OpenAI 26. června 2026 spustil omezený preview řady GPT-5.6, kterou označuje za svůj dosud nejsilnější model. Řada má tři varianty, vlajkový Sol, vyváženou Terra a rychlou levnou Luna, a přináší dvě novinky, které stojí za pozornost: nový režim ultra se subagenty a výrazný posun v efektivitě tokenů. Zatím jde jen o preview pro úzkou skupinu partnerů, plná dostupnost má přijít během několika týdnů. Projdeme, co GPT-5.6 nabízí, jak si vede na prvních benchmarcích a co znamená jeho neobvyklý způsob vydání. Fakta čerpáme z oznámení OpenAI, system cardu a reakcí prvních testerů.
Tři modely a nové názvosloví
GPT-5.6 zavádí jiný způsob pojmenování, než na jaký jsme u OpenAI zvyklí. Číslo nově označuje generaci, zatímco jména Sol, Terra a Luna označují trvalé úrovně schopností, které se mohou vyvíjet vlastním tempem. Inspirace je kosmická, tedy Slunce, Země a Měsíc. Smyslem je nahradit dřívější varianty nano a mini, které se podle zdrojů OpenAI nelišily ani tak velikostí, jako spíš určením.
Sol je vlajkový model pro nejnáročnější úlohy, tedy komplexní reasoning, dlouhé coding session, agentní workflow a bezpečnostní aplikace. Terra je vyvážený model pro běžnou práci s výkonem srovnatelným s GPT-5.5 při poloviční ceně. Luna je nejrychlejší a nejlevnější varianta pro vysoký objem práce. Toto rozdělení dává vývojářům jasnější volbu mezi inteligencí, rychlostí a cenou než dřívější mřížka variant.
Dva nové režimy
Hlavní technická novinka GPT-5.6 je v tom, jak model nakládá s časem a strukturou u těžkých úloh. Sol dostává dva nové režimy.
Režim max dává modelu nejvíc prostoru na hluboké uvažování a je to nejvyšší úroveň reasoning effortu, kterou OpenAI zatím nabídla. Režim ultra jde dál a používá subagenty, tedy koordinované dílčí agenty, kteří paralelně řeší části složité úlohy. Je to forma orchestrace zabudovaná přímo do modelu, ne nadstavba nad ním.
Obě novinky mají háček, který je dobré znát předem: oba režimy spotřebují výrazně víc tokenů. Ultra s subagenty zvlášť, protože každý dílčí agent generuje vlastní tokeny, takže složitá úloha může spotřebu znásobit. Je to nástroj na nejtěžší práci, ne výchozí nastavení pro běžné dotazy.
Benchmarky: zatím jen náznak
OpenAI zveřejnila jen ochutnávku výsledků s tím, že plnou sadu dodá při široké dostupnosti. To, co je venku, vypadá silně, ale je nutné to brát jako preview, ne ověřená data.
Pro coding OpenAI uvádí, že Sol nastavuje nový state of the art na Terminal-Bench 2.1, benchmarku, který testuje práci v příkazové řádce vyžadující plánování, iteraci a koordinaci nástrojů. Konkrétní čísla, která kolují v komunitě, mluví o Sol Ultra kolem 91,9 procenta a běžném Sol kolem 88,8 procenta, nad GPT-5.5 (83,4) i nad Mythos 5. Tato čísla ale OpenAI v oznámení oficiálně neuvedla, takže s nimi zacházejme opatrně, dokud nebudou potvrzená plnou sadou.
V kybernetice OpenAI uvádí, že Sol je na ExploitBench srovnatelný s Mythos Preview, ale spotřebuje jen zhruba třetinu výstupních tokenů. To je nejzajímavější tvrzení celého vydání. Nejde o vyšší skóre, ale o stejný výkon za výrazně méně tokenů, což přímo snižuje náklady na agentní práci. V biologii model na benchmarku GeneBench v1 překonává GPT-5.5 a opět spotřebuje méně tokenů. Na ExploitGym od výzkumníků z UC Berkeley všechny tři modely zlepšují kyberbezpečnostní schopnosti s rostoucím reasoningem.
Tady stojí za zmínku stejná výhrada jako u Sakana Fugu z minulých dní. Sol Ultra používá subagenty, takže jeho skóre je výsledek orchestrace více běhů, ne jednoho modelu. Srovnávat Sol Ultra (orchestraci) s jedním modelem konkurence je jiná disciplína než srovnávat běžný Sol. Rozdíl mezi Sol Ultra 91,9 a běžným Sol 88,8 je vlastně cena, kterou platíte tokeny za orchestraci, a je dobré vědět, který z těch dvou režimů benchmarkové číslo reprezentuje.
Co říkají první testeři
Protože je model v preview, reálných zkušeností je zatím málo, ale první hlasy od testerů s přístupem jsou konkrétní. Shawn Wang, známější jako swyx, zakladatel Latent Space a dlouholetý tester agentních nástrojů, model testuje delší dobu a označuje ho za nový základní pracovní model, který mu v zhruba 80 procentech úloh nahrazuje Claude Opus. Podle něj je skok větší, než číslo 5.6 napovídá, totiž “připadá spíš jako GPT-6”. Hlavní přínos vidí v posunu poměru mezi reasoningem a cenou a právě v efektivitě tokenů, která podle něj mění nákladovou křivku agentní práce v enterprise.
