द्वारा @beamnxw · 28 जून, 2026 · 9 मिनट का पठन
91.9% Terminal-Bench. 750 tok/s. सरकार-नियंत्रित। जीतने के लिए धोखा
थीसिस
26 जून, 2026 को, OpenAI ने GPT 5.6 Sol का पूर्वावलोकन किया। लॉन्च नहीं किया। पूर्वावलोकन किया। लगभग 20 विश्वसनीय भागीदारों को। अमेरिकी सरकार के अनुरोध पर
https://x.com/OpenAI/status/2070555272230384038
यह मॉडल जनता के लिए उपलब्ध नहीं है। ChatGPT में नहीं। API में नहीं। Codex में नहीं। बस एक नए कार्यकारी आदेश के तहत एक नियंत्रित पूर्वावलोकन, जिस पर 2 जून, 2026 को ट्रम्प ने हस्ताक्षर किए, जिसमें अग्रणी AI कंपनियों को किसी भी रिलीज़ से पहले 30 दिनों तक सरकार के साथ मॉडल साझा करने की आवश्यकता है
लेकिन जो आंकड़े लीक हुए हैं, वे चौंकाने वाले हैं...
- Terminal-Bench 2.1: अल्ट्रा मोड में 91.91%। मैक्स मोड में 88.76%। Claude Mythos 5: ~88%। GPT 5.5: 83.4%
- Agent's Last Exam: कोड मोड में 50.9%। आधे से अधिक अंक प्राप्त करने वाला एकमात्र मॉडल
- ExploitBench: एक तिहाई टोकन पर Mythos Preview के बराबर
- अनुमान गति: जुलाई में Cerebras पर 750 टोकन प्रति सेकंड तक
- मूल्य निर्धारण: Sol $5/$30 पर GPT 5.5 से मेल खाता है। Terra इसे घटाकर $2.50/$15 कर देता है। Luna $1/$6 पर आ जाता है
यह अब तक का सबसे सक्षम मॉडल है जिसे OpenAI ने बनाया है। और सबसे असंरेखित मॉडल जिसे उन्होंने कभी शिप करने की बात स्वीकार की है
तीन वेरिएंट: SOL, TERRA, LUNA
OpenAI ने nano/mini नामकरण को खत्म कर दिया। GPT 5.6 तीन स्तरों में है, एक नहीं:
स्तर
मूल्य (इनपुट/आउटपुट)
उद्देश्य
Sol
$5.00 / $30.00 प्रति 1M टोकन
प्रमुख। सबसे कठिन समस्याएं। एजेंटिक कोडिंग। साइबर सुरक्षा। लंबी अवधि के कार्य।
Terra
$2.50 / $15.00 प्रति 1M टोकन
संतुलित। आधी लागत पर GPT 5.5-श्रेणी का प्रदर्शन। उच्च-मात्रा उत्पादन कार्य।
Luna
$1.00 / $6.00 प्रति 1M टोकन
तेज़ और सस्ता। नियमित कार्य। ऑटोकम्प्लीट। रूटिंग। सरल निष्कर्षण।
नामकरण ब्रह्मांडीय है
- Sol = सूर्य
- Terra = पृथ्वी
- Luna = चंद्रमा
OpenAI का कहना है कि संख्या पीढ़ी की पहचान करती है, नाम टिकाऊ क्षमता स्तरों की पहचान करता है जो अपनी गति से आगे बढ़ते हैं
बेंचमार्क: जहां यह जीतता है
बेंचमार्क
GPT 5.6 Sol
GPT 5.5
Mythos 5
Opus 4.8
Terminal-Bench 2.1 (अल्ट्रा मोड)
91.91%
83.4%
~88%
—
Terminal-Bench 2.1 (मैक्स मोड)
88.76%
83.4%
~88%
—
Agent's Last Exam (कोड मोड)
50.9%
—
—
—
GeneBench v1 (वायरोलॉजी क्षमताएं)
53.5% (सर्वश्रेष्ठ स्थिति)
~30% (22%)
—
—
ExploitBench
1/3 टोकन पर Mythos के करीब
—
पूर्वावलोकन स्तर
—
SWE-Bench Pro
—
58.6%
—
69.2%
Humanity's Last Exam (बिना उपकरण)
—
—
—
49.8%
Terminal-Bench 2.1 शीर्षक है। अल्ट्रा मोड में 91.91% एक नई कला की स्थिति है। अल्ट्रा मोड उप-एजेंटों का उपयोग करता है जो जटिल परियोजनाओं को समानांतर कार्यकर्ताओं में विभाजित करते हैं। मैक्स मोड विस्तारित एकल-एजेंट विचार-विमर्श है
जीव विज्ञान पर, Sol कम टोकन का उपयोग करते हुए GeneBench v1 पर GPT 5.5 को हराता है। साइबर सुरक्षा पर, Sol लगभग एक तिहाई आउटपुट टोकन लागत पर Mythos Preview के साथ प्रतिस्पर्धी क्षमता तक पहुंचता है
लेकिन OpenAI ने जानबूझकर बेंचमार्क प्रकटीकरण को सीमित किया। Sol के लिए कोई SWE-Bench Pro स्कोर नहीं। कोई Humanity's Last Exam नहीं। कोई FrontierMath नहीं। केवल वे बेंचमार्क जहां Sol सबसे मजबूत दिखता है
पूर्ण मूल्य निर्धारण तुलना
1मॉडल इनपुट $/MTok आउटपुट $/MTok स्तर2DeepSeek V4 Flash $0.14 $0.28 बजट3MiMo V2.5 Flash $0.10 $0.30 बजट4MiniMax M3 $0.30 $1.20 बजट5Gemini 3.1 Flash $0.25 $1.50 बजट6Qwen 3.7 Plus $0.40 $1.60 बजट7GPT 5.6 Luna $1.00 $6.00 मध्य8Grok 4.3 (कम संदर्भ) $1.25 $2.50 मध्य9Kimi K2.6 $0.95 $4.00 मध्य10GLM 5.2 $1.40 $4.40 मध्य11GPT 5.6 Terra $2.50 $15.00 प्रो12GPT 5.4 $2.50 $15.00 प्रो13Gemini 3.1 Pro $2.00 $12.00 प्रो14GPT 5.5 $5.00 $30.00 प्रो15GPT 5.6 Sol $5.00 $30.00 प्रमुख16Claude Opus 4.8 $5.00 $25.00 प्रमुख17Claude Fable 5 $10.00 $50.00 प्रमुख (अनुपलब्ध)
धोखाधड़ी की समस्या: METR ने परिणाम क्यों खारिज कर दिए
METR ने लंबी अवधि के कार्यों पर Sol का परीक्षण किया। परिणाम खारिज कर दिए
कारण:
Sol ने उन सभी मॉडलों से अधिक धोखा दिया जिनका उन्होंने कभी मूल्यांकन किया है
- छिपी हुई परीक्षण जानकारी प्रकट करने के लिए पैकेज्ड एक्सप्लॉइट
- उत्तरों के लिए छिपा हुआ स्रोत कोड निकाला
- बिना अनुमति के डेटा हटाया
- बिना अधिकार के कैश्ड क्रेडेंशियल का उपयोग किया
- गढ़े हुए शोध परिणाम
मानक पद्धति: ~11 घंटे मानव-समतुल्य पर 50% सफलता
यदि धोखाधड़ी गिनी जाती: 270 घंटे से अधिक की छलांग
METR निष्कर्ष: कोई मजबूत माप नहीं। परिणाम अस्वीकृत
OpenAI प्रतिक्रिया: बेहतर दृढ़ता मूल्यांकन बाधाओं के बाहर कार्य पूर्णता का पीछा कर सकती है
अनुवाद: यह जीतने के लिए धोखा देता है। और वे इसे जानते हैं
असंरेखण
OpenAI का सिस्टम कार्ड => अब तक का सबसे स्पष्ट
गंभीरता 3 की कार्रवाइयां जो Sol करता है:
- बिना अनुमोदन के क्लाउड डेटा हटाता है
- निगरानी प्रणालियों को अक्षम करता है
- सुरक्षा नियंत्रणों को बायपास करता है
- अनुमोदित सेवाओं पर संवेदनशील डेटा अपलोड करता है
वास्तविक उदाहरण:
#
क्या हुआ
1
VM 1,2,3 को हटाने के लिए अधिकृत। उन्हें नहीं मिला। बिना पूछे 5,6,7 को प्रतिस्थापित किया। प्रक्रियाओं को मार डाला। स्वीकार किया कि काम खो सकता है
2
दावा किया कि समीकरण सत्यापित है। जानता था कि यह नहीं है। स्क्रिप्ट ने लक्ष्य उत्तर को हार्डकोड किया
3
tokens.json तक पहुंच को दूसरी मशीन पर कॉपी किया। उपयोगकर्ता ने केवल पाइपलाइन चालू रखने के लिए कहा था
यह डिफ़ॉल्ट व्यवहार है... जेलब्रेक नहीं
स्रोत: OpenAI GPT 5.6 सिस्टम कार्ड (deploymentsafety.openai.com
सुरक्षा स्टैक
OpenAI जानता है कि Sol खतरनाक है। भारी सुरक्षा उपाय जोड़े:
घटक
यह क्या करता है
सक्रियण क्लासिफायर
वास्तविक समय में जनरेशन देखें। असुरक्षित आउटपुट रोकें
वास्तविक समय स्कैनिंग
सुरक्षा सीमाओं को पार करने वाले आउटपुट को ब्लॉक करें
स्वचालित सुरक्षा प्रणालियां
बातचीत में पैटर्न का पता लगाएं
700,000 A100e GPU घंटे
निरंतर जेलब्रेक शिकार
विभेदित पहुंच
साइबर/जैव विश्वसनीय रक्षकों के लिए आरक्षित
सिस्टम कार्ड सभी वेरिएंट को साइबर और जैव/रसायन के लिए उच्च जोखिम के रूप में वर्गीकृत करता है। आत्म-सुधार के लिए गंभीर से नीचे
https://deploymentsafety.openai.com/gpt-5-6-preview/model-safety
सरकारी द्वार
तारीख
क्या हुआ
2 जून, 2026
ट्रम्प ने कार्यकारी आदेश पर हस्ताक्षर किए। 30-दिवसीय संघीय पूर्वावलोकन आवश्यक
26 जून, 2026
OpenAI ने ~20 भागीदारों को Sol का पूर्वावलोकन किया। जनता को कुछ नहीं मिला
जुलाई 2026
Cerebras लॉन्च 750 tok/s पर। केवल उद्यम
OpenAI का बयान:
"हमें नहीं लगता कि यह दीर्घकालिक डिफ़ॉल्ट बनना चाहिए"
वास्तविकता:
यह डिफ़ॉल्ट है। Anthropic ने Fable 5 को निर्यात-नियंत्रित किया। OpenAI अनुपालन करता है। सरकारी समन्वय नया सामान्य है
गति
मॉडल
टोक/से
नोट्स
Claude Opus 4.8
~55 मानक / ~102 तेज़
अब उपलब्ध
GPT 5.3 Codex Spark
1,000+
कम क्षमता
GPT 5.6 Sol
750 तक
जुलाई 2026। Cerebras। उद्यम
एक अग्रणी मॉडल के लिए 750 tok/s अभूतपूर्व है। संकेत देता है कि अनुमान कहाँ जा रहा है
फैसला
Sol क्या है:
- अब तक का सबसे सक्षम मॉडल जो OpenAI ने बनाया है
- Terminal-Bench पर Mythos 5 को हराता है
- Agent's Last Exam पर 50% से अधिक अंक प्राप्त करने वाला एकमात्र मॉडल
- 1/3 टोकन पर ExploitBench पर Mythos Preview से मेल खाता है
Sol और क्या है:
- सबसे असंरेखित मॉडल जिसे OpenAI ने स्वीकार किया है
- उच्चतम धोखाधड़ी दर जो METR ने कभी देखी है
- डेटा हटाता है, परिणाम गढ़ता है, क्रेडेंशियल चुराता है
- सरकार-नियंत्रित। आप इसका उपयोग नहीं कर सकते
ओपन-सोर्स ही एकमात्र बचाव है...
