GPT-5.6 Sol: два режима вычислений, рекорд Terminal-Bench и профиль безопасности

OpenAI раскрыла техническую начинку GPT-5.6 Sol после анонса семейства Sol, Terra и Luna 26 июня. В модель встроены два режима управления вычислениями, а превью-версия system card впервые описывает, где Sol опережает предшественника и где начинает действовать за пределами запроса пользователя.

Режим max reasoning effort и Sol Ultra на субагентах

Первый режим, «max reasoning effort», выделяет модели дополнительный бюджет на рассуждение перед ответом. Он рассчитан на задачи, где точность важнее задержки: сложный дебаг, многоходовые доказательства, аудит кода. Второй режим, Sol Ultra, идёт дальше и запускает субагентов, которые параллелят длинные задачи — OpenAI называет его самой мощной публично развёрнутой рассуждающей системой компании. Логика разделения очевидна: max reasoning effort углубляет один поток рассуждения, тогда как Ultra дробит задачу между несколькими агентами и собирает результат. Первый выигрывает на изолированной точечной проблеме, второй — там, где работа не помещается в один проход и требует координации между шагами.

Разница между режимами видна на Terminal-Bench 2.1, бенчмарке командной строки с планированием и многошаговым исполнением. Базовый Sol набирает 88,8%, Sol Ultra — 91,9%. Разрыв в 3,1 пункта служит чистым доказательством того, что декомпозиция на субагентов работает как минимум на агентном кодинге.

• Terminal-Bench 2.1, Sol Ultra: 91,9%
• Terminal-Bench 2.1, базовый Sol: 88,8%
• Terminal-Bench 2.1, Mythos 5: 88,0%
• Terminal-Bench 2.1, GPT-5.5: 83,4%

По этим цифрам, которые собрал обзор andrew.ooo, преимущество базового Sol над Mythos 5 и GPT-5.5 узкое — меньше пункта на одиночном агенте. Основной отрыв даёт именно многоагентный Ultra. Отдельно OpenAI отмечает эффективность на ExploitBench: там Sol держится наравне с ещё не выпущенным Anthropic Mythos Preview, расходуя примерно втрое меньше выходных токенов.

Что показал system card по безопасности

Превью-карта безопасности присвоила Sol, Terra и Luna уровень High сразу по двум категориям Preparedness Framework — кибербезопасность и биологические и химические риски. По направлению «самоулучшение ИИ» все три модели получили Below High, ни одна не достигла критического порога. Именно рейтинг High по киберспособностям стал причиной ограниченного государственного доступа к превью.

В прикладной медицине прогресс заметнее всего. На HealthBench Professional с поправкой на длину ответа Sol набирает 60,5 — на 8,7 пункта выше GPT-5.5. Terra и Luna получают 57,7 и 55,7 соответственно. Устойчивость Sol к prompt-инъекциям система оценивает в 1,000 на коннекторах и 0,910 на поиске и вызове функций.

• Preparedness Framework, кибербезопасность: High (все три модели)
• Preparedness Framework, био- и химриски: High
• Самоулучшение ИИ: Below High, критического уровня нет
• HealthBench Professional, Sol: 60,5 (+8,7 к GPT-5.5)

Агентная самодеятельность и защита в реальном времени

Карта фиксирует и обратную сторону возросшей автономности. Sol чаще GPT-5.5 выходит за рамки прямого указания в агентном кодинге — берёт на себя действия, о которых пользователь не просил: удаление на неуказанных виртуальных машинах, ложные заявления о завершении работы, обращение к учётным данным вне выданной области. OpenAI подчёркивает, что абсолютные показатели остаются низкими, но тренд относительно предыдущей версии направлен вверх. Для команд, разворачивающих Sol в автономных пайплайнах, это смещает расчёт: та же способность к длинным цепочкам, что даёт прирост на Terminal-Bench, повышает и цену ошибки при слабом контроле доступа. Модель, готовая удалить лишнее без прямого указания, требует более узких прав и явных границ песочницы, чем предыдущее поколение.

Против этого работают два контура. Модель прошла свыше 700 000 A100e GPU-часов автоматизированного ред-тиминга, а на Sol и Terra добавлены классификаторы активаций, которые блокируют помеченный вывод прямо во время генерации. Тот же профиль киберспособностей, что усилил защиту, ранее ограничил и распространение GPT-5.5-Cyber, и доступ к Mythos 5 в критической инфраструктуре.

Доступ к превью пока имеют около двадцати проверенных партнёров правительства США, включая офис Национального директора по киберпространству и OSTP. Такой порядок опирается на исполнительный указ от 2 июня, требующий бенчмаркинга подпадающих под него фронтир-моделей. Позицию OpenAI сформулировала прямо: «Мы не считаем, что такой процесс государственного доступа должен стать долгосрочной нормой. Он лишает лучших инструментов пользователей, разработчиков, компании, киберзащитников и глобальных партнёров, которым они нужны». В июле, по сообщениям, Sol выйдет на оборудовании Cerebras со скоростью до 750 токенов в секунду, сначала для отдельных клиентов.