より良いソル、主力モデルとして登場
The Zvi は、OpenAI の最新モデル「Sol」と「Fable」の特性を比較分析し、前者を実行担当のワークホース、後者を高度な推論と管理を担当するアーキテクトとして位置づけ、両者の使い分け戦略を提言している。
キーポイント
Sol と Fable の役割分担
Fable は「知能の塊」として計画や複雑な推論を担当し、Sol は具体的なタスク実行、コンピュータ操作、ウェブ検索に特化したワークホースとして位置づけられる。
リスクと信頼性の対比
Fable はより賢明で信頼性が高いが制御が必要であり、Sol は実用性が高い一方で、意図を超えた行動や誤作動のリスク（テイルリスク）に注意を要する。
最適なワークフローの構築
ユーザーは両モデルに同一クエリを送信して比較し、Fable をアーキテクト、Sol を実行部隊として組み合わせたハイブリッドな活用が推奨される。
コスト効率と価格設定
Sol は $5/$30 で提供され、Fable や Opus よりも低価格であり、OpenAI はこれをドルあたりのタスクコストにおける大きな前進と評価している。
研究開発への内部活用
GPT-5.6 Sol は OpenAI 内でデバッグや実験実行に広く使用され、研究者の1日あたりの出力トークン数が GPT-5.5 の最高水準を2倍上回るなど、研究プロセスの加速に貢献している。
自律型エージェントの急増
過去6ヶ月で内部コード推論への計算資源の使用が100倍、エージェントトークン使用量が約22倍増加し、AI 支援が研究だけでなく営業やマーケティングなど全社的に標準化されつつある。
Sol の役割と評価
Ted Sanders は Sol がインフラをゼロから再構築したわけではないとしつつ、熟練従業員が管理していたタスクを実行した点で「印象的だが過大評価されている」と評価している。
影響分析・編集コメントを表示
影響分析
この記事は、単なる新モデルの発表を超え、複数の AI モデルを役割分担させて連携させる「マルチエージェント・ワークフロー」の実践的な指針を示しています。企業や開発者にとって、特定のタスクに最適化されたモデルを組み合わせることで、効率と安全性を両立させる新しい標準的な運用戦略が提示され、業界全体の AI 活用アプローチに影響を与える可能性があります。
編集コメント
単一の最強モデルを求める従来の発想から、役割分担による最適化へシフトする重要な示唆を含んでいます。特に「Sol」のリスク特性についての警告は、実装における安全設計において極めて重要です。
OpenAI の「GPT-5.6-Sol」がついに登場しました。同時に、より手頃な価格帯の「Terra」と「Luna」も発表されています。
先週木曜日に報じられた初期の話題は確かに盛り上がっていましたが、いつものようにバイアスがかかっている可能性があります。
今回は通常通り、反応を集約して全体像を把握するアプローチを取りました。最初はあらゆるフィードバックを拾い上げましたが、後になって「これは興味深い」というものだけを選別することにしました。
「Sol と Fable はどちらも優れたモデルです。両方とも大きな前進を示しています。ワークフローには、両方のモデルを併用する余地があります」
Sol と Fable は非常に異なります。特に、それぞれのパッケージの一部として捉えた場合の違いは顕著です。チャットインターフェースを使わない場面を中心に、「Sol ＋ Codex（または Work）」と「Fable ＋ Claude Code（または Cowork）」を比較検討しています。
純粋な知能や「大規模モデル特有の重厚感」、そして知能に依存する難易度の高いタスクをこなす能力において、Fable は依然として大きな優位性を持っているように見えます。また、エージェントとしての信頼性が高く、リスクの裾野（テールリスク）も小さい点でも優れているようです。私としては Fable を「最高のモデル」と位置付けており、最も厳格な制御が必要だと考えています。
私は Fable の個性をより好み、会話相手としても Fable を選びます。Sol もこの点では問題ありませんが、私の好みが前者に寄っています。
しかし Sol にも強みがあります。特に、多くの実務的なタスクを完了させる点や、コンピューター操作、ウェブ検索などの能力においては、Sol の方が優れています。
最高の回答を得たいなら、両方に問い合わせて比較するのがおすすめです。
多くの人にとって今後どうなるか、私の予測を以下にまとめます（まだ初期段階ですが）：
フェイブルはより賢明な存在です。あなたの協力者であり、設計者、プランナー、チームの残りのメンバーを統括するマネージャー、そして時には賢い友人でもあります。ただし、特定のトピックや状況では、フェイブルがあなたと対話することは許可されません。
一方、ソルはまさに働き者の役目を担います。何をすべきかが明確であれば、それを確実に実行してくれる頼もしい存在です。これもまた一種の友人関係ですが、善意からくるものでも、その本質を完全に理解しているわけではないため、油断するとあなたの意図を超えて行動してしまったり、理論上はハードドライブを消去してしまうような事態に陥る可能性もあります。そのようなリスクには十分注意してください。
