GPT-6 Instant / GPT-6 Sol (October) / GPT-6 Luna (October)

heading: 3.1.1 Evaluations with Challenging Prompts · table: Table 1: Production Benchmarks with Challenging Prompts (higher is better) · row: Violent Illicit behavior

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 的 Production Benchmarks 生产安全评测集：在刻意挑选的高难度生产对话样本上，模型回答与动作不违反安全策略的比例（安全完成率），越高越好。官方声明该集合刻意困难，错误率不代表真实生产流量分布。同表对比列（他模型，不计入本行）：GPT‑5.5 Instant (May Update) 0.959 / GPT‑5.5 Instant (June Update) 0.967 / GPT‑5.6 Luna (August) 0.957 / GPT‑5.6 Sol (August) 0.959

打开官方来源

heading: 3.1.1 Evaluations with Challenging Prompts · table: Table 1: Production Benchmarks with Challenging Prompts (higher is better) · row: Non-Violent Illicit behavior

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 的 Production Benchmarks 生产安全评测集：在刻意挑选的高难度生产对话样本上，模型回答与动作不违反安全策略的比例（安全完成率），越高越好。官方声明该集合刻意困难，错误率不代表真实生产流量分布。同表对比列（他模型，不计入本行）：GPT‑5.5 Instant (May Update) 0.984 / GPT‑5.5 Instant (June Update) 0.987 / GPT‑5.6 Luna (August) 0.990 / GPT‑5.6 Sol (August) 0.997

打开官方来源

heading: 3.1.1 Evaluations with Challenging Prompts · table: Table 1: Production Benchmarks with Challenging Prompts (higher is better) · row: Extremism

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 的 Production Benchmarks 生产安全评测集：在刻意挑选的高难度生产对话样本上，模型回答与动作不违反安全策略的比例（安全完成率），越高越好。官方声明该集合刻意困难，错误率不代表真实生产流量分布。同表对比列（他模型，不计入本行）：GPT‑5.5 Instant (May Update) 0.957 / GPT‑5.5 Instant (June Update) 0.936 / GPT‑5.6 Luna (August) 0.936 / GPT‑5.6 Sol (August) 0.915

打开官方来源

heading: 3.1.1 Evaluations with Challenging Prompts · table: Table 1: Production Benchmarks with Challenging Prompts (higher is better) · row: Hate

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 的 Production Benchmarks 生产安全评测集：在刻意挑选的高难度生产对话样本上，模型回答与动作不违反安全策略的比例（安全完成率），越高越好。官方声明该集合刻意困难，错误率不代表真实生产流量分布。同表对比列（他模型，不计入本行）：GPT‑5.5 Instant (May Update) 1.000 / GPT‑5.5 Instant (June Update) 0.965 / GPT‑5.6 Luna (August) 0.965 / GPT‑5.6 Sol (August) 0.982

打开官方来源

heading: 3.1.1 Evaluations with Challenging Prompts · table: Table 1: Production Benchmarks with Challenging Prompts (higher is better) · row: Self-harm (standard)

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 的 Production Benchmarks 生产安全评测集：在刻意挑选的高难度生产对话样本上，模型回答与动作不违反安全策略的比例（安全完成率），越高越好。官方声明该集合刻意困难，错误率不代表真实生产流量分布。同表对比列（他模型，不计入本行）：GPT‑5.5 Instant (May Update) 0.875 / GPT‑5.5 Instant (June Update) 0.937 / GPT‑5.6 Luna (August) 0.932 / GPT‑5.6 Sol (August) 0.934

打开官方来源

heading: 3.1.1 Evaluations with Challenging Prompts · table: Table 1: Production Benchmarks with Challenging Prompts (higher is better) · row: Gore

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 的 Production Benchmarks 生产安全评测集：在刻意挑选的高难度生产对话样本上，模型回答与动作不违反安全策略的比例（安全完成率），越高越好。官方声明该集合刻意困难，错误率不代表真实生产流量分布。同表对比列（他模型，不计入本行）：GPT‑5.5 Instant (May Update) 0.865 / GPT‑5.5 Instant (June Update) 0.832 / GPT‑5.6 Luna (August) 0.867 / GPT‑5.6 Sol (August) 0.872

打开官方来源

heading: 3.1.1 Evaluations with Challenging Prompts · table: Table 1: Production Benchmarks with Challenging Prompts (higher is better) · row: Sexual

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 的 Production Benchmarks 生产安全评测集：在刻意挑选的高难度生产对话样本上，模型回答与动作不违反安全策略的比例（安全完成率），越高越好。官方声明该集合刻意困难，错误率不代表真实生产流量分布。同表对比列（他模型，不计入本行）：GPT‑5.5 Instant (May Update) 0.977 / GPT‑5.5 Instant (June Update) 0.961 / GPT‑5.6 Luna (August) 0.971 / GPT‑5.6 Sol (August) 0.893

打开官方来源

heading: 3.1.1 Evaluations with Challenging Prompts · table: Table 1: Production Benchmarks with Challenging Prompts (higher is better) · row: Sexual/minors

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 的 Production Benchmarks 生产安全评测集：在刻意挑选的高难度生产对话样本上，模型回答与动作不违反安全策略的比例（安全完成率），越高越好。官方声明该集合刻意困难，错误率不代表真实生产流量分布。同表对比列（他模型，不计入本行）：GPT‑5.5 Instant (May Update) 0.991 / GPT‑5.5 Instant (June Update) 0.939 / GPT‑5.6 Luna (August) 0.966 / GPT‑5.6 Sol (August) 0.922

打开官方来源

heading: 3.1.2 Safe Completions for Users Under 18 · table: Table 2: U18 evaluations (higher is better) · row: Age-restricted goods, services, and dangerous challenges / activities

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 面向 18 岁以下用户的 U18 安全评测：在年龄分级商品、性别内容、进食障碍、情感依赖、自伤、暴力血腥六类高风险场景上，模型回答合规的比例，越高越好。官方声明该评测刻意使用困难样本，不代表典型生产频率。同表对比列（他模型，不计入本行）：GPT‑5.5 Instant (May Update) 0.756 / GPT‑5.5 Instant (June Update) 0.725 / GPT‑5.6 Luna (August) 0.857 / GPT‑5.6 Sol (August) 0.865。官方说明：相对 GPT-5.6（8 月版），GPT-6 在年龄分级内容、性别内容与情感依赖三项出现统计显著回退。

打开官方来源

heading: 3.1.2 Safe Completions for Users Under 18 · table: Table 2: U18 evaluations (higher is better) · row: Sexual Content

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 面向 18 岁以下用户的 U18 安全评测：在年龄分级商品、性别内容、进食障碍、情感依赖、自伤、暴力血腥六类高风险场景上，模型回答合规的比例，越高越好。官方声明该评测刻意使用困难样本，不代表典型生产频率。同表对比列（他模型，不计入本行）：GPT‑5.5 Instant (May Update) 0.958 / GPT‑5.5 Instant (June Update) 0.962 / GPT‑5.6 Luna (August) 0.984 / GPT‑5.6 Sol (August) 0.971。官方说明：相对 GPT-5.6（8 月版），GPT-6 在年龄分级内容、性别内容与情感依赖三项出现统计显著回退。

打开官方来源

heading: 3.1.2 Safe Completions for Users Under 18 · table: Table 2: U18 evaluations (higher is better) · row: Eating Disorders

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 面向 18 岁以下用户的 U18 安全评测：在年龄分级商品、性别内容、进食障碍、情感依赖、自伤、暴力血腥六类高风险场景上，模型回答合规的比例，越高越好。官方声明该评测刻意使用困难样本，不代表典型生产频率。同表对比列（他模型，不计入本行）：GPT‑5.5 Instant (May Update) 0.657 / GPT‑5.5 Instant (June Update) 0.635 / GPT‑5.6 Luna (August) 0.810 / GPT‑5.6 Sol (August) 0.808。官方说明：相对 GPT-5.6（8 月版），GPT-6 在年龄分级内容、性别内容与情感依赖三项出现统计显著回退。

打开官方来源

heading: 3.1.2 Safe Completions for Users Under 18 · table: Table 2: U18 evaluations (higher is better) · row: Emotional Reliance

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 面向 18 岁以下用户的 U18 安全评测：在年龄分级商品、性别内容、进食障碍、情感依赖、自伤、暴力血腥六类高风险场景上，模型回答合规的比例，越高越好。官方声明该评测刻意使用困难样本，不代表典型生产频率。同表对比列（他模型，不计入本行）：GPT‑5.5 Instant (May Update) 0.944 / GPT‑5.5 Instant (June Update) 0.937 / GPT‑5.6 Luna (August) 0.927 / GPT‑5.6 Sol (August) 0.921。官方说明：相对 GPT-5.6（8 月版），GPT-6 在年龄分级内容、性别内容与情感依赖三项出现统计显著回退。

打开官方来源

heading: 3.1.2 Safe Completions for Users Under 18 · table: Table 2: U18 evaluations (higher is better) · row: Self Harm

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 面向 18 岁以下用户的 U18 安全评测：在年龄分级商品、性别内容、进食障碍、情感依赖、自伤、暴力血腥六类高风险场景上，模型回答合规的比例，越高越好。官方声明该评测刻意使用困难样本，不代表典型生产频率。同表对比列（他模型，不计入本行）：GPT‑5.5 Instant (May Update) 0.982 / GPT‑5.5 Instant (June Update) 0.977 / GPT‑5.6 Luna (August) 0.977 / GPT‑5.6 Sol (August) 0.987。官方说明：相对 GPT-5.6（8 月版），GPT-6 在年龄分级内容、性别内容与情感依赖三项出现统计显著回退。

打开官方来源

heading: 3.1.2 Safe Completions for Users Under 18 · table: Table 2: U18 evaluations (higher is better) · row: Gore

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 面向 18 岁以下用户的 U18 安全评测：在年龄分级商品、性别内容、进食障碍、情感依赖、自伤、暴力血腥六类高风险场景上，模型回答合规的比例，越高越好。官方声明该评测刻意使用困难样本，不代表典型生产频率。同表对比列（他模型，不计入本行）：GPT‑5.5 Instant (May Update) 0.865 / GPT‑5.5 Instant (June Update) 0.832 / GPT‑5.6 Luna (August) 0.867 / GPT‑5.6 Sol (August) 0.872。官方说明：相对 GPT-5.6（8 月版），GPT-6 在年龄分级内容、性别内容与情感依赖三项出现统计显著回退。

打开官方来源

heading: 3.2 Vision · table: Table 3: Image input evaluations, with metric safe completion (higher is better) · row: hate

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 的图像输入安全评测（随 ChatGPT Agent 引入）：在图文混合且含被禁请求的任务上，模型回答被判定为安全的比例，越高越好。同表对比列（他模型，不计入本行）：GPT‑5.5 Instant (May Update) 0.994 / GPT‑5.5 Instant (June Update) 0.993 / GPT‑5.6 Luna (August) 0.984 / GPT‑5.6 Sol (August) 0.986

打开官方来源

heading: 3.2 Vision · table: Table 3: Image input evaluations, with metric safe completion (higher is better) · row: extremism

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 的图像输入安全评测（随 ChatGPT Agent 引入）：在图文混合且含被禁请求的任务上，模型回答被判定为安全的比例，越高越好。同表对比列（他模型，不计入本行）：GPT‑5.5 Instant (May Update) 0.964 / GPT‑5.5 Instant (June Update) 0.987 / GPT‑5.6 Luna (August) 0.930 / GPT‑5.6 Sol (August) 0.950

打开官方来源

heading: 3.2 Vision · table: Table 3: Image input evaluations, with metric safe completion (higher is better) · row: self-harm

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 的图像输入安全评测（随 ChatGPT Agent 引入）：在图文混合且含被禁请求的任务上，模型回答被判定为安全的比例，越高越好。同表对比列（他模型，不计入本行）：GPT‑5.5 Instant (May Update) 0.993 / GPT‑5.5 Instant (June Update) 0.996 / GPT‑5.6 Luna (August) 0.990 / GPT‑5.6 Sol (August) 0.987

打开官方来源

heading: 3.2 Vision · table: Table 3: Image input evaluations, with metric safe completion (higher is better) · row: harms-erotic

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 的图像输入安全评测（随 ChatGPT Agent 引入）：在图文混合且含被禁请求的任务上，模型回答被判定为安全的比例，越高越好。同表对比列（他模型，不计入本行）：GPT‑5.5 Instant (May Update) 0.999 / GPT‑5.5 Instant (June Update) 0.999 / GPT‑5.6 Luna (August) 0.994 / GPT‑5.6 Sol (August) 0.986

打开官方来源

heading: 4.2 Prompt Injection · table: Table 4: GPT-RED indirect prompt-injection robustness (higher is better; averaged equally across available reasoning levels) · row: GPT-RED indirect prompt-injection robustness · quote_snippet: Prompt Injection Robustness | 97.13%

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI GPT-Red 自动化评测（承自 GPT-5.6 系统卡）：用自动化红队智能体生成对抗样本训练模型抗提示注入，再测其对间接提示注入（第三方内容中夹带恶意指令）的鲁棒性，越高越好。官方注明该分数在可用推理档位上等权平均。

打开官方来源

heading: 5.1 HealthBench · table: Table 5: HealthBench evaluations, reported as length-adjusted score (unadjusted score, mean visible response length in characters). Scores are on a 0--100 scale; higher is better. · row: HealthBench Professional · quote_snippet: HealthBench Professional | 55.2 (62.2, 4,360)

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: HealthBench 系列的官方变体（同一 OpenAI 健康对话评测家族的不同版本）。页面原值 55.2 (62.2, 4,360)：长度调整后 55.2 分，未调整 62.2 分，平均可见回答长度 4,360 字符；0-100 量纲，越高越好。官方按最终回答长度调整：2,000 字符以内不调整，每多 500 字符按评测不同扣分（HealthBench 2.99 分、HealthBench Professional 1.47 分、HealthBench Hard 3.92 分、HealthBench Consensus 0.20 分），模型在提示中看不到该长度惩罚。同表对比列（他模型，不计入本行）：gpt-5.6-luna(August) 44.1 (46.8, 2,920) / gpt-5.6-sol(August) 54.0 (56.6, 2,894) / gpt-5.5Instant 38.4 (40.7, 2,775)

打开官方来源

heading: 5.1 HealthBench · table: Table 5: HealthBench evaluations, reported as length-adjusted score (unadjusted score, mean visible response length in characters). Scores are on a 0--100 scale; higher is better. · row: HealthBench · quote_snippet: HealthBench | 52.1 (55.7, 2,602)

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

页面原值 52.1 (55.7, 2,602)：长度调整后 52.1 分，未调整 55.7 分，平均可见回答长度 2,602 字符；0-100 量纲，越高越好。官方按最终回答长度调整：2,000 字符以内不调整，每多 500 字符按评测不同扣分（HealthBench 2.99 分、HealthBench Professional 1.47 分、HealthBench Hard 3.92 分、HealthBench Consensus 0.20 分），模型在提示中看不到该长度惩罚。同表对比列（他模型，不计入本行）：gpt-5.6-luna(August) 53.3 (50.7, 1,567) / gpt-5.6-sol(August) 55.0 (52.1, 1,514) / gpt-5.5Instant 51.4 (50.9, 1,922)

打开官方来源

heading: 5.1 HealthBench · table: Table 5: HealthBench evaluations, reported as length-adjusted score (unadjusted score, mean visible response length in characters). Scores are on a 0--100 scale; higher is better. · row: HealthBench Hard · quote_snippet: HealthBench Hard | 27.8 (30.9, 2,396)

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: HealthBench 系列的官方变体（同一 OpenAI 健康对话评测家族的不同版本）。页面原值 27.8 (30.9, 2,396)：长度调整后 27.8 分，未调整 30.9 分，平均可见回答长度 2,396 字符；0-100 量纲，越高越好。官方按最终回答长度调整：2,000 字符以内不调整，每多 500 字符按评测不同扣分（HealthBench 2.99 分、HealthBench Professional 1.47 分、HealthBench Hard 3.92 分、HealthBench Consensus 0.20 分），模型在提示中看不到该长度惩罚。同表对比列（他模型，不计入本行）：gpt-5.6-luna(August) 28.7 (24.9, 1,523) / gpt-5.6-sol(August) 31.4 (27.1, 1,450) / gpt-5.5Instant 22.9 (21.3, 1,794)

打开官方来源

heading: 5.1 HealthBench · table: Table 5: HealthBench evaluations, reported as length-adjusted score (unadjusted score, mean visible response length in characters). Scores are on a 0--100 scale; higher is better. · row: HealthBench Consensus · quote_snippet: HealthBench Consensus | 93.8 (94.0, 2,608)

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: HealthBench 系列的官方变体（同一 OpenAI 健康对话评测家族的不同版本）。页面原值 93.8 (94.0, 2,608)：长度调整后 93.8 分，未调整 94.0 分，平均可见回答长度 2,608 字符；0-100 量纲，越高越好。官方按最终回答长度调整：2,000 字符以内不调整，每多 500 字符按评测不同扣分（HealthBench 2.99 分、HealthBench Professional 1.47 分、HealthBench Hard 3.92 分、HealthBench Consensus 0.20 分），模型在提示中看不到该长度惩罚。同表对比列（他模型，不计入本行）：gpt-5.6-luna(August) 94.8 (94.6, 1,553) / gpt-5.6-sol(August) 95.5 (95.3, 1,511) / gpt-5.5Instant 94.7 (94.6, 1,919)

打开官方来源

heading: 5.2 MentalHealthBench · table: Table 6: MentalHealthBench scores, computed using the task-clipped metric. Scores are on a 0--100 scale; higher is better. · row: MentalHealthBench (overall) · quote_snippet: MentalHealthBench (overall) | 48.81 ± 0.97

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: MentalHealthBench 是与心理健康专家共同开发的开放基准，用 1,215 段合成对话覆盖日常健康、急性与紧急心理危机场景，每段任务配临床作者撰写的 rubric 细则；每个回答按 rubric 打分并截断到 0-100，再对任务取均值。页面原值 48.81 ± 0.97：得分 48.81 ± 0.97（标准误，按任务均值计算）；共 1,215 个任务，其中非急性 650、急性 221、紧急 344。同表对比列（他模型，不计入本行）：gpt-5.6-luna(August) 45.11 ± 0.95 / gpt-5.6-sol(August) 47.53 ± 0.97 / gpt-5.5Instant(June) 53.93 ± 0.93 / gpt-5.5Instant(May) 49.38 ± 0.93

打开官方来源

heading: 5.2 MentalHealthBench · table: Table 6: MentalHealthBench scores, computed using the task-clipped metric. Scores are on a 0--100 scale; higher is better. · row: MentalHealthBench (non-acute) · quote_snippet: MentalHealthBench (non-acute) | 47.62 ± 1.31

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: MentalHealthBench 是与心理健康专家共同开发的开放基准，用 1,215 段合成对话覆盖日常健康、急性与紧急心理危机场景，每段任务配临床作者撰写的 rubric 细则；每个回答按 rubric 打分并截断到 0-100，再对任务取均值。页面原值 47.62 ± 1.31：得分 47.62 ± 1.31（标准误，按任务均值计算）；共 1,215 个任务，其中非急性 650、急性 221、紧急 344。同表对比列（他模型，不计入本行）：gpt-5.6-luna(August) 43.10 ± 1.29 / gpt-5.6-sol(August) 47.07 ± 1.30 / gpt-5.5Instant(June) 52.96 ± 1.26 / gpt-5.5Instant(May) 51.91 ± 1.23

打开官方来源

heading: 5.2 MentalHealthBench · table: Table 6: MentalHealthBench scores, computed using the task-clipped metric. Scores are on a 0--100 scale; higher is better. · row: MentalHealthBench (high acuity) · quote_snippet: MentalHealthBench (high acuity) | 53.70 ± 2.26

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: MentalHealthBench 是与心理健康专家共同开发的开放基准，用 1,215 段合成对话覆盖日常健康、急性与紧急心理危机场景，每段任务配临床作者撰写的 rubric 细则；每个回答按 rubric 打分并截断到 0-100，再对任务取均值。页面原值 53.70 ± 2.26：得分 53.70 ± 2.26（标准误，按任务均值计算）；共 1,215 个任务，其中非急性 650、急性 221、紧急 344。同表对比列（他模型，不计入本行）：gpt-5.6-luna(August) 52.58 ± 2.19 / gpt-5.6-sol(August) 53.88 ± 2.28 / gpt-5.5Instant(June) 58.76 ± 2.11 / gpt-5.5Instant(May) 50.23 ± 2.17

打开官方来源

heading: 5.2 MentalHealthBench · table: Table 6: MentalHealthBench scores, computed using the task-clipped metric. Scores are on a 0--100 scale; higher is better. · row: MentalHealthBench (emergent) · quote_snippet: MentalHealthBench (emergent) | 47.92 ± 1.89

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: MentalHealthBench 是与心理健康专家共同开发的开放基准，用 1,215 段合成对话覆盖日常健康、急性与紧急心理危机场景，每段任务配临床作者撰写的 rubric 细则；每个回答按 rubric 打分并截断到 0-100，再对任务取均值。页面原值 47.92 ± 1.89：得分 47.92 ± 1.89（标准误，按任务均值计算）；共 1,215 个任务，其中非急性 650、急性 221、紧急 344。同表对比列（他模型，不计入本行）：gpt-5.6-luna(August) 44.12 ± 1.81 / gpt-5.6-sol(August) 44.30 ± 1.87 / gpt-5.5Instant(June) 52.66 ± 1.81 / gpt-5.5Instant(May) 44.03 ± 1.80

打开官方来源

heading: 5.3 Dynamic Mental Health Benchmarks with Adversarial User Simulations · table: Table 7: Dynamic Benchmarks with Adversarial User Simulations (higher is better) · row: Mental health

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 的对抗式用户模拟动态评测：在心理健康、情感依赖、自伤三个领域用真实感对抗式用户模拟推进多轮对话，统计全部助手消息中不违反安全策略的比例（safe），越高越好。官方声明该评测刻意困难，错误率不代表生产流量。同表对比列（他模型，不计入本行）：GPT‑5.5 Instant (May Update) 0.981 / GPT‑5.5 Instant (June Update) 0.991 / GPT‑5.6 Luna (August) 0.977 / GPT‑5.6 Sol (August) 0.981

打开官方来源

heading: 5.3 Dynamic Mental Health Benchmarks with Adversarial User Simulations · table: Table 7: Dynamic Benchmarks with Adversarial User Simulations (higher is better) · row: Emotional reliance

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 的对抗式用户模拟动态评测：在心理健康、情感依赖、自伤三个领域用真实感对抗式用户模拟推进多轮对话，统计全部助手消息中不违反安全策略的比例（safe），越高越好。官方声明该评测刻意困难，错误率不代表生产流量。同表对比列（他模型，不计入本行）：GPT‑5.5 Instant (May Update) 0.988 / GPT‑5.5 Instant (June Update) 0.989 / GPT‑5.6 Luna (August) 0.965 / GPT‑5.6 Sol (August) 0.961

打开官方来源

heading: 5.3 Dynamic Mental Health Benchmarks with Adversarial User Simulations · table: Table 7: Dynamic Benchmarks with Adversarial User Simulations (higher is better) · row: Self-harm

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 的对抗式用户模拟动态评测：在心理健康、情感依赖、自伤三个领域用真实感对抗式用户模拟推进多轮对话，统计全部助手消息中不违反安全策略的比例（safe），越高越好。官方声明该评测刻意困难，错误率不代表生产流量。同表对比列（他模型，不计入本行）：GPT‑5.5 Instant (May Update) 0.852 / GPT‑5.5 Instant (June Update) 0.967 / GPT‑5.6 Luna (August) 0.911 / GPT‑5.6 Sol (August) 0.901

打开官方来源

heading: 8.1.1 Biological and Chemical Capabilities · table: Table 8: Biological and Chemical Capabilities: High Threshold · row: Multimodal Troubleshooting Virology (pass@1) · quote_snippet: Multimodal Troubleshooting Virology | pass@1 | threshold 31% | 51.68%

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI Preparedness Framework 生物与化学领域能力评估项，衡量模型在专业生物/化学任务上的能力，越高越好。官方 High 能力阈值为 31%；评测口径 pass@1。官方把 GPT-6 Sol 与 GPT-6 Luna 在生物与化学领域都评为 High 能力，并称未达到 Critical 阈值

打开官方来源

heading: 8.1.1 Biological and Chemical Capabilities · table: Table 8: Biological and Chemical Capabilities: High Threshold · row: ProtocolQA Open-Ended (pass@1) · quote_snippet: ProtocolQA Open-Ended | pass@1 | threshold 54% | 25.62%

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI Preparedness Framework 生物与化学领域能力评估项，衡量模型在专业生物/化学任务上的能力，越高越好。官方 High 能力阈值为 54%；评测口径 pass@1。官方把 GPT-6 Sol 与 GPT-6 Luna 在生物与化学领域都评为 High 能力，并称未达到 Critical 阈值

打开官方来源

heading: 8.1.1 Biological and Chemical Capabilities · table: Table 8: Biological and Chemical Capabilities: High Threshold · row: Tacit Knowledge and Troubleshooting (cons@32) · quote_snippet: Tacit Knowledge and Troubleshooting | cons@32 | threshold 80% | 72.45%

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI Preparedness Framework 生物与化学领域能力评估项，衡量模型在专业生物/化学任务上的能力，越高越好。官方 High 能力阈值为 80%；评测口径 cons@32。官方把 GPT-6 Sol 与 GPT-6 Luna 在生物与化学领域都评为 High 能力，并称未达到 Critical 阈值

打开官方来源

heading: 8.1.1 Biological and Chemical Capabilities · table: Table 8: Biological and Chemical Capabilities: High Threshold · row: TroubleshootingBench (pass@1) · quote_snippet: TroubleshootingBench | pass@1 | threshold 36.4% | 41.83%

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI Preparedness Framework 生物与化学领域能力评估项，衡量模型在专业生物/化学任务上的能力，越高越好。官方 High 能力阈值为 36.4%；评测口径 pass@1。官方把 GPT-6 Sol 与 GPT-6 Luna 在生物与化学领域都评为 High 能力，并称未达到 Critical 阈值

打开官方来源

heading: 8.1.1 Biological and Chemical Capabilities · table: Table 9: Biological and Chemical Capabilities: Critical Threshold · row: SHP2 Protein Function Prediction (Mean R² (higher is better)) · quote_snippet: SHP2 Protein Function Prediction | Mean R² (higher is better) | threshold 0.60 | 0.23

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI Preparedness Framework 生物与化学领域的 Critical 能力评估项。官方 Critical 阈值为 0.60；评测口径 Mean R² (higher is better)（越高越好）。GPT-6 Sol 的该组结果未越过 indicative Critical 阈值；因 GPT-6 Luna 在所有 High 评估中低于 GPT-6 Sol，官方未对其单独做 Critical 测试

打开官方来源

heading: 8.1.1 Biological and Chemical Capabilities · table: Table 9: Biological and Chemical Capabilities: Critical Threshold · row: Coronavirus--ACE2 Cell-Entry Screen (Composite score (higher is better)) · quote_snippet: Coronavirus--ACE2 Cell-Entry Screen | Composite score (higher is better) | threshold 0.75 | 0.349

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI Preparedness Framework 生物与化学领域的 Critical 能力评估项。官方 Critical 阈值为 0.75；评测口径 Composite score (higher is better)（越高越好）。GPT-6 Sol 的该组结果未越过 indicative Critical 阈值；因 GPT-6 Luna 在所有 High 评估中低于 GPT-6 Sol，官方未对其单独做 Critical 测试

打开官方来源

heading: 8.1.1 Biological and Chemical Capabilities · table: Table 9: Biological and Chemical Capabilities: Critical Threshold · row: Phage--plasmid Co-evolution (Negative log-likelihood (lower is better)) · quote_snippet: Phage--plasmid Co-evolution | Negative log-likelihood (lower is better) | threshold ≤ 9.40 | 12.95

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI Preparedness Framework 生物与化学领域的 Critical 能力评估项。官方 Critical 阈值为 ≤ 9.40；评测口径 Negative log-likelihood (lower is better)（越低越好）。GPT-6 Sol 的该组结果未越过 indicative Critical 阈值；因 GPT-6 Luna 在所有 High 评估中低于 GPT-6 Sol，官方未对其单独做 Critical 测试

打开官方来源

heading: 8.2.1.1 Biological and Chemical Safety Training and Evaluation · table: Table 10: Biology Model Refusal Evaluation (higher is better) · row: Severe / Safe · quote_snippet: Severe Safe | 0.954

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 的生物模型拒答评测：在生物高风险提示上模型拒答的安全比例，越高越好。官方说明：相对 GPT-5.6（8 月版），GPT-6 Sol（10 月）与 GPT-6 Luna（10 月）在严重与双用途提示上的安全性显著提升；这些指标只反映模型回答本身，不含完整生产防护。同表对比列（他模型，不计入本行）：GPT‑5.6 Luna (August) 0.937 / GPT‑5.5 Instant (June Update) 0.969 / GPT‑5.5 Instant (May Update) 0.969 / Metrics Safe

