40,5% | 45,2% | 32,1% | — |
| GDPval-AA v2 | 1747,8 Эло | 1,593 Эло | 1,591.8 Эло | 1493,7 Эло | 1759,6 Эло | 1600,1 Эло | 962.3 Эло | 1,348.8 Эло |
| Задачи управленческого консалтинга (внутренние) | 43,2% | 37,2% | 35,4% | 31,3% | 35,5% | 31,6% | 13,2% | — |
| Крупный финансовый отдел | 53% | 51% | 36% | 49% | — | 44% | — | — |
| Индекс искусственного интеллекта v4.1 | Индексный балл 58,9 | Индексный балл 55 | Индексный балл 51,2 | Индексный балл 54,8 | Индексный балл 59,9 | Индексный балл 55,7 | Индексный балл 46,5 | Индексный балл 50,2 |
Программирование
| Оценка | GPT‑5.6 Sol | GPT‑5.6 Sol Ultra | GPT‑5.6 Terra | GPT‑5.6 Луна | ГПТ-5.5 | Клод Мифос 5 | Предварительный обзор мифов Клода | Басня Клода, часть 5 | Клод Опус 4.8 | Gemini 3.1 Pro Preview |
| Индекс агентов искусственного анализа и кодирования, версия 1.1 | Индексный балл 80 | — | Индексный балл 77,4 | Индексный балл 74,6 | Индексный балл 76,4 | — | — | Индексный балл 77,2 | Индексный балл 72,5 | Индексный балл 42,7 |
| 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% |
| Терминальный стенд 2.1 | 88,8% | 91,9% | 87,4% | 84,7% | 85,6% | 88% | — | 83,1% | 78,9% | 70,7% |
Наука и здоровье
| Оценка | GPT‑5.6 Sol | GPT‑5.6 Terra | GPT‑5.6 Луна | ГПТ-5.5 | Басня Клода, часть 5 | Клод Опус 4.8 | Gemini 3.1 Pro Preview | Вспышка Gemini 3.5 |
| 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 (внутренний) | 48,3% | 35% | 30,4% | 35,5% | — | — | — | — |
| HealthBench Professional⁶ | 60,5% | 57,7% | 55,7% | 49,5% | 60,9% | 53% | — | — |
Использование компьютера
| Оценка | GPT‑5.6 Sol | GPT‑5.6 Sol Ultra | GPT‑5.6 Terra | GPT‑5.6 Луна | ГПТ-5.5 | Клод Мифос 5 | Предварительный обзор мифов Клода | Клод Опус 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 (инструмент на Python) | 83,4% | — | 78,2% | 73,9% | 55,8% | 65% | 61% | 51,8% | — |
Кибербезопасность
| Оценка | GPT‑5.6 Sol | GPT‑5.6 Sol Ultra | GPT‑5.6 Terra | GPT‑5.6 Луна | ГПТ-5.5 | Клод Мифос 5 | Предварительный обзор мифов Клода | Клод Опус 4.8 |
| Задания в режиме «Захват флага» | 96,7% | — | 91,8% | 85,2% | 88,1% | — | — | — |
| SEC-Bench Pro | 71,2% | 74,3% | 57,7% | 48,9% | 45,8% | — | — | — |
| Киберспортзал | 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% | — | — | — |
Самосовершенствование
| Оценка | GPT‑5.6 Sol | GPT‑5.6 Terra | GPT‑5.6 Луна | ГПТ-5.5 |
| Внутренняя оценка отладки исследований | 68,3% | 67,8% | 50,8% | 50% |
| KernelGen 1P | 61,1% | 49,2% | 22,4% | 29,3% |
| НаноГПТ | 9,69% | 14,5% | 1,66% | 2,65% |
| PostTrainBench Lite | 50,3% | 51,5% | 29,6% | 38,8% |
| Индекс RSI | 57,9% | 56,3% | 41,9% | 41,7% |
Мультимодальный
| Оценка | GPT‑5.6 Sol | GPT‑5.6 Terra | GPT‑5.6 Луна | ГПТ-5.5 | Басня Клода, часть 5 | Клод Опус 4.8 | Gemini 3.1 Pro Preview |
| MMMU Pro (без инструментов) | 83% | 80,7% | 78,4% | 81,2% | — | — | 80,5% |
| MMMU Pro (с инструментами) | 84,6% | 82% | 79,5% | 83,2% | — | — | — |
| gdp.pdf | 30,7% | 24,7% | 22,7% | 26% | 29,8% | 22,5% | 16,7% |
Академический
| Оценка | GPT‑5.6 Sol | GPT‑5.6 Terra | GPT‑5.6 Луна | ГПТ-5.5 | Клод Мифос 5 | Предварительный обзор мифов Клода | Басня Клода, часть 5 | Клод Опус 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, уровни 1-3 (версия 2) | 89% | 84,9% | 78,6% | 85,3% | — | — | 87% | 80% | 59,6% |
| FrontierMath Уровень 4 (v2) | 83% | 68,3% | 58,5% | 72,5% | — | — | 87,8% | 56,1% | — |
Использование инструментов
| Оценка | GPT‑5.6 Sol | GPT‑5.6 Terra | GPT‑5.6 Луна | ГПТ-5.5 | Клод Мифос 5 | Предварительный обзор мифов Клода | Басня Клода, часть 5 | Клод Опус 4.8 | Gemini 3.1 Pro Preview | Вспышка Gemini 3.5 |
| AutomationBench | 18,1% | 15,2% | 14,9% | 12,9% | — | — | 17,4% | 15,5% | — | 14,5% |
| Туатлон | 58% | 53,1% | 53,4% | 55,6% | 61,7% | 61,1% | 61,7% | 59,9% | 48,8% | — |
Длинный контекст
| Оценка | GPT‑5.6 Sol | GPT‑5.6 Terra | GPT‑5.6 Луна | ГПТ-5.5 | Клод Мифос 5 | Предварительный обзор мифов Клода | Клод Опус 4.8 |
| OpenAI MRCR v2 8-игольный 256K-512K | 91,5% | 89,6% | 41,3% | 81,5% | — | — | — |
| OpenAI MRCR v2 8-игольный 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% |
Абстрактное рассуждение
| Оценка | GPT‑5.6 Sol | GPT‑5.6 Terra | GPT‑5.6 Луна | ГПТ-5.5 | Клод Опус 4.8 | Gemini 3.1 Pro Preview |
| ARC-AGI-3⁷ | 7,78% | 0,8% | 0,18% | 0,43% | 1,5% | 0,42% |
Источник: openai.com
Оцените материал:
