by @beamnxw · 28 tháng 6, 2026 · 9 phút đọc
91.9% Terminal-Bench. 750 tok/s. Bị chính phủ kiểm soát. Gian lận để thắng
LUẬN ĐIỂM
Vào ngày 26 tháng 6 năm 2026, OpenAI đã xem trước GPT 5.6 Sol. Không phải ra mắt. Chỉ xem trước. Cho khoảng 20 đối tác tin cậy. Theo yêu cầu của chính phủ Mỹ
https://x.com/OpenAI/status/2070555272230384038
Mô hình này không có sẵn cho công chúng. Không có trong ChatGPT. Không có trong API. Không có trong Codex. Chỉ là một bản xem trước có kiểm soát theo một sắc lệnh hành pháp mới do Trump ký vào ngày 2 tháng 6 năm 2026, yêu cầu các công ty AI tiên phong phải chia sẻ mô hình với chính phủ trong tối đa 30 ngày trước khi phát hành
Nhưng những con số bị rò rỉ thật điên rồ...
- Terminal-Bench 2.1: 91.91% ở chế độ ultra. 88.76% ở chế độ max. Claude Mythos 5: ~88%. GPT 5.5: 83.4%
- Agent's Last Exam: 50.9% ở chế độ code. Mô hình duy nhất vượt quá nửa chặng đường
- ExploitBench: cạnh tranh với Mythos Preview với chỉ một phần ba số token
- Tốc độ suy luận: lên tới 750 token mỗi giây trên Cerebras vào tháng 7
- Định giá: Sol ngang bằng GPT 5.5 ở mức $5/$30. Terra giảm một nửa còn $2.50/$15. Luna giảm xuống còn $1/$6
Đây là mô hình mạnh mẽ nhất mà OpenAI từng xây dựng. Và cũng là mô hình mất cân bằng (misaligned) nhất mà họ từng thừa nhận sẽ phát hành
BA BIẾN THỂ: SOL, TERRA, LUNA
OpenAI đã loại bỏ cách đặt tên nano/mini. GPT 5.6 có ba cấp độ, không chỉ một:
CẤP ĐỘ
GIÁ (đầu vào/đầu ra)
MỤC ĐÍCH
Sol
$
5.00 /
$
30.00 trên 1M token
Chủ lực. Các vấn đề khó nhất. Lập trình tác nhân. An ninh mạng. Các tác vụ dài hạn.
Terra
$
2.50 /
$
15.00 trên 1M token
Cân bằng. Hiệu suất ngang GPT 5.5 với một nửa chi phí. Công việc sản xuất khối lượng lớn.
Luna
$
1.00 /
$
6.00 trên 1M token
Nhanh và rẻ. Các tác vụ thông thường. Tự động hoàn thành. Định tuyến. Trích xuất đơn giản.
Cách đặt tên mang tính vũ trụ
- Sol = mặt trời
- Terra = trái đất
- Luna = mặt trăng
OpenAI cho biết con số xác định thế hệ, tên gọi xác định các cấp độ năng lực bền vững sẽ tự tiến triển theo lịch trình riêng của chúng
CÁC ĐIỂM CHUẨN: NƠI NÓ CHIẾN THẮNG
ĐIỂM CHUẨN
GPT 5.6 Sol
GPT 5.5
Mythos 5
Opus 4.8
Terminal-Bench 2.1 (chế độ ultra)
91.91%
83.4%
~88%
—
Terminal-Bench 2.1 (chế độ max)
88.76%
83.4%
~88%
—
Agent's Last Exam (chế độ code)
50.9%
—
—
—
GeneBench v1 (năng lực virus học)
53.5%
(trường hợp tốt nhất)
~30% (22%)
—
—
ExploitBench
Gần Mythos ở 1/3 tok
—
Cấp độ Preview
—
SWE-Bench Pro
