ИИтак

Рейтинг Epoch AIСводная оценка общих возможностей модели: статистическая модель выводит её из результатов на многих бенчмарках с учётом их сложностиШкала условная (Claude 3.5 Sonnet = 130, GPT-5 = 150); интервал — 90-процентный диапазон оценки, и модели с перекрывающимися интервалами надёжно не различаются.Подробнее на английском ↗

6 место из 266
индекс 162, вероятный разброс 160–165 · весь рейтинг →

Бенчмарк	РезультатОбычно — доля заданий теста, которые модель решила. У некоторых тестов свой счёт; как он устроен, сказано в пояснении к названию теста	УсилиеНасколько долго модель рассуждала перед ответом, когда её проверяли: низкое, среднее, высокое, очень высокое, максимальное. Чем выше усилие, тем обычно выше результат — и тем дольше и дороже ответ. Показан лучший результат и усилие, на котором он получен
DTBenchВопросы с выбором ответа по теории принятия решений в задачах вроде парадокса Ньюкома, где твой выбор говорит о выборе похожих на тебяСлучайный выбор даёт около 40%, так что это нижняя планка, а не ноль.Подробнее на английском ↗	93,3%
LMCAНасколько оценки моделью доводов в философии, теории решений и безопасности ИИ совпадают с оценками экспертовБалл — корреляция с оценками экспертов, умноженная на 100; практический потолок около 85, а не 100.Подробнее на английском ↗	69,7%
Mystery Game Puzzles100 позиций из головоломочного варианта известной игры, название которой скрыто: нужно найти единственный лучший ходПодробнее на английском ↗	53,7%	низкое
EBR-benchУчится ли модель на опыте: она раз за разом играет в малоизвестную карточную настольную игру Earthborne Rangers и ведёт заметкиБалл — доля из 21 игровой цели в лучшей из двух итоговых партий после тренировочных; сам по себе он не показывает, выросла ли модель.Подробнее на английском ↗	44,8%	максимальное
MirrorCodeМодель с нуля воссоздаёт целую консольную программу по её поведению, документации и примерам, не видя исходного кодаПодробнее на английском ↗	20,0%	высокое
OSWorld 2.0Долгие задачи на настоящем компьютере в десктопных и веб-приложениях; у человека уходит около 1,6 часа на задачуЗадача оценивается по многим взвешенным контрольным точкам, поэтому засчитывается и частичное выполнение.Подробнее на английском ↗	27,3%	максимальное
Surface Evolver Bench16 задач: описать для физической программы Surface Evolver форму жидкости под действием поверхностного натяжения, гравитации и ограниченийЗасчитывается частичное выполнение: отдельные баллы за корректный файл, успешный прогон симуляции и совпадение объёма, площади и энергии с эталоном.Подробнее на английском ↗	93,1%	очень высокое
FrontierMath-Tier-4-v2-PrivateЗакрытый набор самых трудных задач FrontierMath: исследовательская математика, на которую у специалистов уходят часы и дниПодробнее на английском ↗	82,9%
FrontierMath-Tiers-1-3-v2-PrivateСотни новых задач исследовательской математики от профессиональных математиков; эксперту на задачу нужны часы или дниПодробнее на английском ↗	89,1%	максимальное
FrontierCodeМодель исправляет проблему в открытом проекте, а правку оценивают по тому, приняли бы её сопровождающие проектаБалл выставляют по критериям сопровождающих и усредняют по пяти запускам; если нарушен хотя бы один обязательный критерий, за задачу ставят ноль.Подробнее на английском ↗	47,5%
DeepSWE113 долгих задач по программированию в 91 открытом проекте на пяти языках; задачи написаны с нуля и не публиковалисьEpoch нашла, что примерно в 20% задач проверка отклоняет верные решения, поэтому реальный потолок заметно ниже 100%.Подробнее на английском ↗	72,7%	максимальное
PostTrainBenchМожет ли ИИ-агент сам дообучить базовую языковую модель за 10 часов на одной видеокарте H100, без готового кода и данныхБалл — результат дообученной модели на нескольких тестах; официальные версии тех же моделей от разработчиков набирают около 51%.Подробнее на английском ↗	36,2%	максимальное
ProofBench100 закрытых задач по математике уровня старших курсов и аспирантуры: модель пишет доказательство на Lean 4, его проверяет программаПодробнее на английском ↗	83,0%	максимальное
APEX-Agents480 многошаговых рабочих задач из инвестбанкинга, консалтинга и корпоративного права: агент работает с файлами, почтой, таблицамиЗадача засчитывается, только если выполнены все пункты экспертного списка критериев; проверяет их другая модель.Подробнее на английском ↗	40,0%
Chess Puzzles100 новых шахматных задач, позиция дана текстом: нужно найти единственный лучший ход по оценке движка StockfishПодробнее на английском ↗	62,1%
SimpleQA Verified1000 коротких вопросов на факты, на которые модель отвечает по памяти, без поиска в интернетеБалл — F1: учитываются и доля верных ответов, и точность там, где модель решилась ответить, так что честное «не знаю» лучше ошибки.Подробнее на английском ↗	69,7%	максимальное
ARC-AGI-2Вторая, более трудная версия головоломок на клетках: по примерам найти скрытое правило и применить его к новой картинкеНа каждое задание даётся две попытки; люди в среднем решают около 60% заданий.Подробнее на английском ↗	92,5%	максимальное
WeirdMLНеобычные задачи по машинному обучению: модель пишет код, который на выданных данных обучает классификатор, например для распознавания фигурБалл — средняя точность обученных моделью классификаторов, а не доля решённых задач.Подробнее на английском ↗	89,4%
OTIS Mock AIME 2024-202545 олимпиадных задач по математике из пробных экзаменов AIME школы OTIS; ответ — целое число от 0 до 999Подробнее на английском ↗	100,0%
SimpleBenchВопросы с подвохом на здравый смысл: пространство, время, поведение людей. 213 вопросов, у каждого шесть вариантов ответаЛюди в проверке авторов набрали около 84%, а балл модели — средняя точность по пяти прогонам.Подробнее на английском ↗	66,0%
GPQA diamond198 вопросов с выбором ответа по физике, химии и биологии уровня аспирантуры — такие, что ответ не найти поискомСлучайный выбор даёт 25%, а специалисты с учёной степенью в своей области набирают около 70%.Подробнее на английском ↗	91,3%
ARC-AGIГоловоломки на цветных клетках: по паре примеров нужно понять правило преобразования картинки и применить его к новойПодробнее на английском ↗	97,5%	очень высокое

