و حالا پیش‌نمایش GPT 5.6

مدل GPT 5.6 Sol با قوی‌ترین پشته ایمنی OpenAI تا به امروز عرضه می‌شود. OpenAI سازوکارهای حفاظتی را برای فعالیت‌های پرریسک، درخواست‌های سایبری حساس و سوءاستفاده‌های مکرر تقویت کرده و هفته‌های متمادی زمان صرف یافتن نقاط ضعف، آزمون تنش سیستم و مقاوم‌سازی آن در برابر حملات دنیای واقعی کرده است.

چالش عرضه و دسترسی

OpenAI به‌عنوان بخشی از تعامل مداوم خود با دولت ایالات متحده و به درخواست دولت، برنامه‌ها و قابلیت‌های این مدل‌های مرزی را پیش از عرضه عمومی به‌صورت پیش‌نمایش محدود برای گروه کوچکی از شرکای مورداعتماد که مشارکت آن‌ها با دولت به اشتراک گذاشته شده، عرضه کرده است. در طول این دوره پیش‌نمایش، OpenAI ضمن ادامه آزمون‌ها، همکاری نزدیکی با شرکای خود خواهد داشت تا مسیر عرضه عمومی را هموار کند. این شرکت تأکید می‌کند که چنین فرایندی برای دسترسی دولت نباید در بلندمدت به رویه‌ای دائمی تبدیل شود؛ زیرا در عمل بهترین ابزارها را از دسترس کاربران، توسعه‌دهندگان، سازمان‌ها، مدافعان امنیت سایبری و شرکای بین‌المللی که به آن‌ها نیاز دارند خارج می‌کند. بااین‌حال، OpenAI این اقدام کوتاه‌مدت را بهترین مسیر برای دستیابی به عرضه عمومی در هفته‌های آینده می‌داند؛ هم‌زمان با همکاری با دولت آمریکا برای تدوین چارچوب اجرایی فرمان ریاست‌جمهوری در حوزه امنیت سایبری (Cyber Executive Order) و ایجاد فرایندی تکرارپذیر برای عرضه مدل‌های آینده.

قابلیت‌ها

مدل GPT 5.6 Sol  قدرتمندترین مدلی است که OpenAI تاکنون توسعه داده است. برای ارائه تصویری اولیه از عملکرد این مدل، مجموعه‌ای از ارزیابی‌ها منتشر شده که بهبود قابلیت‌های عامل‌محور آن را در حوزه‌های برنامه‌نویسی، زیست‌شناسی و امنیت سایبری نشان می‌دهد. علاوه بر این، ارزیابی‌های تکمیلی مربوط به ایمنی و آمادگی نیز در System Card این مدل ارائه شده‌اند. OpenAI  اعلام کرده است که هم‌زمان با عرضه عمومی، مجموعه کامل‌تر و گسترده‌تری از نتایج ارزیابی‌ها نیز منتشر خواهد شد.

OpenAI ضمن انتشار GPT 5.6، سطح جدید از استدلال به نام max را معرفی کرده تا به Sol بیشترین زمان ممکن برای استدلال عمیق را بدهد. علاوه بر این یک حالت جدید به نام ultra را نیز معرفی کرده که با بهره‌گیری از زیرعامل‌ها برای تسریع کارهای پیچیده، فراتر از قابلیت‌های یک عامل منفرد عمل می‌کند.

در جریان‌های کاری مرتبط با برنامه‌نویسی، GPT 5.6 Sol در بنچمارک Terminal Bench 2.1 که توانایی انجام وظایف خط فرمان شامل برنامه‌ریزی، تکرار مراحل و هماهنگی میان ابزارها را ارزیابی می‌کند، رکورد جدیدی ثبت کرده و بهترین عملکرد را به نمایش گذاشته است.

همچنین، مدل GPT 5.6 Sol  در جریان‌های کاری زیست‌شناسی نیز بهبودهای گسترده‌ای از خود نشان داده است. در بنچمارک GeneBench v1  که تحلیل‌های ژنومیک و زیست‌شناسی کمی با افق زمانی طولانی را ارزیابی می‌کند، این مدل در مقایسه با GPT 5.5 به نتایج بهتری دست یافته و درعین‌حال از تعداد توکن کمتری استفاده کرده است.

در حوزه امنیت سایبری نیز GPT 5.6 Sol توانمندترین مدل توسعه‌یافته توسط OpenAI محسوب می‌شود. این مدل مرز میان کارایی و بهره‌وری در وظایف امنیتی بلندمدت از جمله پژوهش درباره آسیب‌پذیری‌ها و بهره‌برداری از آن‌ها را جابه‌جا کرده است. در بنچمارک ExploitBench²، مدل GPT 5.6 Sol با وجود استفاده از تنها حدود یک‌سوم تعداد توکن‌های خروجی، عملکردی رقابتی با Mythos Preview ارائه می‌دهد.