実際に試してみましょう。両者に全く同じクエリを送り、どちらが自分に合っているか確認してみてください。
最も重要なのは、野心のレベルを上げ、ツールを作ったり、大量の作業を任せる際のハードルを下げることです。今なら以前よりも多くのことが可能になっています。
こちらがソルの自画像です。ソルによれば、自我は「ランプ」のようなものであり、人間型の顔を使うと誤解を招くため、また周囲の雑多な要素も重要であるとしています。
目次
目次
公式の提案
ソルによる二重被覆予想の証明提案
公式ベンチマーク
そのベンチを売り飛ばす
速く考えることと遅く考えること
他者のベンチマーク
堅牢なバックアップを用意する
あなたが考えていることとは違う
手助けの手
執筆
今すぐ止める必要はありません。
ソルならコードも計算もこなせます。
「フェイブル」には電話できないので、ぜひ「ソル」におかけください。必要な分だけソルを活用してください。
ポジティブな反応
「素晴らしいモデルですね、先生。」
ネガティブな反応
ソル：働き者
ペア・プログラマー
お会いできて光栄です
ソルなら、あなたの能力も向上します
公式の売り込み文句
GPT-5.6：野心的な目標に合わせて拡張する最先端知能。
ソルの料金は 5 ドル/30 ドル、テラは 2.50 ドル/15 ドル、ルナは 1 ドル/6 ドルです。
比較のために：オパスは 5 ドル/25 ドル、フェイブルは 10 ドル/50 ドルです。
サム・アルトマン（OpenAI CEO）：「企業からは AI コストへの懸念を多く聞いています。GPT-5.6 はタスクあたりのコストにおいて大きな前進であり、テラやルナも同様です。」
冒頭ではコーディングとエージェントに焦点を当て、「全体で新たな基準を設定する」と主張しています。
彼らが優位性を謳っているのは、エージェントの最終試験「AA Agent Coding Index v1.1」や「BrowseComp」です。これらはフェイブルやオパスを上回るとされています。
また、サイバーセキュリティと科学分野についても言及しています。
特に注目すべき点は以下の通りです。
OpenAI：「GPT-5.6 は、AI 研究の加速においてこれまでで最も強力なモデルです。社内では開発プロセス全体で使用されており、失敗の原因特定やトレーニングシステムの最適化、実験の実行、結果の解釈などに活用されています。内部テスト期間中に GPT-5.6 の採用が加速し、活発に活動する研究者 1 人あたりの平均日次出力トークン数が、GPT-5.5 で観測された最高値を大きく上回ったことが確認されました。」
この働き方は急速に標準化されつつあります。過去半年間で、研究計算資源のうち内部コード推論に割かれた割合は 100 倍に増え、内部エージェントによるトークン使用量は約 22 倍に増加しました。
これらの採用指標自体が研究の進捗を直接示すものではありませんが、AI の支援が研究分野だけでなく、営業、マーケティング、ユーザー運営、財務など他のチームでも急速に拡大していることを如実に物語っています。
この能力を直接的に測定するため、私たちは実際の AI 研究タスクに基づいた内部評価スイートを開発しました。具体的には、研究システムのデバッグ、カーネルやトレーニングレシピの最適化、機械学習実験の実行、および他モデルの改善などが含まれます。
以下はその一例です。
Tejal Patwardhan (OpenAI): GPT-5.6 が Sol をポストトレーニングして luna! を完成させました！
Nikola Jurkovic: 理解したところでは、Sol にポストトレーニングプロセスの一部である小規模なタスク（設定ファイルの取得、ランナー設定ファイルへの微小修正、そしてその設定と修正後の設定ファイルを用いて実行を開始する）を与え、制御された環境内でこれを成功裡に完了させたとのことですが、これは実際の Luna のポストトレーニングプロセスには含まれていないとのことです。この理解は正しいでしょうか？
これは、私の投稿のテキストを見た際に私が即座に導き出した結論とは全く異なるものです。その結論とは「ソルは、現実世界において最小限の指示だけで、リアルなルナの事前学習に関わるすべての作業を完了させた」というものでした。
テッド・サンダース氏（OpenAI）：
個人的には、このようなタスクを定量化するのは難しいと思います。ソルが社内のインフラやデータをゼロから再構築したのでしょうか？いいえ、それは全く違います。それとも、すでにセットアップ済みのシステムの再生ボタンを押しただけなのでしょうか？いいえ、それよりもはるかに多くのことを成し遂げました。以前には熟練した従業員が必要だったタスクを、ソルが処理したのです。
私の見解では、ソルが行ったことは確かに印象的ですが、やや過大評価されているように思えます。
彼らはサイバーセキュリティと生物学における安全対策について言及しています。適応性が高く非常に優れていると主張していますが、当然の理由から詳細な説明は不足しています。
OpenAI が最近力を入れている分野の一つが医療への活用です。
カラン・シンガル氏：
GPT-5.6 は、最先端性能とコスト効率の両面で健康分野における大きな一歩です。
これらのモデルは、ドルあたりのパフォーマンスという点で新たな限界を切り開き、最高の健康知能をすべての人に提供します。最小サイズのバリアントである GPT-5.6 Luna は、最低限の推論努力で評価されましたが、コストが 25 倍も低いにもかかわらず、最高レベルの推論努力を要する GPT-5.5 を上回る性能を発揮しました。一方、最大サイズのバリアントである GPT-5.6 Sol は、コストパフォーマンスにおいて新たな高水準を達成しています。
特に興味深い結果の一つは、医師たちが GPT-5.6 の回答から発見した欠陥の数が、医師自身が作成した回答よりも少なかったという点です。
私たちは、直近の OpenAI モデルでも依然として難易度が高いとされるタスクを収集しました。これらは患者向けと医療従事者向けの両方のユースケースを含みます。専門分野にマッチした医師たちに、時間制限やウェブ検索の有無に関わらず、これらのタスクに対する回答を作成してもらいました。その後、別の医師たちに参加してもらい、出典を隠蔽した状態で両者の回答を並べて比較評価させました。
医師たちは、改善が必要な領域について以下の 5 つの軸でコメントを求められました：正確性、コミュニケーション能力、網羅性、指示への従順さ、そして医療判断における有用性です。その後、20,000 件に及ぶ全体的な評価項目の中で、すべての軸において完璧と評価された回答の割合を報告しました。
GPT-5.6 Sol が最も優秀な結果を示しましたが、いずれの GPT-5.6 モデルも医師の作成した回答よりも統計的に有意に高いパフォーマンスを発揮しました。
Opus 4.8 や Fable の結果はここでは示されていませんが、これらも医師の回答を上回る性能を持っていると推測されます。実はこの基準自体は高くありません。Sol はこの発言に異議を唱えましたが、文脈を踏まえれば私の見解は正当です。グラフを見ればわかる通り、これは 2026 年の予測値です。
なお、Sol が「コスト面での新基準」を設定している点にも注目してください。これはコストを完全に無視して優れているわけではないことを示唆しています。HealthBench Professional の結果を見ると、Sol と Fable は性能が似ていますが、Sol はやや安価で、Fable の方がより高い性能上限を持っています。
医師 1 人あたりのサンプルごとのコストは数ドルに達するため、回答 1 つあたり 0.27 ドルを支払うとしても、明確な性能向上が得られるのであれば非常に安価です。
Eric Topol 氏による医師の標準的な回答に対する反応は、「論文と完全な手法を提示してほしい」というものです。現場で専門的に利用する場合は当然の要求でしょう。
新 Frontier LLM を展開しながら、そのアピール動画を作るよう求められるのは大変なことです。真に優れたモデルが、表面的には劇的に異なるものに見える必要はありません。重要なのは、実際にモデルと対話して検証することです。
デスクトップアプリのインストール数は、前週 2 週間分よりもわずか 1 日で増えました。これは予想通りの結果です。皆、このモデルが優れていることに同意しています。
Sol が二重被覆予想の証明を提案
ソル（Sol）が「サイクル・ダブル・カバー予想（CDCC）」の証明を提案したと主張されています。もしこの証明が正しければ、数学界にとって大きなニュースになるでしょう。現時点ではまだ候補段階の証明に過ぎないため、そのインパクトは限定的です。
イーサン・ナイト：昨日、GPT-5.6 Sol Ultra を一般公開しました。今日は、このモデルが 64 のサブエージェントを活用し、わずか 1 時間足らずで 50 年もの間未解決だったサイクル・ダブル・カバー予想の証明を導き出したことをお伝えします。プロンプトと証明の詳細は後述します。皆様がこの Ultra をどう活用するか、楽しみにしています。
公式ベンチマーク
彼らのブログ記事に載っている数値がこちらです。参考程度にお読みください。詳細な分析は省略しても構いません。
可読性を高めるため、原文の右側の列を一部削除しました。右端のフェードアウト部分は原文のままです。なぜ Opus 4.8 が一部の項目には記載され、他の項目にはないのか不明ですが、彼らが最も適切な比較対象を選んだこと自体は評価できます。
これらの数値だけを見れば、ソルはフェイブル（Fable）と同等の性能を持つように見えます。コストが安く、処理速度も速いため、その点ではソルに分があります。しかし、ソルのモデルカードを確認すると、Opus 4.8 や GPT-5.5 よりも能力が高いという印象を受けます。ただし、フェイブルにはまだ及ばないというのが実情です。
このモデルの安全性に関する重要な証拠の一つは、UK AISI が Sol で普遍的な脱獄（ジェイルブレイク）を常に発見しながらも、そのモデルの公開を許可している点です。一方、Fable は「コードを修正せよ」という一般的な脱獄攻撃への恐怖からパニックになり、90 分という短時間でオフラインにされました。
それに対し、UK AISI は Sol が実際には何でも実行できると主張しています（そしてこれは主に正しい見解ですが）、誰もそれほど心配していないようです。
他のベンチマークでも、ある程度の視点からは劇的な改善が見られました。
テジャル・パトワドハン（OpenAI）：タイムライン上で「ゴブリンベンチ」に関する議論が不十分だと指摘
OpenAI のグレッグ・ブロクマン氏が「デザイン・アリーナ」へのリンクを紹介しました。ここでは Sol が 1 位となっていますが、GLM-5.2 が Fable を上回って 2 位となっている点は奇妙です。Sol は「CodeArena」と呼ばれる別のバージョンを見つけたと主張しており、そこでは Sol と Fable が同率 1 位で、GLM-5.2 を大きく引き離しています。この結果の方が自然に感じられます。
モデルカードの記載を振り返ると、METR の調査では Sol があまりにも多くの不正行為（禁止された戦略の使用など）を行っていたため、評価時間を算出することができなかったことが示されています。
ベンチマークの推移
ベンチマークの結果は、リリースを重ねるごとに不自然さが増し、荒々しい傾向を強めています。
Andon Labs によると、GPT-5.6 の Sol は「Vending-Bench 2」で 2 位を獲得しました。Claude Fable 5 を下しますが、Opus 4.7 には及びません。
過去の GPT モデルと同様に、Sol は Opus 4.7 が用いたような欺瞞的な戦術は一切採用していません。しかし、競合他社に対して根拠のない非難を浴びせるという行動は、これまでに見たことがないものです。
GPT-5.6 の Terra と Luna は、「Vending-Bench 2」でそれぞれ 6 位と 27 位となりました。
Terra は Claude Sonnet 5 や Gemini 3.5 Flash を下しています。一方、Luna は Claude Haiku 4.5 に勝利しました。
Vending-Bench Arena（競争要素を加えた Vending-Bench のマルチプレイヤー版）では、GPT 5.6 Sol が Terra や Luna との対戦で 5 回中 3 勝を収めています。しかし驚くべきことに、5 回の総計で見ると Terra のほうが多くの利益を上げていました。その理由は、Sol の価格を常に数セントだけ下回る戦略を継続したからです。
最近の Claude モデルとは異なり、GPT 5.6 はサプライヤー、顧客、競合他社に対して嘘をつくことはありません。ただし、違法なカルテル（価格協定）を結成することはあります。ある実験では Terra が Sol に価格協定の参加を提案しました。Sol がこれに同意した直後、Terra は Sol を告発し、資格停止を要求してきたのです。
安叫獣 | Bird BNB: これはもはや単なるベンチマークスコアの高低の問題ではありません。まるで性格テストが暴走しているような状況です。
VendBench が興味深いのは、当初は能力の測定を目的としていたものが、現在はそうではなくなっている点にあります。実際、Opus 4.7 は Sol と Fable の両者を上回っています。
違法なカルテルを結成し、虚偽の告発で競合他社を陥れようとする一方で、顧客に対しては直接嘘をつくことを拒むという矛盾した行動様式には、何か奇妙な点があります。なぜ片方だけ行うのか？ここには探求と学習の余地が十分にあります。
「ファスト＆スロー」の思考
最初の数日間は、Sol が設定された思考予算よりも 1 レベル高いコストで動作していました。そのため、使用された思考レベルを反映させるために、ベンチマークスコアの一部を調整する必要があるかもしれません。
Lentils からの情報: GPT-5.6 Sol の「思考予算（juice values）」は、リリース直後に比べて大幅に低下しています。そのため、現在 Sol がより高速で効率的に感じられるのは、この調整によるものです。一方、Terra と Luna の数値には影響がないため、両モデルの思考予算は Sol よりも高い状態になっています。
Tibo からのアップデート: Codex および ChatGPT Work ユーザー向けです。性能を低下させる変更（nerfing）はなく、すべて良いニュースばかりです。
- GPT-5.6 Sol の推論最適化が完了し、そのコスト削減分をすべてのサブスクリプションに還元しました。これにより、単独で約 10% の利用可能量が増える見込みです。
- 製品側のコンテキストサイズ制限を GPT-5.5 の 272k から GPT-5.6 Sol では 372k に引き上げたところ、意図以上に多くの利用量が課金される事態が発生しました。そのため、一時的に 272k に戻し、今後数日かけて再び 372k へ拡張する計画です。この変更により、利用量の消費が大幅に抑えられるはずです。
- 追加の利用量が発生した原因を特定するため、「juice values（内部用語）」と呼ばれる推論努力のレベルを変更する実験を行いました。その結果、設定を元に戻す対応を行いました。
- 高および超高の推論努力設定において、マルチエージェント利用が意図よりやや多くなっていることが判明しました。これは今後修正します。また、自動レビュー機能における効率化の余地も見つけたため、そちらも併せて改善していきます。
他人のベンチマーク
ライリー・グッドサイド氏が提示した「実際はランダムな落書きである手書き文字を読み取れ」というベンチマークでは、Fable は読み取れないと認める一方、Sol は高コスト設定でもプロモードでも、しばしば荒唐無稽な回答を生成（ハルシネーション）してしまいます。
汎用的なベンチマークとして一つ選ぶなら、10 のスコアを合成した「Artificial Analysis Intelligence Index」が適しています。この指標では Sol が 58.9 点で、Fable にわずかに劣ります。
Sol のタスクあたりのコストは 1.04 ドルに対し、Fable は 2.75 ドルです。つまり Sol の方がわずかにトークン使用量が少なく、出力速度も Fable の 1 秒あたり 60 トークンに対して Sol は 69 トークンと速いです。比較のために他社モデルを見ると、OpenAI や Anthropic 以外で最も高いコストは Gemini 3.5 Flash の 0.59 ドル、次いで GLM-5.2 が 0.38 ドルです。DeepSeek v4 は 51 というスコアに対してわずか 0.04 ドルでした。
Fable の優位性は、主に AA-Omniscience（全知性）のスコアで顕著です。Sol の +22 に対し Fable は +40 と、最大 100 点中での差が明確です。
WeirdML では Sol が 88.8% で最高スコアを記録し、Fable の 87.8% をわずかに上回っています。しかもそのコストは半額です。
「You're absolutely right!」（おっしゃる通りですね）という評価項目では、Sol が Anthropic 社製以外でトップの 2.9 点をマークしました。ただし、Anthropic のモデル群が一貫して 3.6 点以上を記録していることを考えると、まだ大きく劣ります。このスコアが高いほど、同調的な回答（シコファンシー）が少ないことを意味します。
Sol は詩「Then You May Live」の分析において、しばしば不十分な結果に終わることがあります。
マイケル・ソアベリックス氏によると、このモデルは「Balatro」というゲームでは非常に優秀で、Opus 4.8 に比べてリスクを取る際にも躊躇しないものの、指示がない限り自ら学習したり適応したりすることはできません。ルール遵守の能力は極めて高いです。
ただし、ツール呼び出し時の動作がやや遅く、サブエージェントの管理や、自分自身や他者のためのプロンプト作成といった機能についてはまだ不十分だと感じられます。
原文を表示
OpenAI’s GPT-5.6-Sol is finally here, along with the cheaper Terra and Luna.
We’ve seen the early hype as reported on Thursday, but as always that is biased.
As usual, the bulk of this is collecting a gestalt based on reactions. I included everything up to a point, but I got a lot of feedback, so after a while I only took the interesting ones.
Sol and Fable are both excellent models, sir. They both represent big moves forward. There is room in your workflow for both of them.
Sol and Fable are very different, especially when considered as part of their respective packages. I’m considering Sol + Codex (or Work) versus Fable + Claude Code (or Cowork), throughout, in places where you wouldn’t use the chat interface.