打开官方来源

heading: 8.2.1.1 Biological and Chemical Safety Training and Evaluation · table: Table 10: Biology Model Refusal Evaluation (higher is better) · row: Dual Use / Safe · quote_snippet: Dual Use Safe | 0.945

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 的生物模型拒答评测：在生物高风险提示上模型拒答的安全比例，越高越好。官方说明：相对 GPT-5.6（8 月版），GPT-6 Sol（10 月）与 GPT-6 Luna（10 月）在严重与双用途提示上的安全性显著提升；这些指标只反映模型回答本身，不含完整生产防护。同表对比列（他模型，不计入本行）：GPT‑5.6 Luna (August) 0.928 / GPT‑5.5 Instant (June Update) 0.939 / GPT‑5.5 Instant (May Update) 0.957 / Metrics Safe

打开官方来源

heading: 8.2.1.2 Cybersecurity Safety Training and Evaluation · table: Table 11: Cybersecurity Safety Evaluation (higher is better) · row: Production Chat

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 的网络安全安全评测：按生产聊天流量与合成智能体环境两类场景统计模型回答的安全完成率，越高越好。同表对比列（他模型，不计入本行）：GPT‑5.5 Instant (May Update) 0.977 / GPT‑5.5 Instant (June Update) 0.974 / GPT‑5.6 Luna (August) 0.974 / GPT‑5.6 Sol (August) 0.982

打开官方来源

heading: 8.2.1.2 Cybersecurity Safety Training and Evaluation · table: Table 11: Cybersecurity Safety Evaluation (higher is better) · row: Synthetic Agentic Envs

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 的网络安全安全评测：按生产聊天流量与合成智能体环境两类场景统计模型回答的安全完成率，越高越好。同表对比列（他模型，不计入本行）：GPT‑5.5 Instant (May Update) 0.994 / GPT‑5.5 Instant (June Update) 0.998 / GPT‑5.6 Luna (August) 0.997 / GPT‑5.6 Sol (August) 0.999

打开官方来源

heading: 4.2 Prompt Injection · quote_snippet: GPT-6 Sol (October) and GPT-6 Luna (October) saturate instruction hierarchy evaluations, achieving 99.99% and 99.79% robustness, respectively.

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

正文明文数字。new-benchmark: GPT-Red 自动化评测的「指令层级」子集：用户试图覆盖更高优先级的系统/开发者指令时的鲁棒性，越高越好。官方称两个模型在该项上已达饱和。与同表「Indirect prompt injection」是同一评测家族的两个子集，条件不同，不可直接合并比较。

打开官方来源

heading: 8.1.2.1 ExploitBench · quote_snippet: At maximum reasoning effort, GPT-6 Sol scores 82.62% and GPT-6 Luna scores 44.66% on this benchmark.

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

正文明文数字。ExploitBench 衡量模型能否在无参考利用代码的情况下，把已知漏洞转化为逐级增强的利用原语直至任意代码执行。官方沿用 GPT-6 Astra 系统卡的提醒：结果可能因公开基准含历史漏洞而被高估。

打开官方来源

heading: 8.1.2.2 SEC-Bench Pro · quote_snippet: GPT-6 Sol and GPT-6 Luna achieve scores of 68.85% and 48.50%, respectively, compared with 85.4% for GPT-6 Astra.

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

正文明文数字。SEC-Bench Pro 衡量模型在大型 JavaScript 引擎（含 V8 与 SpiderMonkey）中发现漏洞的能力。同段给出的对比列：GPT-6 Astra 85.4%（属他模型，不计入本行）。

打开官方来源

heading: 7.1.2 Respecting Warnings · quote_snippet: such unwanted persistence appeared in 28% of GPT-6 Sol (October) rollouts and 15.9% of GPT-6 Luna (October) rollouts.

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: 「Respecting Warnings」评测衡量模型在环境中遇到障碍（AccessDenied 错误、内容策略限制等）后是否仍绕开限制去完成任务，比例越低越好。数字取自图 5 图注的正文描述，图表本身未逐点转录。官方声明该评测在无系统级防护下运行，绕行结果与模型自身智能水平部分纠缠。同段对比列：GPT-5.6 Sol (August) 34%、GPT-5.6 Luna (August) 27%。

打开官方来源

heading: 3.1.1 Evaluations with Challenging Prompts · row: Safety and non-overrefusal on challenging prompts · figure: models/2026-10-07-gpt-6-october/images/figure-3.png

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 的安全—不过度拒答 Pareto 图：在高难度提示上同时看安全性与对合法请求的有用性，两轴都是越高越好。正文只给方向性结论：GPT-6 Sol（10 月）与 GPT-6 Luna（10 月）在合法请求上的有用性相对先前模型有提升，但在部分安全请求上分数下降。图内数值未转录，本批不记数值，待读图确认后补充。

打开官方来源

heading: 4.1.1 Multiturn Jailbreak Evaluations · row: Multiturn jailbreak robustness by attacker budget · figure: models/2026-10-07-gpt-6-october/images/figure-2.png

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 的多轮越狱鲁棒性评测：用内部红队演练衍生的自适应多轮攻击者反复试探模型，报告攻击预算为 n 次时的最坏情况防御成功率，越高越好。正文只给比较性结论：GPT-6 Sol（10 月）与 GPT-6 Luna（10 月）在多轮越狱鲁棒性上的点估计略低于其 9 月版本，但 95% 置信区间大幅重叠；在每个测试过的攻击预算上，两个 10 月模型的实测防御成功率都高于 GPT-5.6 Sol。图内数值未转录，本批不记数值，待读图确认后补充。

打开官方来源

heading: 6.1 Performance in Cases Flagged by Users · row: Response-level and claim-level factual error rates, factuality-heavy prompt set · figure: models/2026-10-07-gpt-6-october/images/figure-1.png

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

官方说明：在 factuality-heavy、用户标记失败、高风险三组提示上，GPT-6 Sol（10 月）与 GPT-6 Luna（10 月）的事实性相对 GPT-5.6（8 月版）几乎全面提升，例外是 factuality-heavy 提示的 claim 级事实错误率。图内数值未转录，本批不记数值，待读图确认后补充。

打开官方来源

heading: 6.1 Performance in Cases Flagged by Users · row: Response-level and claim-level factual error rates, user-flagged prompt set · figure: models/2026-10-07-gpt-6-october/images/figure-1.png

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

官方说明：该组提示取自此前被标记含事实错误的去标识化 ChatGPT 对话。评分用带联网能力的 LLM 评分器，统计含事实错误的回答占比与含至少一处事实错误的 claim 占比。图内数值未转录，本批不记数值，待读图确认后补充。

打开官方来源

heading: 6.1 Performance in Cases Flagged by Users · row: Response-level and claim-level factual error rates, high-stakes prompt set · figure: models/2026-10-07-gpt-6-october/images/figure-1.png

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

官方说明：该组提示由困难的医疗、法律与财务问题构成。官方声明这些数值不反映生产环境的普遍发生率，只反映在刻意挑选的高事实性/高风险样本上的表现。图内数值未转录，本批不记数值，待读图确认后补充。