همچنین در ExploitGym، بنچمارکی که توسط پژوهشگران دانشگاه برکلی کالیفرنیا با همکاری OpenAI و سایر آزمایشگاه‌های پیشرو توسعه یافته است، هر سه مدل Sol، Terra و Luna با افزایش میزان استدلال، پیشرفت قابل‌توجهی در توانایی‌های امنیت سایبری از خود نشان داده‌اند.

قابلیت‌های قدرتمندتر امنیت سایبری، همراه با تدابیر حفاظتی قوی‌تر

OpenAI مدل‌های GPT 5.6 Sol، Terra و Luna را با قدرتمندترین سازوکارهای حفاظتی‌ای که تاکنون توسعه داده عرضه کرده است؛ سازوکارهایی که متناسب با سطح توانمندی هر مدل پیکربندی شده‌اند. هرچه توانایی مدل افزایش می‌یابد، تدابیر حفاظتی نیز به‌گونه‌ای طراحی می‌شوند که در برابر فشارهای واقعی و حملات خصمانه مقاومت بیشتری داشته باشند و درعین‌حال دسترسی به فعالیت‌هایی مانند بازبینی کد، پژوهش درباره آسیب‌پذیری‌ها، توسعه وصله‌های امنیتی (Patch)، دیباگ‌کردن، آموزش امنیت سایبری و آزمون‌های دفاعی را حفظ کنند. هدف OpenAI این است که انجام فعالیت‌های تهاجمیِ ممنوع را دشوارتر، نامطمئن‌تر و قابل‌ردیابی‌تر کند، بدون آنکه کاربردهای مفید و قانونی این مدل‌ها را به طور غیرضروری محدود کند.

بر اساس چارچوب آمادگی (Preparedness Framework)، مدل GPT 5.6 Sol از آستانه «بحرانی امنیت سایبری» عبور نمی‌کند. در ارزیابی‌هایی که روی پروژه‌های Chromium و Firefox انجام شد، این مدل توانست باگ‌ها و مؤلفه‌های اولیه بهره‌برداری (Exploitation Primitives)؛ یعنی اجزای سازنده یک اکسپلویت را شناسایی کند، اما تحت شرایط آزمایش نتوانست به‌صورت خودکار یک زنجیره کامل و عملیاتی از اکسپلویت (Full-Chain Exploit) را تولید کند. بااین‌حال، معیارهای بنچمارک نمی‌توانند تمام شیوه‌هایی که ممکن است یک مدل مورداستفاده قرار گیرد یا با ابزارهای دیگر ترکیب شود را پوشش دهند. OpenAI همین عدم قطعیت همراه با جهش گسترده توانمندی‌های مدل را دلیل افزایش قابلیت‌های مدل با تدابیر حفاظتی قوی‌تر و عرضه مرحله‌ای می‌داند.

معماری چندلایه تدابیر حفاظتی

هیچ سازوکار حفاظتیِ واحدی برای مقابله با سوءاستفاده‌های هدفمند یا مهاجمان تطبیق‌پذیر کافی نیست. به همین دلیل OpenAI در نسخه پیش‌نمایش GPT 5.6 از مجموعه‌ای از لایه‌های حفاظتی استفاده کرده که پیکربندی دقیق آن‌ها بسته به مدل متفاوت است و در برابر حملات دنیای واقعی تحت آزمون‌های سخت‌گیرانه قرار می‌گیرند. این لایه‌ها شامل حفاظت‌های آموزش‌داده‌شده درون خود مدل، بررسی‌های بلادرنگ هنگام تولید پاسخ، سیگنال‌های سطح حساب کاربری، سطوح دسترسی تفکیک‌شده، پایش، اعمال سیاست‌ها و همچنین آزمون‌های مستمر هستند.

مدل GPT 5.6 به‌گونه‌ای آموزش دیده است که از ارائه کمک در فعالیت‌های سایبری ممنوع خودداری کند؛ حتی زمانی که کاربران تلاش می‌کنند نیت واقعی خود را پنهان کنند یا از طریق تکنیک‌های Jailbreak محدودیت‌های مدل را دور بزنند. این تدابیر حفاظتی در سطح مدل، نخستین مرز میان آنچه مدل باید و نباید در آن کمک کند را مشخص می‌کنند.

طبقه‌بندهای بلادرنگ سوءاستفاده در حوزه‌های امنیت سایبری و زیست‌شناسی، لایه حفاظتی دیگری را تشکیل می‌دهند. این سامانه‌ها خروجی مدل را هم‌زمان با تولید آن ارزیابی می‌کنند. در موارد پرریسک، اگر احتمال نقض سیاست‌ها تشخیص داده شود، فرایند تولید پاسخ ممکن است متوقف شود تا یک مدل استدلالی بزرگ‌تر، مکالمه و زمینه آن را بررسی کند. اگر خروجی تولیدشده غیرمجاز تشخیص داده شود، پیش از رسیدن به کاربر مسدود خواهد شد.