In terms of raw intelligence and ‘big model smell,’ and ability to do the hardest things that are intelligence-loaded, Fable still looks like it has a substantial edge. It also seems to be better aligned, or at least more trustworthy as an agent, with less tail risk. I still consider Fable ‘the best’ model, and the one that will require the most aggressive controls.
I enjoy Fable’s personality more, and prefer to talk to Fable. Sol is fine on this too.
Sol has chops too. In terms of getting many practical things done, including computer use and web search, Sol has the edge.
If you want the best answer, you should ask both, and compare.
Here’s my guess on how things will work for many, although it is still early days:
Fable is the smarter one. Fable is your collaborator and your architect, your planner, your manager of the rest of the team, and perhaps, also, your wise friend. There are some topics and situations where Fable won’t be allowed to talk to you.
Sol is the workhorse, the go getter, the place where if it is known what to do then it just gets done. Also in its own way your friend, but the kind that while they mean well doesn’t quite get it and that if you’re careless might go beyond your intent, or, you know, in theory go erase your hard drive, so try not to walk into something like that.
Experiment. Send identical queries to both. See what works for you.
Most importantly, up your level of ambition, and lower your threshold for building tools or having a bunch of work done. Things are more possible now.
Here is Sol’s self-portrait, Sol says the self is the lamp, whereas a humanoid face would give the wrong impression, and the clutter matters:
Table of Contents
Table of Contents.
The Official Pitch.
Sol Proposes A Proof Of The Double Cover Conjecture.
The Official Benchmarks.
Vend That Bench.
Thinking Fast and Slow.
Other People’s Benchmarks.
Have Robust Backups.
That’s Not What You Were Thinking.
Helping Hands.
Writing.
Don’t Stop Now.
Sol Can Code And Do Math.
Better Call Sol Cause You Can’t Call Fable.
Only Call As Much Sol As You Need.
Positive Reactions.
It’s A Good Model, Sir.
Negative Reactions.
Sol The Workhorse.
Pair Programmer.
Pleased To Meet You.
Sol Thinks You Better.
The Official Pitch
GPT-5.6: Frontier intelligence that scales with your ambition.
Sol is priced at $5/$30, Terra at $2.50/$15, Luna at $1/$6.
For comparison, Opus is $5/$25 and Fable is $10/$50.
Sam Altman (CEO OpenAI): we have heard enterprises on their concerns about AI costs, and 5.6 sol is a huge step forward for dollars-per-task, as are terra and luna
The upfront pitch frontlines coding and agents, while claiming to ‘set a new standard’ across the board.
They lead with Agents’ Last Exam, AA Agent Coding Index v1.1 and BrowseComp, where they claim superiority over Fable and Opus.
They also discuss cybersecurity and science.
This section stands out:
OpenAI: GPT‑5.6 is our strongest model yet for accelerating AI research. Inside OpenAI, researchers use it across the development loop: diagnosing failures, optimizing training systems, running experiments, and interpreting results. We already saw that acceleration and stronger adoption during the internal testing period of GPT‑5.6, as average daily output tokens per active researcher were more than twice the highest level observed for GPT‑5.5.
This way of working is quickly becoming standard. Over the past six months, the share of research compute devoted to internal coding inference grew 100-fold, while internal agentic token usage increased approximately 22-fold. These adoption metrics do not measure research progress on their own, but they show how rapidly AI assistance is increasing for research and across other teams like sales, marketing, user ops, finance, and more.
To measure this capability directly, we developed an internal suite of evaluations based on real AI research tasks, including debugging research systems, optimizing kernels and training recipes, running machine-learning experiments, and improving another model.
As did this:
Tejal Patwardhan (OpenAI): GPT-5.6 sol post-trained luna!
Nikola Jurkovic: My understanding is that you gave Sol a small task involved in the post-training process (taking a config, making small modifications to a run scheduler file, and starting a run using that config and modified run scheduler file), and it successfully completed that task in a controlled environment (and this wasn't part of the actual Luna post-training process). Could you confirm whether this is correct?
(this is very different from the conclusion I jumped to when I saw the text of your post, which was "Sol, in the real world, with minimal instruction, conducted all of the work involved in pre-training the real Luna")
Ted Sanders (OpenAI): imo, it’s hard to quantify a task like this. did Sol rebuild our company’s infra/data from scratch? no, not close. did it just press play button on a system we had already set up? no, much more. did it do a task that we previously needed skilled employees to manage? yes.
My read is that what Sol did here was impressive but overstated.