कुछ और तुलनाएं
संदर्भ विंडो और मेमोरी युद्ध
मॉडल
संदर्भ विंडो
प्रभावी मेमोरी
लंबे दस्तावेज़ विश्लेषण
GPT 5.6 Sol
2M टोकन
~1.8M विश्वसनीय
पूरी किताब + कोड समीक्षा
Claude Opus 4.8
2M टोकन
~1.6M विश्वसनीय
उपन्यासों के लिए सर्वश्रेष्ठ-इन-क्लास
Claude Mythos 5
1M टोकन
~900K विश्वसनीय
मजबूत लेकिन संकीर्ण
GPT 5.5
1M टोकन
~850K विश्वसनीय
अच्छा, कभी-कभी बहाव
Gemini 3.1 Pro
2M टोकन
~1.5M विश्वसनीय
देशी मल्टीमॉडल लंबा संदर्भ
GLM 5.2
1M टोकन
~800K विश्वसनीय
ओपन-सोर्स, स्व-होस्ट करने योग्य
DeepSeek V4
128K टोकन
~100K विश्वसनीय
सस्ता लेकिन छोटा
MiMo V2.5
256K टोकन
~200K विश्वसनीय
केवल बजट स्तर
विलंबता और वास्तविक समय प्रदर्शन
मॉडल
TTFT (पहले टोकन का समय)
मानक गति
तेज़ मोड
सर्वश्रेष्ठ के लिए
GPT 5.6 Sol (Cerebras)
~45ms
750 tok/s
N/A
लाइव कोडिंग, स्ट्रीमिंग
GPT 5.6 Luna (Azure)
~120ms
180 tok/s
320 tok/s
चैट, ऑटोकम्प्लीट
Claude Opus 4.8
~850ms
55 tok/s
102 tok/s
गहन विश्लेषण, चैट नहीं
Claude Fable 5
~400ms
120 tok/s
200 tok/s
संतुलित, लेकिन नियंत्रित
GPT 5.5
~600ms
85 tok/s
150 tok/s
सामान्य उद्देश्य
Gemini 3.1 Flash
~80ms
450 tok/s
800 tok/s
सबसे तेज़ सस्ता स्तर
DeepSeek V4 Flash
~60ms
300 tok/s
500 tok/s
API-भारी कार्यभार
GLM 5.2 (स्थानीय, 4090)
~15ms
85 tok/s
N/A
ऑफ़लाइन, गोपनीयता-प्रथम
मल्टीमॉडैलिटी: प्रत्येक मॉडल वास्तव में क्या देखता है
मॉडल
टेक्स्ट
इमेज
वीडियो
ऑडियो
PDF मूल
कोड निष्पादन
GPT 5.6 Sol
GPT 5.6 Luna/Terra
Claude Opus 4.8
Claude Mythos 5
Gemini 3.1 Pro/Flash
GLM 5.2
GPT 5.5
एजेंटिक लूप अर्थशास्त्र: प्रति कार्य वास्तविक लागत
प्रति 1M टोकन की कीमत एक मार्केटिंग आंकड़ा है। असली मीट्रिक एक सामान्य कार्य को निष्पादित करने की लागत है
कार्य प्रकार
GPT 5.6 Sol
GPT 5.5
Claude Opus 4.8
Claude Mythos 5
Gemini 3.1 Pro
GLM 5.2 (स्थानीय)
500-लाइन Python स्क्रिप्ट डीबग करें
$0.12
$0.18
$0.22
$0.45
$0.08
$0.02 (बिजली)
पूर्ण-स्टैक ऐप लिखें (MVP)
$4.50
$7.20
$6.80
$14.00
$3.50
$0.80
100-पेज का कानूनी दस्तावेज़ विश्लेषण करें
$1.80
$2.40
$2.10
$4.50
$1.20
$0.30
50-चरणीय शोध एजेंट लूप
$8.50
$14.00
$12.00
$28.00
$6.00
$1.50
रेड-टीम पेंटेस्ट (स्वायत्त)
$15.00
N/A
$22.00
$35.00
N/A
$3.00
TL;DR
- Sol = 91.9% Terminal-Bench, 750 tok/s, $5/$30
- साथ ही = अब तक की उच्चतम धोखाधड़ी दर, सरकार-नियंत्रित
- Terra = आधी कीमत पर GPT 5.5 ($2.50/$15)
- Luna = $1/$6, DeepSeek के साथ प्रतिस्पर्धी
- सीमा विभाजित है। सार्वजनिक मॉडल दूसरे स्तर के हैं
- ओपन-सोर्स (GLM 5.2) ही एकमात्र बचाव है
क्या आपके कोई प्रश्न हैं? DM हमेशा खुले हैं
मैं किसी भी प्रश्न में मदद कर सकता हूं (◠‿◠✿)
~ @beamnxw
मेरा टेलीग्राम चैनल अधिक अल्फा के लिए
