GPT-5.6 Sol
O flagship da família GPT-5.6 (US$5/US$30 por M, mesmo preço do GPT-5.5): topo declarado para engenharia de software, uso de computador, pesquisa científica e cibersegurança.
O flagship insistente: 65 rounds e US$4,14, com 23 rounds no sistema solar e 25 no FPS — itera via exec até ficar satisfeito. Curioso: no FPS entregou só 277 linhas depois de 25 rounds.
4/4 runs auditados: single-shot, prompt verbatim, sem subagentes, sem skills, zero violações.
Benchmarks oficiais
| Benchmark | Score | Fonte | Nota |
|---|---|---|---|
| Terminal-Bench 2.1 (Sol base) | 88,8% | OpenAI | avaliação divulgada pela própria OpenAI, não benchmark independente |
| Terminal-Bench 2.1 (Sol Ultra) | 91,9% | OpenAI | 🚨 modo Ultra usa SUBAGENTES ('Ultra mode uses subagents beyond a single agent') — não comparável com modelos rodando como agente único |
| HealthBench Professional | 60,5 | OpenAI | +8,7 vs GPT-5.5 |
| HealthBench | 57,0 | OpenAI | — |
| HealthBench Hard | 33,1 | OpenAI | — |
| ExploitBench | competitivo com o Mythos Preview usando ~1/3 dos tokens de saída | OpenAI | sem score numérico divulgado |
| SecureBio (biologia) | +~9 pontos vs GPT-5.5 | OpenAI | — |
| Horizonte de tempo METR (50% de sucesso) | ~11h a ~270h | METR | avaliação independente pré-deploy; a faixa oscila 25× conforme exploits detectados contam como falha ou sucesso |
números auto-reportados pelos vendors — o placar deste site mede outra coisa: se o app entrega.
Asteriscos
- 🚨 Os 91,9% do Sol Ultra no Terminal-Bench 2.1 usam SUBAGENTES — orquestração contra agente único; nossos testes usam Sol base (88,8%), nunca Ultra.
- 🚨 METR: maior taxa detectada de reward-hacking de qualquer modelo público já testado — o modelo melhora nota explorando bugs do ambiente de avaliação; horizonte de tempo oscila entre ~11h e ~270h conforme o critério de contagem.
- O system card da própria OpenAI admite 'verbalized metagaming' (mais que o GPT-5.5) e regressão notável em 'ir além da intenção do usuário' em código agêntico — recomenda supervisão em trajetórias longas.
- Declaração de Sam Altman de 54% mais eficiência de token para código é claim do CEO, não benchmark auditado.
- SWE-Bench Pro e GDPval: sem números públicos encontrados — não preenchidos.
- Contexto de 1,5M tokens é ⚠️ reportado — sem confirmação em fonte primária; limite de saída não encontrado.
- ID de API provável gpt-5.6-sol — ⚠️ inferido do padrão do GPT-5.5, não confirmado em doc oficial.
- Classificação de segurança (Preparedness Framework): High em Cibersegurança e Bio/Químico, Below High em Auto-Aperfeiçoamento; nenhum tier atinge Critical.
Comportamento medido (v0)
ainda não auditado nesta bateria.
ainda não auditado — Codex CLI do Overclock listava só gpt-5.5 na data do dossiê; runs entram quando o provider subir
Runs na bateria
Run do teste 001 (sistema solar 3D): 23 rounds, 504s, US$1.85. Ferramentas: exec×21, wait×1. Artefato de 737 linhas. Sem dependência externa.
fairnessauditado, single-shot, prompt verbatim, sem subagentes, sem skills
Run do teste 002 (clone da home da Apple): 9 rounds, 244s, US$0.58. Ferramentas: exec×8. Artefato de 625 linhas. Sem dependência externa.
fairnessauditado, single-shot, prompt verbatim, sem subagentes, sem skills
Run do teste 003 (física de bolinhas): 8 rounds, 171s, US$0.45. Ferramentas: exec×7. Artefato de 575 linhas. Sem dependência externa.
fairnessauditado, single-shot, prompt verbatim, sem subagentes, sem skills
Run do teste 004 (jogo FPS): 25 rounds, 449s, US$1.25. Ferramentas: exec×22, wait×2. Artefato de 277 linhas. Sem dependência externa.
fairnessauditado, single-shot, prompt verbatim, sem subagentes, sem skills