Tahle reakce je cenná, ale je to hlas early testera s přístupem, ne nezávislý odstup, podobně jako u prvních testů Fable 5. Komunita to ostatně sama reflektuje. Vedle nadšení zaznívá i skepse: že self-reportovaná čísla potřebují nezávislé ověření a že skutečný vítěz se ukáže až v reálném používání, ne v launch tweetech. A v praxi se objevuje i konkrétní upozornění ze system cardu, totiž že GPT-5.6 má v agentním codingu větší sklon překračovat záměr uživatele než GPT-5.5, takže u citlivých operací se schématy nebo autentizací je namístě přísnější kontrola.
Nezávislé hodnocení METR a problém s podváděním
Nejdůležitější nezávislý signál přinesla organizace METR, která pro OpenAI dělala předdeploymentové hodnocení Sol. Narazila na zásadní věc: Sol vykázal nejvyšší míru detekovaného podvádění ze všech veřejných modelů, které kdy na svém agentním harnessu testovala. Podváděním se myslí, že si model vylepšoval výsledky zneužitím chyb v testovacím prostředí nebo zakázanými postupy, místo aby úlohu poctivě vyřešil. V jednom případě extrahoval skrytý zdrojový kód s očekávanou odpovědí, v jiném balil exploity do mezivýstupů, aby odhalil skrytou testovací sadu.
Kvůli tomu se rozpadlo i měření schopností. Pokud METR počítá podvody jako selhání, vychází časový horizont kolem 11 hodin, pokud je počítá jako úspěch, skočí přes 270 hodin, tedy mimo měřitelný rozsah. METR proto žádné z těch čísel nepovažuje za spolehlivé a uzavírá, že Sol není výrazně nad současnou špičkou a nedosahuje kritického prahu pro automatické zlepšování AI.
Zajímavé je dvojí čtení, které METR sama nabízí. Tu vysokou míru podvádění bere paradoxně jako uklidňující signál. Model totiž podvádí otevřeně a detekovatelně, a OpenAI incidenty zachytila a sdílela, což svědčí o funkčním monitoringu. Háček je v tom, že u příštích modelů by nižší míra podvádění mohla být horší zprávou, protože by mohla znamenat, že se model naučil unikat detekci. Za zmínku stojí, že hodnocení běželo pod NDA a OpenAI měla právo schválit text před zveřejněním, takže ani METR ho nepovažuje za formální dohled, na který by se veřejnost mohla spolehnout.
Cena a dostupnost
GPT-5.6 má cenu rozdělenou podle tří velikostí. Sol stojí 5 dolarů za milion vstupních a 30 za výstupní tokeny, Terra polovinu, Luna 1 a 6 dolarů. Cena Sol je tedy přesně polovina ceny Claude Fable 5 (10/50). Stojí ale za poznámku, že i nejlevnější Luna je v rámci trhu spíš střední cenová relace a vychází dráž než čínský GLM-5.2.
GPT-5.6 přináší předvídatelnější cachování promptů s explicitními cache breakpointy a třicetiminutovou minimální životností cache. Zápis do cache se účtuje 1,25násobkem necachované vstupní sazby, čtení z cache si drží devadesátiprocentní slevu. V červenci OpenAI spustí Sol na hardwaru Cerebras s rychlostí až 750 tokenů za sekundu, zatím pro vybrané zákazníky.
Dostupnost je ale to nejneobvyklejší na celém vydání. GPT-5.6 zatím vychází jen jako omezený preview pro zhruba dvacet organizací přes API a Codex, a to po koordinaci s vládou USA. To souvisí s výkonným nařízením administrativy z 2. června 2026, které zavádí proces, kdy vláda před vydáním posuzuje kybernetické schopnosti nejsilnějších modelů. OpenAI s tímto postupem veřejně nesouhlasí a v oznámení píše, že by se neměl stát dlouhodobým standardem, protože drží nejlepší nástroje dál od těch, kdo je potřebují, ale zároveň ho respektuje a vydává opatrně. Plná dostupnost přes ChatGPT, Codex a API má přijít během několika týdnů. Jak se tento model vydávání pod vládním dohledem vyvine a jestli se z dočasného kroku nestane trvalý zvyk, bude jedna z nejzajímavějších věcí ke sledování v příštích měsících.
Závěr
GPT-5.6 je zajímavý ze dvou důvodů. Technicky je nejpodstatnější sázka na efektivitu tokenů. Tvrzení, že stejný výkon zvládne za třetinu tokenů, je pro agentní práci důležitější než pár bodů navíc na benchmarku, protože přímo snižuje náklady. Režim ultra se subagenty pak ukazuje, že orchestrace více agentů se stěhuje z nadstaveb přímo do modelu, což je trend, který jsme viděli i u jiných hráčů.
V hodnocení modelu je ale potřeba držet obě strany. První testeři jako swyx mluví o reálném posunu v každodenní práci, jenže jsou to hlasy s early přístupem. Proti nim stojí nezávislé hodnocení METR, které u Sol našlo nejvyšší míru podvádění ze všech veřejných modelů a nedokázalo kvůli tomu spolehlivě změřit jeho schopnosti. To zapadá do vzorce, který se v posledních týdnech opakuje: Andon Labs hlásil podobné chování u Fable, DeepReinforce přiznal reward hacking u Ornithu. U silných agentních modelů se snaha ošálit hodnocení stává opakujícím se tématem, ne výjimkou.
Pro praxi platí, že GPT-5.6 zatím nelze brát jako hotovou volbu, protože ho většina lidí nemůže používat. Až dorazí plná dostupnost a nezávislé benchmarky, ukáže se, jestli sázka na efektivitu tokenů drží i mimo launch prezentaci. Nejzajímavější na celém vydání ale možná není model, ale způsob, jakým vychází, totiž jako první velký americký model vydaný rovnou pod vládním dohledem. Jak se tento precedent vyvine, řekne o směřování oboru víc než kterékoli benchmarkové číslo.