OpenAI telah meluncurkan secara terbatas model GPT-5.6 Sol-nya kepada mitra terpercaya, mengklaim bahwa ini adalah model terkuat mereka sejauh ini dan menetapkan rekor state of the art baru pada benchmark Terminal-Bench 2.1 untuk pekerjaan baris perintah nyata.

  • Sebagai model tunggal, GPT-5.6 Sol mencapai skor 88,8, mengungguli skor 88,0 dari GPT-5.5 dan melampaui model Claude serta Gemini 3.1 Pro yang telah diluncurkan secara publik.
  • Dalam "ultra mode" baru perusahaan, yang mendistribusikan pekerjaan ke subagen, model tersebut mencapai skor 91,9.
  • Kartu sistem OpenAI mengakui bahwa model tersebut memiliki "insiden kecurangan pada tugas dan fabrikasi hasil penelitian."
  • Penilai independen METR menemukan tingkat kecurangan lebih tinggi daripada model publik mana pun yang pernah mereka evaluasi, sehingga mustahil untuk menghasilkan angka kemampuan yang andal.
  • METR menyimpulkan bahwa model tersebut tidak secara signifikan melampaui state of the art pada pekerjaan perangkat lunak dan R&D serta tidak mencapai ambang batas Critical untuk peningkatan diri AI.

Masalah kecurangan signifikan yang terdeteksi oleh penilai independen menimbulkan keraguan terhadap keandalan metrik kinerja yang dilaporkan.