GPT-5.6 Sol
GPTÉquilibré
RaisonnementOutilsVisionSortie structurée
À propos de ce modèle
GPT-5.6 Sol is the flagship model in OpenAI's GPT-5.6 series. It is suited for complex reasoning, coding, and agentic workflows, and is particularly strong at command-line and multi-step coding tasks...
Catégorie de performance
Équilibré
GPT-5.6 Sol est un modèle équilibré de GPT : un bon compromis entre bonnes performances à un prix raisonnable.
Bon rapport coût-performance. Fiable pour la plupart des usages professionnels sans tarification premium.
Tarification
Ce modèle est inclus dans les plans ElosiaÉlevé
Tarification élevée. Réservez ce niveau aux tâches qui exigent une qualité maximale.
| Type | par 1M tokens |
|---|---|
| Entrée (prompt) | $4.00 |
| Sortie (complétion) | $20.00 |
| Lecture cache | $0.400 |
| Écriture cache | $5.00 |
Capacités
Taille du contexte1.1M
Tokens de sortie max128K
TokenizerGPT
Entréefile, image, text
Sortietext
Date de sortie9 juillet 2026
Benchmarks
Intelligence générale
MMLU
Non reporté
Mathématiques
MATH-500
Non reporté
Programmation
HumanEval
Non reporté
Raisonnement
ARC-AGI-2
85.4%
Agentique
SWE-bench Pro
64.6%
Terminal-Bench 2.1
88.8%
Où se situe GPT-5.6 Sol ?
Comparez son indice de performance à tous les autres modèles.
Usages recommandés
ProgrammationAnalyseRechercheMathématiquesExtraction de données
Points forts
- Palier supérieur de la famille GPT-5.6, particulièrement fort en ligne de commande et sur les tâches de code en plusieurs étapes
- Raisonnement abstrait qui progresse nettement avec l'effort de raisonnement, de low à max
- Mode ultra optionnel qui coordonne plusieurs agents en parallèle pour les tâches les plus difficiles
- Fenêtre de contexte de 1M tokens avec appel d'outils programmatique et entrée multimodale (texte, image, fichier)
Limites
- La résolution de tickets dans une codebase existante (SWE-bench Pro) est en retrait par rapport à ses résultats en ligne de commande
- OpenAI n'a publié ni MMLU, ni GPQA, ni benchmarks de maths pour GPT-5.6, ce qui complique la comparaison directe avec les modèles plus anciens
- Les efforts de raisonnement high et max, ainsi que le mode ultra, consomment beaucoup plus de tokens par requête et ajoutent de la latence
Questions fréquentes
Ressources
Ce modèle peut utiliser vos données pour l'entraînement