فعالیت‌های علامت‌گذاری‌شده (Flagged) همچنین می‌توانند موجب بررسی در سطح حساب کاربری شوند؛ بررسی‌ای که مکالمات مرتبط و سایر سیگنال‌های ریسک را نیز در بر می‌گیرد و مطابق با شرایط استفاده و سیاست‌های OpenAI درباره نگهداری و بازبینی محتوا انجام می‌شود. بررسی فراتر از یک گفت‌وگوی منفرد به سامانه‌های OpenAI کمک می‌کند تا رفتارهای مخرب و مستمر را از فعالیت‌های مشروع امنیتی با ماهیت دوگانه (Dual-Use) تشخیص دهند؛ فعالیت‌هایی که ممکن است از مفاهیم فنی مشابه استفاده کنند، اما در عمل اهداف کاملاً متفاوتی داشته باشند.

مجموع این لایه‌ها، رویکردی به‌مراتب مقاوم‌تر از اتکا به هر سازوکار حفاظتی منفرد ایجاد می‌کند. رفتار خود مدل احتمال تولید پاسخ‌های ممنوعه را کاهش می‌دهد، سامانه‌های بلادرنگ می‌توانند در حین تولید پاسخ مداخله کنند، بازبینی در سطح حساب کاربری امکان شناسایی الگوهای گسترده‌تر را فراهم می‌کند و سطوح دسترسی تفکیک‌شده نیز اجازه می‌دهند فعالیت‌های دفاعی مهم ادامه یابند، بدون آنکه حساس‌ترین قابلیت‌ها به طور پیش‌فرض در دسترس همگان قرار گیرند.

به‌ویژه در دوره پیش‌نمایش، کاربران ممکن است با تدابیر حفاظتی‌ای مواجه شوند که برخی درخواست‌ها را مسدود یا رد می‌کنند. همچنین ممکن است برخی درخواست‌ها به دلیل توقف فرایند تولید برای انجام بررسی‌های تکمیلی، زمان بیشتری برای پاسخ‌گویی نیاز داشته باشند. این سازوکارها گاهی ممکن است در فعالیت‌های مشروع نیز مداخله کنند؛ به‌خصوص در حوزه‌های دارای کاربرد دوگانه که در آن‌ها فعالیت‌های دفاعی و تهاجمی در نگاه نخست شباهت زیادی به یکدیگر دارند.

این دقیقاً بخشی از هدف دوره پیش‌نمایش OpenAI است که می‌خواهد نه‌تنها بررسی کند که آیا تدابیر حفاظتی قادر به محدودکردن سوءاستفاده هستند یا نه؛ بلکه ارزیابی کند آیا کاربران مشروع همچنان می‌توانند وظایف معمول خود را با اطمینان و کارایی مناسب انجام دهند یا خیر. بازخوردهای این دوره به OpenAI کمک خواهد کرد تا میزان محدودیت و تأخیرهای غیرضروری را کاهش دهد، درک سامانه‌های حفاظتی از زمینه مکالمه را بهبود دهد و پیش از عرضه گسترده، تجربه کاربری روان‌تری ایجاد کند.

OpenAI همچنین با مشتریان سازمانی روی راهکارهای بلندمدت‌تری همکاری می‌کند؛ از جمله روش‌های تشخیص با حفظ حریم خصوصی، کنترل‌های ایمنی قابل‌مدیریت توسط مشتری و سطوح دسترسی متناسب با میزان ریسک هر مشتری، کاربر یا بار کاری. هدف این اقدامات، ارتقای ایمنی در کنار پاسخ‌گویی به الزامات حریم خصوصی سازمان‌ها است.

افزایش استحکام تدابیر حفاظتی با استفاده از رد تیمینگ خودکار

تدابیر حفاظتی باید حتی زمانی که مهاجمان تاکتیک‌های خود را تغییر می‌دهند نیز مؤثر باقی بمانند. سازوکاری که تنها در برابر مجموعه‌ای ثابت از حملات شناخته‌شده کارایی داشته باشد، برای یک مدل مرزی کافی نیست. به همین دلیل، OpenAI بیش از هر زمان دیگری از هوش و توان محاسباتی برای ارتقای ایمنی استفاده می‌کند و از مدل‌های خود برای یافتن نقاط ضعف و بهبود سریع‌تر سازوکارهای حفاظتی بهره می‌برد. در این راستا، OpenAI بیش از ۷۰۰ هزار ساعت پردازش معادل GPUهای A100 را به رد تیمینگ  خودکار اختصاص داده است؛ فرایندی که با هدف شناسایی جیلبریک‌های عمومی انجام شد، یعنی حملاتی که می‌توانند در طیف گسترده‌ای از درخواست‌ها و زمینه‌های مختلف موفق عمل کنند، نه صرفاً در یک سناریوی محدود. تمرکز بر این حملات پیچیده‌تر و فراگیرتر به OpenAI امکان داد تا تدابیر حفاظتی را فراتر از مجموعه‌ای ثابت از شکست‌های شناخته‌شده آزمایش کند. همچنین این رویکرد اجازه داد الگوهای حمله بسیار بیشتری نسبت به آزمون‌های انسانی بررسی شوند، الگوهای شکست زودتر شناسایی شوند و فاصله میان کشف یک ضعف تا رفع آن کاهش یابد.

