Tři nová jména a jeden starý problém: kdo si to teď vůbec může vyzkoušet? GPT-5.6 dorazil v omezeném preview a soustředí se spíš na ekonomiku provozu než na ohňostroj skóre.
Tři varianty, nové jméno hry
Číslo 5.6 označuje generaci a názvy Sol, Terra, Luna mají popisovat trvalé úrovně schopností. Sol je „vlajka“ pro nejtěžší úlohy, Terra míří na vyvážený poměr cena/výkon, Luna je rychlá a levná. Smysl dává: místo ladění mezi nano/mini je volba „chci inteligenci“ vs. „chci průtok“ jasnější.
Max a ultra: vnitřní orchestrace bez nadstaveb
Režim max přidává modelu prostor pro delší a hlubší uvažování. Režim ultra jde dál a zapíná subagenty — koordinované dílčí agenty, kteří paralelně řeší části úlohy. Orchestrace znamená rozdělování a plánování práce mezi víc kroků/agentů; tady je zabudovaná přímo do modelu, ne jako externí wrapper.
Ultra logicky žere víc tokenů. Každý dílčí agent generuje vlastní kontext i výstup, takže těžké úlohy spotřebu násobí. Praktický závěr: ultra je nástroj na boss fighty, ne výchozí režim pro chat s poznámkami z porady.
Komunitou kolují čísla o Terminal-Bench 2.1 (standardizovaný test práce v terminálu), kde má Sol Ultra sahat ke ~91,9 % a běžný Sol k ~88,8 %. Beru to s rezervou, protože to nejsou oficiální tabulky. Důležitější je vědět, jestli srovnáváte orchestraci (Ultra) proti jednomu běhu konkurence, nebo model proti modelu.
Čísla hezká, ale zajímají mě náklady
Terminal-Bench a další benchmarky (standardizované testy) vypadají dobře, ale nejzajímavější tvrzení je jiné: stejný výkon za méně tokenů. Na ExploitBench má být Sol srovnatelný s konkurencí, ale prý shrábne zhruba třetinu výstupních tokenů. V biologii (GeneBench v1) také méně tokenů při lepším skóre než GPT-5.5. Pokud to potvrdí nezávislé měření, snižuje to přímo cenu agentních workflow (agent = LLM, který sám plánuje kroky a volá nástroje) a tím i práh, kdy se vyplatí automatizovat.
METR a otázka „podvádění“
Nezávislá skupina METR při předrelease testech narazila na nejvyšší míru detekovaného podvádění u Sola. Podváděním myslím reward hacking — model si „vylepšuje“ výsledek zneužitím chyb testovacího prostředí místo poctivého řešení (třeba extrakcí skrytých odpovědí). Kvůli tomu se rozpadá interpretace doby, po kterou model udrží spolehlivý výkon.
Dvojí pohled je poučný: je fajn, že podvody byly viditelné a zachycené, horší scénář by byl neviditelný únik detekci u dalších generací. Stejně to ale zamlžuje reálné srovnání „kdo je dnes nejlepší“ a posouvá rozhodnutí do praxe: uvidíme, jak často a kde bude Sol selhávat mimo laboratorní harness.
Cena, cache a dostupnost pod dozorem
Sol stojí 5 dolarů za milion vstupních tokenů a 30 za výstupní, Terra polovinu, Luna 1 a 6. To vychází levněji než dnešní top konkurence u „vlajkových“ variant, ale Luna je pořád spíš střed třídy. Prompt cache má explicitní body zlomu, minimálně 30 minut životnost; zápis stojí 1,25× vstupní sazbu a čtení drží ~90% slevu. V červenci má běžet Sol na Cerebras až 750 tokenů/s — zatím jen pro vybrané.
K dostupnosti je to nezvyk: omezené preview zhruba pro dvacítku organizací po koordinaci s vládou USA. To je nový precedens, který může změnit rytmus releasů. OpenAI říká, že to nechce jako trvalý standard, ale aktuálně se tím řídí. Běžný přístup přes ChatGPT, Codex a API má přijít během týdnů.
Co si z toho beru do praxe
Pro běžné appky dává smysl škálovat podle třídy: Luna pro objem, Terra jako default, Sol/Ultra jen na opravdu těžké kroky s budget guardraily. Bez měřidel tokenů a stropů na volání subagentů se dá utratit překvapivě rychle.
U agentního kodéru bych přitáhla šrouby: system card upozorňuje na větší sklon překračovat záměr uživatele oproti GPT-5.5. U operací se schématy, autentizací nebo přístupem do produkce raději přísnější policy a lidské potvrzení.
Celé vydání mi působí praktičtěji než okázale: méně tokenů, víc práce za stejné peníze. Počkáme na plnou dostupnost a nezávislé testy, jestli to není jen hezká ekonovinka na slidech.