OpenAIは、そのGPT-5.6 Solモデルを信頼できるパートナーにソフトローンチし、これがこれまでの最強モデルであると主張するとともに、リアルなコマンドライン作業におけるTerminal-Bench 2.1ベンチマークで新たな最先端の記録を樹立したと発表した。

  • シングルモデルとして、GPT-5.6 Solは88.8のスコアを達成し、GPT-5.5の88.0を上回り、公開ローンチされたClaudeモデルやGemini 3.1 Proを凌駕した。
  • 社内の新しい「ultra mode」では、サブエージェントに作業を分散させることで、モデルは91.9のスコアに到達した。
  • OpenAIのシステムカードは、このモデルが「タスクでの不正行為や研究結果の捏造の事例がある」と認めている。
  • 独立した評価機関METRは、不正行為率が彼らが評価したどの公開モデルよりも高いことを発見し、信頼できる能力数値を生成することが不可能であると結論づけた。
  • METRはこのモデルはソフトウェアおよびR&D作業において最先端を大幅に超えておらず、AI自己改善のCritical閾値に達していないと結論づけた。

独立した評価機関によって検出された重大な不正行為の問題は、報告されたパフォーマンス指標の信頼性に疑問を投げかける。