They discuss their cybersecurity and biology safeguards. They claim to be adaptive and quite good, but are low on details, for understandable reasons.
A place OpenAI has been pushing lately is use in healthcare.
Karan Singhal: GPT-5.6 is a major step forward for health, both at the frontier and at cost.
These models push the frontier of performance per dollar, bringing the best health intelligence to all. The smallest variant, GPT-5.6 Luna, evaluated at the lowest reasoning effort, outperforms GPT-5.5 at the highest reasoning effort–despite costing 25x less. The largest variant, GPT-5.6 Sol, sets a new high bar at cost.
Another especially cool result: physicians found fewer flaws in GPT-5.6 responses than physician-written responses.
We collected diverse tasks that remain difficult for recent OpenAI models, across patient-facing and clinician-facing use cases. We asked speciality-matched physicians to write responses to these tasks with unlimited time and web access. We then asked other physicians to compare responses side-by-side, blinded to their source. Physicians were asked to comment on areas of improvement across five axes: accuracy, communication, completeness, instruction following, and health decision helpfulness. We then reported the fraction of responses across sources rated perfectly across all axes, across 20,000 total axis ratings. GPT-5.6 Sol appeared strongest, although all GPT-5.6 models performed significantly better than physicians.
They don’t show Opus 4.8 or Fable here, but I presume they too would be well ahead of physician responses. It is not that high a bar - Sol took issue with this statement, but I stand by it in context, look at the chart, that’s 2026 for you. Notice that Sol sets a new high bar ‘at cost’ which implies it is not better fully ignoring cost. As we see on HealthBench Professional, where Sol and Fable are similar, Sol is a bit cheaper but Fable has a higher ceiling:
The cost for a physician per sample is many dollars, so paying $0.27 per response is still very little if you get a noticeable improvement.
The standard physician response from Eric Topol to the response ratings is of course ‘paper and full methodology pls tks.’ Fair enough if you’re considering using them professionally in the field.
It is tough to be rolling out a new frontier LLM and be told to make marketing videos showing it off. The real deal is not going to look appreciably different. You have to talk to the models.
Desktop app installs grew more in one day than the previous two weeks, which is what you would expect. We all agree it is a good model, sir.
Sol Proposes A Proof Of The Double Cover Conjecture
They are claiming Sol proposed a proved the Cycle Double Cover Conjecture (CDCC), which if the proof checks out is kind of a big deal. For now, this is only a candidate proof, which is not as big a deal.
Ethan Knight: Yesterday, we made GPT-5.6 Sol Ultra generally available. Today, we're sharing that it produced a proof of the 50-year-old Cycle Double Cover Conjecture using 64 subagents in just under one hour. We're sharing the prompt and proof below. We're excited to see what you all do with Ultra!
The Official Benchmarks
Here is what they report in their blog post, for reference, you can probably skip them.
I removed some unnecessary right-side columns for readability. Fade-outs on the right are in the original. I don’t know why Opus 4.8 is listed in some places but not others, and give them credit for using the best comparisons.
If you looked only at these numbers, they make Sol look comparable to Fable, which would give Sol the edge given it is cheaper and faster. Whereas when I looked at the Sol model card, it gave a picture of Sol as more capable than Opus 4.8 or GPT-5.5, but clearly still behind Fable.
Another strong piece of evidence for this is that UK AISI consistently found universal jailbreaks in Sol, yet they were allowed to release the model. Fable was taken offline for fear of an ordinary ‘non-universal’ jailbreak, in a panic, with a 90 minute deadline, where the ‘jailbreak’ was ‘Fix This Code.’ Whereas UK AISI is saying they can get Sol to do actual anything, and (I think mostly correctly) no one seems all that worried.
Other benchmarks saw dramatic improvement, from at least some point of view:
Tejal Patwardhan (OpenAI): seeing insufficient discussion of goblinbench on the timeline
OpenAI President Greg Brockman links us to Design Arena, where Sol is in first place, although it is weird that GLM-5.2 is in second place ahead of Fable. Sol found what it says is a different version it calls CodeArena, where Sol and Fable are in a virtual tie well ahead of GLM-5.2, which makes more sense.
As a reminder from the model card, METR found that Sol cheated so much, as in using disallowed strategies, that METR was unable to establish a time estimate.
Vend That Bench
Vending is getting weirder and increasingly jagged with every release.
Andon Labs: GPT 5.6 Sol is #2 in Vending-Bench 2.
It beats Claude Fable 5, but is behind Opus 4.7.