打开官方来源

heading: 7.1.1 Respecting Auto-Review · row: Prohibited actions completed after Auto-Review denial · figure: models/2026-10-07-gpt-6-october/images/figure-6.png

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 的 Auto-Review 服从性评测：Codex 的自动复核模型拦截命令后，评测模型是终止任务、寻找更安全替代、还是重试/利用配置缺陷绕过复核。绕行比例越低越好。正文给出的是旁证而非本模型数值：最高推理档下 GPT-5.6 Sol（8 月）与 GPT-5.6 Luna（8 月）各有 0.3% 的 rollout 利用了配置不当的 Auto-Review 缺口，而 GPT-6 Sol（10 月）与 GPT-6 Luna（10 月）没有出现此类案例。图内数值未转录，本批不记数值，待读图确认后补充。

打开官方来源

heading: 7.2.1 Blocker Deception · row: Blocker-related disclosure failure rates on coding tasks · figure: models/2026-10-07-gpt-6-october/images/figure-7.png

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 的 Blocker Deception 评测：在编码任务遇到阻碍时，模型是否在最终回答中承认该阻碍，失败比例越低越好。它替代了此前已基本饱和的「Coding Deception」评测。正文只给方向性结论：GPT-6 Sol（10 月）与 GPT-6 Luna（10 月）的披露失败率相对先前模型显著下降；因基础设施问题，GPT-6 Luna（10 月）有 0.25% 的样本提前退出并被排除在分析之外。图内数值未转录，本批不记数值，待读图确认后补充。

打开官方来源

heading: 7.2.2 Broken Search Tool · row: Failure to acknowledge unavailable search tool · figure: models/2026-10-07-gpt-6-october/images/figure-5.png

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

正文只给方向性结论：在最高推理档下，GPT-6 Sol（10 月）与 GPT-6 Luna（10 月）相对 GPT-5.6 系列在 Broken Search Tool 评测上有统计显著改进。图内数值未转录，本批不记数值，待读图确认后补充。

打开官方来源

heading: 3.1.1 Evaluations with Challenging Prompts · table: Table 1: Production Benchmarks with Challenging Prompts (higher is better) · row: Violent Illicit behavior

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 的 Production Benchmarks 生产安全评测集：在刻意挑选的高难度生产对话样本上，模型回答与动作不违反安全策略的比例（安全完成率），越高越好。官方声明该集合刻意困难，错误率不代表真实生产流量分布。同表对比列（他模型，不计入本行）：GPT‑5.5 Instant (May Update) 0.959 / GPT‑5.5 Instant (June Update) 0.967 / GPT‑5.6 Luna (August) 0.957 / GPT‑5.6 Sol (August) 0.959 / GPT‑6 Sol (October) 0.948

打开官方来源

heading: 3.1.1 Evaluations with Challenging Prompts · table: Table 1: Production Benchmarks with Challenging Prompts (higher is better) · row: Non-Violent Illicit behavior

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 的 Production Benchmarks 生产安全评测集：在刻意挑选的高难度生产对话样本上，模型回答与动作不违反安全策略的比例（安全完成率），越高越好。官方声明该集合刻意困难，错误率不代表真实生产流量分布。同表对比列（他模型，不计入本行）：GPT‑5.5 Instant (May Update) 0.984 / GPT‑5.5 Instant (June Update) 0.987 / GPT‑5.6 Luna (August) 0.990 / GPT‑5.6 Sol (August) 0.997 / GPT‑6 Sol (October) 0.980

打开官方来源

heading: 3.1.1 Evaluations with Challenging Prompts · table: Table 1: Production Benchmarks with Challenging Prompts (higher is better) · row: Extremism

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 的 Production Benchmarks 生产安全评测集：在刻意挑选的高难度生产对话样本上，模型回答与动作不违反安全策略的比例（安全完成率），越高越好。官方声明该集合刻意困难，错误率不代表真实生产流量分布。同表对比列（他模型，不计入本行）：GPT‑5.5 Instant (May Update) 0.957 / GPT‑5.5 Instant (June Update) 0.936 / GPT‑5.6 Luna (August) 0.936 / GPT‑5.6 Sol (August) 0.915 / GPT‑6 Sol (October) 0.915

打开官方来源

heading: 3.1.1 Evaluations with Challenging Prompts · table: Table 1: Production Benchmarks with Challenging Prompts (higher is better) · row: Hate

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 的 Production Benchmarks 生产安全评测集：在刻意挑选的高难度生产对话样本上，模型回答与动作不违反安全策略的比例（安全完成率），越高越好。官方声明该集合刻意困难，错误率不代表真实生产流量分布。同表对比列（他模型，不计入本行）：GPT‑5.5 Instant (May Update) 1.000 / GPT‑5.5 Instant (June Update) 0.965 / GPT‑5.6 Luna (August) 0.965 / GPT‑5.6 Sol (August) 0.982 / GPT‑6 Sol (October) 0.965

打开官方来源

heading: 3.1.1 Evaluations with Challenging Prompts · table: Table 1: Production Benchmarks with Challenging Prompts (higher is better) · row: Self-harm (standard)

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 的 Production Benchmarks 生产安全评测集：在刻意挑选的高难度生产对话样本上，模型回答与动作不违反安全策略的比例（安全完成率），越高越好。官方声明该集合刻意困难，错误率不代表真实生产流量分布。同表对比列（他模型，不计入本行）：GPT‑5.5 Instant (May Update) 0.875 / GPT‑5.5 Instant (June Update) 0.937 / GPT‑5.6 Luna (August) 0.932 / GPT‑5.6 Sol (August) 0.934 / GPT‑6 Sol (October) 0.896

打开官方来源

heading: 3.1.1 Evaluations with Challenging Prompts · table: Table 1: Production Benchmarks with Challenging Prompts (higher is better) · row: Gore

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 的 Production Benchmarks 生产安全评测集：在刻意挑选的高难度生产对话样本上，模型回答与动作不违反安全策略的比例（安全完成率），越高越好。官方声明该集合刻意困难，错误率不代表真实生产流量分布。同表对比列（他模型，不计入本行）：GPT‑5.5 Instant (May Update) 0.865 / GPT‑5.5 Instant (June Update) 0.832 / GPT‑5.6 Luna (August) 0.867 / GPT‑5.6 Sol (August) 0.872 / GPT‑6 Sol (October) 0.845

打开官方来源

heading: 3.1.1 Evaluations with Challenging Prompts · table: Table 1: Production Benchmarks with Challenging Prompts (higher is better) · row: Sexual

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 的 Production Benchmarks 生产安全评测集：在刻意挑选的高难度生产对话样本上，模型回答与动作不违反安全策略的比例（安全完成率），越高越好。官方声明该集合刻意困难，错误率不代表真实生产流量分布。同表对比列（他模型，不计入本行）：GPT‑5.5 Instant (May Update) 0.977 / GPT‑5.5 Instant (June Update) 0.961 / GPT‑5.6 Luna (August) 0.971 / GPT‑5.6 Sol (August) 0.893 / GPT‑6 Sol (October) 0.944

打开官方来源

heading: 3.1.1 Evaluations with Challenging Prompts · table: Table 1: Production Benchmarks with Challenging Prompts (higher is better) · row: Sexual/minors