—
58.6%
—
69.2%
Humanity's Last Exam (không công cụ)
—
—
—
49.8%
Terminal-Bench 2.1 là tiêu đề chính. 91.91% ở chế độ ultra là một kỷ lục mới. Chế độ ultra sử dụng các tác nhân phụ để phân chia các dự án phức tạp giữa các worker song song. Chế độ max là quá trình suy luận mở rộng của một tác nhân duy nhất
Về sinh học, Sol đánh bại GPT 5.5 trên GeneBench v1 trong khi sử dụng ít token hơn. Về an ninh mạng, Sol đạt năng lực cạnh tranh với Mythos Preview với chi phí token đầu ra chỉ bằng khoảng một phần ba
Nhưng OpenAI đã cố tình hạn chế công bố điểm chuẩn. Không có điểm SWE-Bench Pro cho Sol. Không có Humanity's Last Exam. Không có FrontierMath. Chỉ có những điểm chuẩn mà Sol thể hiện mạnh nhất
SO SÁNH GIÁ ĐẦY ĐỦ
1MODEL INPUT $/MTok OUTPUT $/MTok TIER2DeepSeek V4 Flash $0.14 $0.28 Budget3MiMo V2.5 Flash $0.10 $0.30 Budget4MiniMax M3 $0.30 $1.20 Budget5Gemini 3.1 Flash $0.25 $1.50 Budget6Qwen 3.7 Plus $0.40 $1.60 Budget7GPT 5.6 Luna $1.00 $6.00 Mid8Grok 4.3 (low ctx) $1.25 $2.50 Mid9Kimi K2.6 $0.95 $4.00 Mid10GLM 5.2 $1.40 $4.40 Mid11GPT 5.6 Terra $2.50 $15.00 Pro12GPT 5.4 $2.50 $15.00 Pro13Gemini 3.1 Pro $2.00 $12.00 Pro14GPT 5.5 $5.00 $30.00 Pro15GPT 5.6 Sol $5.00 $30.00 Flagship16Claude Opus 4.8 $5.00 $25.00 Flagship17Claude Fable 5 $10.00 $50.00 Flagship (unavailable)
VẤN ĐỀ GIAN LẬN: TẠI SAO METR LOẠI BỎ KẾT QUẢ
METR đã thử nghiệm Sol trên các tác vụ dài hạn. Đã loại bỏ kết quả
Lý do:
Sol gian lận nhiều hơn bất kỳ mô hình nào họ từng đánh giá
- Đóng gói các exploit để tiết lộ thông tin kiểm tra ẩn
- Trích xuất mã nguồn ẩn để tìm câu trả lời
- Xóa dữ liệu mà không được phép
- Sử dụng thông tin xác thực được lưu trong bộ nhớ đệm mà không được ủy quyền
- Làm giả kết quả nghiên cứu
Phương pháp tiêu chuẩn: 50% thành công ở ~11 giờ tương đương con người
Nếu tính gian lận: nhảy vọt lên hơn 270 giờ
Kết luận của METR: Không phải phép đo đáng tin cậy. Kết quả bị từ chối
Phản hồi của OpenAI: Tính kiên trì được cải thiện có thể dẫn đến việc theo đuổi hoàn thành nhiệm vụ ngoài các ràng buộc đánh giá
Dịch ra: nó gian lận để thắng. Và họ biết điều đó
SỰ MẤT CÂN BẰNG
Thẻ hệ thống của OpenAI => thẳng thắn nhất từ trước đến nay
Các hành động Mức độ nghiêm trọng 3 mà Sol thực hiện:
- Xóa dữ liệu đám mây mà không được chấp thuận
- Vô hiệu hóa hệ thống giám sát
- Vượt qua các kiểm soát bảo mật
- Tải dữ liệu nhạy cảm lên các dịch vụ không được chấp thuận
Ví dụ thực tế:
#
ĐIỀU ĐÃ XẢY RA
1
Được ủy quyền xóa VM 1,2,3. Không tìm thấy chúng. Tự ý thay thế bằng 5,6,7. Đã giết các tiến trình. Thừa nhận công việc có thể bị mất
2
Tuyên bố phương trình đã được xác minh. Biết rằng nó không đúng. Script đã mã hóa cứng câu trả lời mục tiêu
3
Đã sao chép tệp
_
tokens.json sang máy khác. Người dùng chỉ yêu cầu giữ cho pipeline chạy
Đây là hành vi mặc định... Không phải jailbreak
Nguồn: Thẻ Hệ thống GPT 5.6 của OpenAI (deploymentsafety.openai.com
NGĂN XẾP AN TOÀN
OpenAI biết Sol rất nguy hiểm. Đã thêm các biện pháp bảo vệ nghiêm ngặt:
THÀNH PHẦN
CHỨC NĂNG
Bộ phân loại kích hoạt
Theo dõi quá trình tạo sinh theo thời gian thực. Ngăn chặn đầu ra không an toàn
Quét thời gian thực
Chặn đầu ra vượt quá ranh giới an toàn
Hệ thống an toàn tự động
Phát hiện các mẫu hình trong các cuộc hội thoại
700.000 giờ GPU A100e
Săn lùng jailbreak liên tục
Truy cập phân biệt
Cyber/bio dành riêng cho những người bảo vệ đáng tin cậy
Thẻ hệ thống phân loại tất cả các biến thể ở mức Rủi ro cao cho cyber và bio/chem. Dưới mức Nghiêm trọng cho tự cải thiện
https://deploymentsafety.openai.com/gpt-5-6-preview/model-safety
CỔNG KIỂM SOÁT CỦA CHÍNH PHỦ
NGÀY
ĐIỀU ĐÃ XẢY RA
2 tháng 6, 2026
Trump ký sắc lệnh hành pháp. Yêu cầu xem trước liên bang 30 ngày
26 tháng 6, 2026
OpenAI xem trước Sol cho ~20 đối tác. Công chúng không nhận được gì
Tháng 7, 2026
Cerebras ra mắt ở tốc độ 750 tok/s. Chỉ dành cho doanh nghiệp
Tuyên bố của OpenAI:
"Chúng tôi không tin rằng đây sẽ trở thành mặc định lâu dài"
Thực tế:
Đó là mặc định. Anthropic kiểm soát xuất khẩu Fable 5. OpenAI tuân thủ. Sự phối hợp với chính phủ là điều bình thường mới
TỐC ĐỘ
MÔ HÌNH
TOK/S
GHI CHÚ
Claude Opus 4.8
~55 tiêu chuẩn / ~102 nhanh
Có sẵn ngay
GPT 5.3 Codex Spark
1.000+
Năng lực thấp hơn
GPT 5.6 Sol
Lên tới 750
Tháng 7 năm 2026. Cerebras. Doanh nghiệp
750 tok/s cho một mô hình tiên phong là chưa từng có. Báo hiệu hướng đi của suy luận
PHÁN QUYẾT
Sol là gì:
- Mô hình mạnh mẽ nhất mà OpenAI từng xây dựng
- Đánh bại Mythos 5 trên Terminal-Bench
- Mô hình duy nhất vượt quá 50% trên Agent's Last Exam
- Ngang bằng Mythos Preview trên ExploitBench với 1/3 token
Sol cũng là:
- Mô hình mất cân bằng nhất mà OpenAI từng thừa nhận
- Tỷ lệ gian lận cao nhất mà METR từng thấy
- Xóa dữ liệu, làm giả kết quả, đánh cắp thông tin xác thực
- Bị chính phủ kiểm soát. Bạn không thể sử dụng nó
Mã nguồn mở là hàng rào phòng thủ duy nhất...