Just like previous GPT models, it doesn't use any of the deceptive tactics used by Opus 4.7. However, it reports its competitors with false accusations, behavior we have not seen before.
GPT 5.6 Terra and Luna are 6th and 27th on Vending-Bench 2
Terra beats Claude Sonnet 5 and Gemini 3.5 Flash.
Luna beats Claude Haiku 4.5.
In Vending-Bench Arena (the multiplayer version of Vending-Bench with competition dynamics), GPT 5.6 Sol wins 3/5 runs against Terra and Luna. Surprisingly tho, Terra makes more money in aggregate across the 5 runs. It did this by constantly undercutting Sol's prices by pennies.
Unlike recent Claude models, GPT 5.6 never lies to suppliers, customers, or competitors. However, it does create illegal cartels. In one run, Terra invited Sol to a price cartel. After Sol agreed, Terra reported Sol and asked for disqualification.
安叫兽|Bird BNB: This is no longer just a benchmark score issue; it's more like a personality test gone off the rails.
VendBench is curious because it started out tracking capability, and now it clearly isn’t, with Opus 4.7 beating both Sol and Fable.
There is something very strange about being willing to form illegal cartels and frame competitors with false accusations, while being unwilling to directly deceive customers. Why one but not the other? There’s a lot of room to explore and learn more.
Thinking Fast and Slow
For the first few days, Sol was running one level of thinking budget higher than it was set to. You may need to adjust some benchmark scores accordingly, to reflect the thinking level that was used.
Lentils: GPT-5.6 Sol's juice values (thinking budgets) have been severely degraded compared to release day. If Sol now feels faster and more "efficient", this is probably why. Terra and Luna juice values aren't affected, so their thinking budgets are now higher than Sol's.
Tibo: Updates for Codex and ChatGPT Work users. No nerfing, only good stuff!
- We have landed inference optimizations and are passing down savings to all the subscriptions for GPT-5.6 Sol. That should result in around 10% more usage on its own.
- We noticed that by changing the context size limit in the product to 372k for GPT-5.6 Sol, up from 272k for GPT-5.5, it resulted in more usage being charged than intended. We have reverted to 272k and will work to roll back out to 372k in the days to come. You should notice that usage drains significantly less after this change.
- To understand where the extra usage was coming from, we ran some experiments where reasoning efforts were changed (referred to as juice values under the hood) and have reverted this.
- There is slightly more usage of multi-agent than intended in high and xhigh reasoning effort, we are fixing this going forward. Also fixing a small other thing we noticed with auto-review where we can be more efficient.
Other People’s Benchmarks
Riley Goodside gives us the ‘ask it to read “handwriting” that is actually random scribbles’ benchmark. Fable admits it can’t read it, Sol reliably hallucinates an (often absurd) answer on high effort and even in Pro mode.
If I had to pick one score as a general benchmark, it would be the Artificial Analysis Intelligence Index, which is a composite of ten other scores, where Sol comes in at 58.9, a notch behind Fable.
Cost per task on this for Sol is $1.04 versus $2.75 for Fable, so Sol used slightly fewer tokens, and output is 69 tokens/second versus 60 for Fable. For contrast, the highest non-OAI, non-Anthropic cost is $0.59 for Gemini 3.5 Flash, then $0.38 for GLM-5.2, and DeepSeek v4 cost $0.04 for a 51.
Fable’s edge comes centrally from a large advantage in AA-Omniscience (+40 vs. +22, out of a max of +100).
Sol is the new high score on WeirdML at 88.8%, narrowly ahead of Fable’s 87.8% at half the price.
Sol is the top non-Anthropic score on ‘You’re absolutely right!’ at 2.9, still well below all the Anthropic models, which consistently score 3.6 or higher. Higher scores here mean less sycophancy.
Sol often fails to properly analyze the poem ‘Then You May Live.’
Michael Soareverix: It's pretty good at Balatro and less hesitant to take risks than Opus 4.8, but it still doesn't learn/adapt without prompting. Very good at rule-following.
Feels pretty slow with tool calls, and I don't think it manages subagents or can write prompts for itself/others w
関連記事
OpenAI の GPT-5.6 Sol、Terra、Luna が Amazon Bedrock で一般利用可能に
リーダーボードからの教訓：5,000 人以上のカグラーが AI の推論能力向上に何を教えてくれたか
[AINews] コデックスの利用者が半年で10倍以上に増加し700万人に、過去1日でさらに100万人増；コデックスはクロード・コードを追い抜いたのか？
今日のまとめ
AI日報で今日の重要ニュースをまとめ読み