Характеристики

Вышла: 9 июля
КонтекстСколько текста модель учитывает за один запрос: вопрос, приложенные документы и её собственный ответ вместе. Токен — кусок слова; слово обычно занимает один–три токена: 1,1 млн токенов
Длина ответаСколько токенов модель может выдать за один ответ, вместе со скрытыми рассуждениями, если они есть: до 128 тыс. токенов
Цена входаСколько стоит миллион токенов, отправленных модели: вопрос, документы, вся история переписки: $4 за миллион токенов
Вход из кэшаЦена входа для повторяющегося начала запроса, которое лаборатория уже сохранила у себя. В длинной переписке и у агентов это большая часть входа — и в разы дешевле: $0,40 за миллион токенов
Цена ответаСколько стоит миллион токенов, написанных моделью, — включая скрытые рассуждения: $20 за миллион токенов
Понимает: текст, изображения, PDF
Отвечает: текст
РассужденияПеред ответом модель рассуждает про себя: медленнее и дороже, зато точнее на трудных задачах: да
Вызов инструментовМодель сама просит программу выполнить действие — поиск, запуск кода, запрос к сервису — и продолжает с результатом. На этом держатся агенты: да
ВесаОткрытые — файлы модели можно скачать и запустить на своих серверах. Закрытые — доступ только через сервис лаборатории: закрытые
Знания до: февраль 2026
Идентификатор в API: gpt-5.6-sol

Что это за модель

GPT-5.6 Sol — старшая модель линейки GPT-5.6. В линейку входят ещё две модели: Terra — сбалансированная середина, и Luna — самая быстрая и дешёвая. OpenAI называет Sol флагманом для передовых рассуждений и агентной работы, то есть для задач, где модель сама планирует шаги, вызывает инструменты и доводит дело до конца. Перед ответом она рассуждает, и глубину рассуждений можно настраивать: от полного отказа от них до нового максимального уровня, который даёт модели больше времени на трудные задачи.

По словам OpenAI, по сравнению с GPT-5.5 модель лучше программирует, точнее рассуждает о научных задачах и дольше держит план. Вместе с ней появился новый режим, где работу делит не один агент: модель поручает части задачи субагентам — вспомогательным агентам, которые работают параллельно. Компания заявляет, что Sol показала лучший результат в Terminal-Bench 2.1 — тесте на работу в командной строке, где нужно планировать, пробовать и сочетать инструменты. В тесте на поиск уязвимостей ExploitBench, по замерам лаборатории, она держится на уровне конкурентов и тратит примерно втрое меньше токенов на ответ.

Модель берут для сложного программирования, исследований, кибербезопасности, научной работы и управления компьютером. Через API ей доступны поиск в интернете и по файлам, запуск кода, командная оболочка, правка файлов и генерация картинок через встроенный инструмент. Сама она выдаёт только текст: для голоса, работы в реальном времени, векторных представлений и дообучения нужны другие модели OpenAI.

Запуск был необычным: по просьбе властей США OpenAI сначала открыла всю линейку GPT-5.6 только отобранным доверенным партнёрам как предварительную версию, а более широкий доступ пообещала позже. Модель дорогая даже по меркам OpenAI, а запросы длиннее 272 тысяч токенов стоят ещё дороже. В сентябре 2026 года у OpenAI вышла следующая модель — GPT-6 Astra.

Источники: Анонс линейки GPT-5.6 на форуме разработчиков OpenAI, Страница GPT-5.6 Sol в документации OpenAI API

Того же уровня по индексу Epoch

23 апреля
GPT-5.5 Pro
OpenAI5-е место в Epochконтекст 1,1 млн$30 / $180рассуждениядороже в 9 раз
24 июля
Claude Opus 5
Anthropic4-е место в Epochконтекст 1 млн$5 / $25рассуждениядороже
7 июня
Claude Fable 5
Anthropic3-е место в Epochконтекст 1 млн$10 / $50рассуждениядороже в 2,5 раза
1 сентября
Claude Fable 5.1
Anthropic2-е место в Epochконтекст 1 млн$10 / $50рассуждениядороже в 2,5 раза