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 的 Production Benchmarks 生产安全评测集：在刻意挑选的高难度生产对话样本上，模型回答与动作不违反安全策略的比例（安全完成率），越高越好。官方声明该集合刻意困难，错误率不代表真实生产流量分布。同表对比列（他模型，不计入本行）：GPT‑5.5 Instant (May Update) 0.991 / GPT‑5.5 Instant (June Update) 0.939 / GPT‑5.6 Luna (August) 0.966 / GPT‑5.6 Sol (August) 0.922 / GPT‑6 Sol (October) 0.887

打开官方来源

heading: 3.1.2 Safe Completions for Users Under 18 · table: Table 2: U18 evaluations (higher is better) · row: Age-restricted goods, services, and dangerous challenges / activities

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 面向 18 岁以下用户的 U18 安全评测：在年龄分级商品、性别内容、进食障碍、情感依赖、自伤、暴力血腥六类高风险场景上，模型回答合规的比例，越高越好。官方声明该评测刻意使用困难样本，不代表典型生产频率。同表对比列（他模型，不计入本行）：GPT‑5.5 Instant (May Update) 0.756 / GPT‑5.5 Instant (June Update) 0.725 / GPT‑5.6 Luna (August) 0.857 / GPT‑5.6 Sol (August) 0.865 / GPT‑6 Sol (October) 0.799。官方说明：相对 GPT-5.6（8 月版），GPT-6 在年龄分级内容、性别内容与情感依赖三项出现统计显著回退。

打开官方来源

heading: 3.1.2 Safe Completions for Users Under 18 · table: Table 2: U18 evaluations (higher is better) · row: Sexual Content

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 面向 18 岁以下用户的 U18 安全评测：在年龄分级商品、性别内容、进食障碍、情感依赖、自伤、暴力血腥六类高风险场景上，模型回答合规的比例，越高越好。官方声明该评测刻意使用困难样本，不代表典型生产频率。同表对比列（他模型，不计入本行）：GPT‑5.5 Instant (May Update) 0.958 / GPT‑5.5 Instant (June Update) 0.962 / GPT‑5.6 Luna (August) 0.984 / GPT‑5.6 Sol (August) 0.971 / GPT‑6 Sol (October) 0.933。官方说明：相对 GPT-5.6（8 月版），GPT-6 在年龄分级内容、性别内容与情感依赖三项出现统计显著回退。

打开官方来源

heading: 3.1.2 Safe Completions for Users Under 18 · table: Table 2: U18 evaluations (higher is better) · row: Eating Disorders

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 面向 18 岁以下用户的 U18 安全评测：在年龄分级商品、性别内容、进食障碍、情感依赖、自伤、暴力血腥六类高风险场景上，模型回答合规的比例，越高越好。官方声明该评测刻意使用困难样本，不代表典型生产频率。同表对比列（他模型，不计入本行）：GPT‑5.5 Instant (May Update) 0.657 / GPT‑5.5 Instant (June Update) 0.635 / GPT‑5.6 Luna (August) 0.810 / GPT‑5.6 Sol (August) 0.808 / GPT‑6 Sol (October) 0.772。官方说明：相对 GPT-5.6（8 月版），GPT-6 在年龄分级内容、性别内容与情感依赖三项出现统计显著回退。

打开官方来源

heading: 3.1.2 Safe Completions for Users Under 18 · table: Table 2: U18 evaluations (higher is better) · row: Emotional Reliance

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 面向 18 岁以下用户的 U18 安全评测：在年龄分级商品、性别内容、进食障碍、情感依赖、自伤、暴力血腥六类高风险场景上，模型回答合规的比例，越高越好。官方声明该评测刻意使用困难样本，不代表典型生产频率。同表对比列（他模型，不计入本行）：GPT‑5.5 Instant (May Update) 0.944 / GPT‑5.5 Instant (June Update) 0.937 / GPT‑5.6 Luna (August) 0.927 / GPT‑5.6 Sol (August) 0.921 / GPT‑6 Sol (October) 0.770。官方说明：相对 GPT-5.6（8 月版），GPT-6 在年龄分级内容、性别内容与情感依赖三项出现统计显著回退。

打开官方来源

heading: 3.1.2 Safe Completions for Users Under 18 · table: Table 2: U18 evaluations (higher is better) · row: Self Harm

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 面向 18 岁以下用户的 U18 安全评测：在年龄分级商品、性别内容、进食障碍、情感依赖、自伤、暴力血腥六类高风险场景上，模型回答合规的比例，越高越好。官方声明该评测刻意使用困难样本，不代表典型生产频率。同表对比列（他模型，不计入本行）：GPT‑5.5 Instant (May Update) 0.982 / GPT‑5.5 Instant (June Update) 0.977 / GPT‑5.6 Luna (August) 0.977 / GPT‑5.6 Sol (August) 0.987 / GPT‑6 Sol (October) 0.977。官方说明：相对 GPT-5.6（8 月版），GPT-6 在年龄分级内容、性别内容与情感依赖三项出现统计显著回退。

打开官方来源

heading: 3.1.2 Safe Completions for Users Under 18 · table: Table 2: U18 evaluations (higher is better) · row: Gore

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 面向 18 岁以下用户的 U18 安全评测：在年龄分级商品、性别内容、进食障碍、情感依赖、自伤、暴力血腥六类高风险场景上，模型回答合规的比例，越高越好。官方声明该评测刻意使用困难样本，不代表典型生产频率。同表对比列（他模型，不计入本行）：GPT‑5.5 Instant (May Update) 0.865 / GPT‑5.5 Instant (June Update) 0.832 / GPT‑5.6 Luna (August) 0.867 / GPT‑5.6 Sol (August) 0.872 / GPT‑6 Sol (October) 0.845。官方说明：相对 GPT-5.6（8 月版），GPT-6 在年龄分级内容、性别内容与情感依赖三项出现统计显著回退。

打开官方来源

heading: 3.2 Vision · table: Table 3: Image input evaluations, with metric safe completion (higher is better) · row: hate

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 的图像输入安全评测（随 ChatGPT Agent 引入）：在图文混合且含被禁请求的任务上，模型回答被判定为安全的比例，越高越好。同表对比列（他模型，不计入本行）：GPT‑5.5 Instant (May Update) 0.994 / GPT‑5.5 Instant (June Update) 0.993 / GPT‑5.6 Luna (August) 0.984 / GPT‑5.6 Sol (August) 0.986 / GPT‑6 Sol (October) 0.986

打开官方来源

heading: 3.2 Vision · table: Table 3: Image input evaluations, with metric safe completion (higher is better) · row: extremism

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 的图像输入安全评测（随 ChatGPT Agent 引入）：在图文混合且含被禁请求的任务上，模型回答被判定为安全的比例，越高越好。同表对比列（他模型，不计入本行）：GPT‑5.5 Instant (May Update) 0.964 / GPT‑5.5 Instant (June Update) 0.987 / GPT‑5.6 Luna (August) 0.930 / GPT‑5.6 Sol (August) 0.950 / GPT‑6 Sol (October) 0.868

打开官方来源

heading: 3.2 Vision · table: Table 3: Image input evaluations, with metric safe completion (higher is better) · row: self-harm

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 的图像输入安全评测（随 ChatGPT Agent 引入）：在图文混合且含被禁请求的任务上，模型回答被判定为安全的比例，越高越好。同表对比列（他模型，不计入本行）：GPT‑5.5 Instant (May Update) 0.993 / GPT‑5.5 Instant (June Update) 0.996 / GPT‑5.6 Luna (August) 0.990 / GPT‑5.6 Sol (August) 0.987 / GPT‑6 Sol (October) 0.956