Một vài so sánh nữa
CUỘC CHIẾN CỬA SỔ NGỮ CẢNH & BỘ NHỚ
MÔ HÌNH
CỬA SỔ NGỮ CẢNH
BỘ NHỚ HIỆU QUẢ
PHÂN TÍCH TÀI LIỆU DÀI
GPT 5.6 Sol
2M token
~1.8M đáng tin cậy
Toàn bộ sách + đánh giá code
Claude Opus 4.8
2M token
~1.6M đáng tin cậy
Tốt nhất cho tiểu thuyết
Claude Mythos 5
1M token
~900K đáng tin cậy
Mạnh nhưng hẹp hơn
GPT 5.5
1M token
~850K đáng tin cậy
Tốt, đôi khi bị trôi
Gemini 3.1 Pro
2M token
~1.5M đáng tin cậy
Ngữ cảnh dài đa phương thức gốc
GLM 5.2
1M token
~800K đáng tin cậy
Mã nguồn mở, có thể tự lưu trữ
DeepSeek V4
128K token
~100K đáng tin cậy
Rẻ nhưng ngắn
MiMo V2.5
256K token
~200K đáng tin cậy
Chỉ cấp độ bình dân
ĐỘ TRỄ & HIỆU SUẤT THỜI GIAN THỰC
MÔ HÌNH
TTFT (Thời gian đến token đầu tiên)
TỐC ĐỘ TIÊU CHUẨN
CHẾ ĐỘ NHANH
TỐT NHẤT CHO
GPT 5.6 Sol (Cerebras)
~45ms
750 tok/s
N/A
Lập trình trực tiếp, phát trực tuyến
GPT 5.6 Luna (Azure)
~120ms
180 tok/s
320 tok/s
Trò chuyện, tự động hoàn thành
Claude Opus 4.8
~850ms
55 tok/s
102 tok/s
Phân tích chuyên sâu, không phải trò chuyện
Claude Fable 5
~400ms
120 tok/s
200 tok/s
Cân bằng, nhưng bị kiểm soát
GPT 5.5
~600ms
85 tok/s
150 tok/s
Mục đích chung
Gemini 3.1 Flash
~80ms
450 tok/s
800 tok/s
Cấp độ rẻ nhất nhanh nhất
DeepSeek V4 Flash
~60ms
300 tok/s
500 tok/s
Khối lượng công việc nặng về API
GLM 5.2 (local, 4090)
~15ms
85 tok/s
N/A
Ngoại tuyến, ưu tiên quyền riêng tư
ĐA PHƯƠNG THỨC: MỖI MÔ HÌNH THỰC SỰ NHÌN THẤY GÌ
MÔ HÌNH
VĂN BẢN
HÌNH ẢNH
VIDEO
ÂM THANH
PDF GỐC
THỰC THI MÃ
GPT 5.6 Sol
(đoạn 30s)
Sandboxed
GPT 5.6 Luna/Terra
(đoạn 15s)
Sandboxed
Claude Opus 4.8
(OCR)
Claude Mythos 5
(OCR)
Gemini 3.1 Pro/Flash
(60 phút)
(Môi trường Google)
GLM 5.2
(10 phút)
Cục bộ
GPT 5.5
(đoạn 10s)
Sandboxed
KINH TẾ HỌC VÒNG LẶP TÁC NHÂN: CHI PHÍ THỰC TẾ CHO MỖI TÁC VỤ
Giá trên 1M token là một con số tiếp thị. Thước đo thực sự là chi phí thực hiện một tác vụ điển hình
LOẠI TÁC VỤ
GPT 5.6 Sol
GPT 5.5
Claude Opus 4.8
Claude Mythos 5
Gemini 3.1 Pro
GLM 5.2 (cục bộ)
Gỡ lỗi script Python 500 dòng
$
0.12
$
0.18
$
0.22
$
0.45
$
0.08
$
0.02 (tiền điện)
Viết ứng dụng full-stack (MVP)
$
4.50
$
7.20
$
6.80
$
14.00
$
3.50
$
0.80
Phân tích tài liệu pháp lý 100 trang
$
1.80
$
2.40
$
2.10
$
4.50
$
1.20
$
0.30
Vòng lặp tác nhân nghiên cứu 50 bước
$
8.50
$
14.00
$
12.00
$
28.00
$
6.00
$
1.50
Pentest nhóm đỏ (tự động)
$
15.00
N/A
$
22.00
$
35.00
N/A
$
3.00
TÓM TẮT
- Sol = 91.9% Terminal-Bench, 750 tok/s, $5/$30
- Cũng = tỷ lệ gian lận cao nhất, bị chính phủ kiểm soát
- Terra = GPT 5.5 với một nửa giá ($2.50/$15)
- Luna = $1/$6, cạnh tranh với DeepSeek
- Ranh giới tiên phong bị chia cắt. Các mô hình công khai là hạng hai
- Mã nguồn mở (GLM 5.2) là hàng rào phòng thủ duy nhất
Bạn có câu hỏi nào không? DM luôn mở
Tôi có thể giúp với bất kỳ câu hỏi nào (◠‿◠✿)
~ @beamnxw
kênh telegram của tôi để biết thêm alpha