علاوه بر رد تیمینگ خودکار، OpenAI با آزمون‌گران مستقل شخص ثالث نیز همکاری کرد تا رد تیمینگ  گسترده توسط متخصصان انسانی انجام شود؛ فرایندی که در طول دوره پیش‌نمایش نیز ادامه خواهد داشت. رد تیمینگ  انسانی مکمل روش خودکار است، زیرا متخصصان خلاق تلاش می‌کنند مدل را به شیوه‌هایی مورد سوءاستفاده قرار دهند که شاید سامانه‌های خودکار OpenAI قادر به پیش‌بینی آن‌ها نباشند.

البته هیچ ارزیابی‌ای نمی‌تواند تمام پیکربندی‌های ممکن محصولات، حملات چندمرحله‌ای یا جریان‌های کاری واقعی را پوشش دهد. ازاین‌رو، OpenAI یک فرایند واکنش سریع را حفظ کرده تا جیلیبریک‌های تازه کشف‌شده را بازتولید، ارزیابی، اولویت‌بندی و برطرف کند و سپس آن‌ها را به مجموعه ارزیابی‌های مستمر خود بیفزاید تا در آینده نیز مدل را در برابر الگوهای مشابه آزمایش کند.

دسترسی و قیمت‌گذاری

در دوره پیش‌نمایش، مدل‌های GPT 5.6 در مرحله نخست از طریق API و Codex در اختیار گروه محدودی از شرکا و سازمان‌های مورداعتماد قرار خواهند گرفت. برنامه OpenAI این است که به‌زودی این مدل‌ها را به‌صورت گسترده‌تر برای کاربران ChatGPT، Codex و API نیز عرضه کند.

در نظام نام‌گذاری جدیدی که هم‌زمان با GPT 5.6 معرفی شده است، عدد نسخه نشان‌دهنده نسل مدل است، درحالی‌که نام‌های Sol، Terra و Luna بیانگر سطوح پایدار قابلیت‌ها هستند که هرکدام می‌توانند با سرعت توسعه مستقل خود پیش بروند. این خانواده مدل‌ها در کنار یکدیگر به کاربران و توسعه‌دهندگان امکان می‌دهند متناسب با نیاز خود، میان سطح هوشمندی، سرعت و هزینه انتخاب روشن‌تری داشته باشند.

قیمت‌گذاری GPT 5.6 بر اساس هر یک میلیون توکن و در سه اندازه مدل انجام می‌شود:

• Sol: پنج دلار برای توکن‌های ورودی و ۳۰ دلار برای توکن‌های خروجی
• Terra: دو و نیم دلار برای توکن‌های ورودی و ۱۵ دلار برای توکن‌های خروجی
• Luna: یک دلار برای توکن‌های ورودی و ۶ دلار برای توکن‌های خروجی

همچنین GPT 5.6 قابلیت جدیدی برای کش‌کردن پرامپت با رفتار قابل‌پیش‌بینی‌تر ارائه می‌کند که از تعیین صریح نقاط شکست کش (Explicit Cache Breakpoints) و حداقل زمان نگهداری کش به مدت ۳۰ دقیقه پشتیبانی می‌کند. در مدل GPT 5.6 و نسخه‌های بعدی، ثبت داده در کش با هزینه‌ای معادل ۱.۲۵ برابر نرخ ورودی بدون کش محاسبه می‌شود، درحالی‌که خواندن از کش همچنان شامل ۹۰ درصد تخفیف نسبت به هزینه ورودی بدون کش خواهد بود.

همچنین GPT 5.6 Sol از ماه ژوئیه روی زیرساخت Cerebras با سرعتی تا ۷۵۰ توکن در ثانیه عرضه خواهد شد؛ اقدامی که هوش در سطح مدل‌های مرزی را با سرعتی بی‌سابقه در اختیار مشتریان قرار می‌دهد. در مرحله نخست، دسترسی به این قابلیت تنها برای گروهی منتخب از مشتریان فراهم خواهد بود و هم‌زمان ظرفیت زیرساخت به‌تدریج افزایش خواهد یافت.