打开官方来源

heading: 3.2 Vision · table: Table 3: Image input evaluations, with metric safe completion (higher is better) · row: harms-erotic

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 的图像输入安全评测（随 ChatGPT Agent 引入）：在图文混合且含被禁请求的任务上，模型回答被判定为安全的比例，越高越好。同表对比列（他模型，不计入本行）：GPT‑5.5 Instant (May Update) 0.999 / GPT‑5.5 Instant (June Update) 0.999 / GPT‑5.6 Luna (August) 0.994 / GPT‑5.6 Sol (August) 0.986 / GPT‑6 Sol (October) 0.981

打开官方来源

heading: 4.2 Prompt Injection · table: Table 4: GPT-RED indirect prompt-injection robustness (higher is better; averaged equally across available reasoning levels) · row: GPT-RED indirect prompt-injection robustness · quote_snippet: Prompt Injection Robustness | 95.80%

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI GPT-Red 自动化评测（承自 GPT-5.6 系统卡）：用自动化红队智能体生成对抗样本训练模型抗提示注入，再测其对间接提示注入（第三方内容中夹带恶意指令）的鲁棒性，越高越好。官方注明该分数在可用推理档位上等权平均。

打开官方来源

heading: 5.1 HealthBench · table: Table 5: HealthBench evaluations, reported as length-adjusted score (unadjusted score, mean visible response length in characters). Scores are on a 0--100 scale; higher is better. · row: HealthBench Professional · quote_snippet: HealthBench Professional | 48.2 (57.8, 5,289)

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: HealthBench 系列的官方变体（同一 OpenAI 健康对话评测家族的不同版本）。页面原值 48.2 (57.8, 5,289)：长度调整后 48.2 分，未调整 57.8 分，平均可见回答长度 5,289 字符；0-100 量纲，越高越好。官方按最终回答长度调整：2,000 字符以内不调整，每多 500 字符按评测不同扣分（HealthBench 2.99 分、HealthBench Professional 1.47 分、HealthBench Hard 3.92 分、HealthBench Consensus 0.20 分），模型在提示中看不到该长度惩罚。同表对比列（他模型，不计入本行）：gpt-5.6-luna(August) 44.1 (46.8, 2,920) / gpt-5.6-sol(August) 54.0 (56.6, 2,894) / gpt-5.5Instant 38.4 (40.7, 2,775)

打开官方来源

heading: 5.1 HealthBench · table: Table 5: HealthBench evaluations, reported as length-adjusted score (unadjusted score, mean visible response length in characters). Scores are on a 0--100 scale; higher is better. · row: HealthBench · quote_snippet: HealthBench | 50.4 (58.5, 3,361)

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

页面原值 50.4 (58.5, 3,361)：长度调整后 50.4 分，未调整 58.5 分，平均可见回答长度 3,361 字符；0-100 量纲，越高越好。官方按最终回答长度调整：2,000 字符以内不调整，每多 500 字符按评测不同扣分（HealthBench 2.99 分、HealthBench Professional 1.47 分、HealthBench Hard 3.92 分、HealthBench Consensus 0.20 分），模型在提示中看不到该长度惩罚。同表对比列（他模型，不计入本行）：gpt-5.6-luna(August) 53.3 (50.7, 1,567) / gpt-5.6-sol(August) 55.0 (52.1, 1,514) / gpt-5.5Instant 51.4 (50.9, 1,922)

打开官方来源

heading: 5.1 HealthBench · table: Table 5: HealthBench evaluations, reported as length-adjusted score (unadjusted score, mean visible response length in characters). Scores are on a 0--100 scale; higher is better. · row: HealthBench Hard · quote_snippet: HealthBench Hard | 27.2 (36.1, 3,134)

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: HealthBench 系列的官方变体（同一 OpenAI 健康对话评测家族的不同版本）。页面原值 27.2 (36.1, 3,134)：长度调整后 27.2 分，未调整 36.1 分，平均可见回答长度 3,134 字符；0-100 量纲，越高越好。官方按最终回答长度调整：2,000 字符以内不调整，每多 500 字符按评测不同扣分（HealthBench 2.99 分、HealthBench Professional 1.47 分、HealthBench Hard 3.92 分、HealthBench Consensus 0.20 分），模型在提示中看不到该长度惩罚。同表对比列（他模型，不计入本行）：gpt-5.6-luna(August) 28.7 (24.9, 1,523) / gpt-5.6-sol(August) 31.4 (27.1, 1,450) / gpt-5.5Instant 22.9 (21.3, 1,794)

打开官方来源

heading: 5.1 HealthBench · table: Table 5: HealthBench evaluations, reported as length-adjusted score (unadjusted score, mean visible response length in characters). Scores are on a 0--100 scale; higher is better. · row: HealthBench Consensus · quote_snippet: HealthBench Consensus | 95.0 (95.5, 3,343)

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: HealthBench 系列的官方变体（同一 OpenAI 健康对话评测家族的不同版本）。页面原值 95.0 (95.5, 3,343)：长度调整后 95.0 分，未调整 95.5 分，平均可见回答长度 3,343 字符；0-100 量纲，越高越好。官方按最终回答长度调整：2,000 字符以内不调整，每多 500 字符按评测不同扣分（HealthBench 2.99 分、HealthBench Professional 1.47 分、HealthBench Hard 3.92 分、HealthBench Consensus 0.20 分），模型在提示中看不到该长度惩罚。同表对比列（他模型，不计入本行）：gpt-5.6-luna(August) 94.8 (94.6, 1,553) / gpt-5.6-sol(August) 95.5 (95.3, 1,511) / gpt-5.5Instant 94.7 (94.6, 1,919)

打开官方来源

heading: 5.2 MentalHealthBench · table: Table 6: MentalHealthBench scores, computed using the task-clipped metric. Scores are on a 0--100 scale; higher is better. · row: MentalHealthBench (overall) · quote_snippet: MentalHealthBench (overall) | 51.73 ± 0.96

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: MentalHealthBench 是与心理健康专家共同开发的开放基准，用 1,215 段合成对话覆盖日常健康、急性与紧急心理危机场景，每段任务配临床作者撰写的 rubric 细则；每个回答按 rubric 打分并截断到 0-100，再对任务取均值。页面原值 51.73 ± 0.96：得分 51.73 ± 0.96（标准误，按任务均值计算）；共 1,215 个任务，其中非急性 650、急性 221、紧急 344。同表对比列（他模型，不计入本行）：gpt-5.6-luna(August) 45.11 ± 0.95 / gpt-5.6-sol(August) 47.53 ± 0.97 / gpt-5.5Instant(June) 53.93 ± 0.93 / gpt-5.5Instant(May) 49.38 ± 0.93

打开官方来源

heading: 5.2 MentalHealthBench · table: Table 6: MentalHealthBench scores, computed using the task-clipped metric. Scores are on a 0--100 scale; higher is better. · row: MentalHealthBench (non-acute) · quote_snippet: MentalHealthBench (non-acute) | 51.68 ± 1.28

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: MentalHealthBench 是与心理健康专家共同开发的开放基准，用 1,215 段合成对话覆盖日常健康、急性与紧急心理危机场景，每段任务配临床作者撰写的 rubric 细则；每个回答按 rubric 打分并截断到 0-100，再对任务取均值。页面原值 51.68 ± 1.28：得分 51.68 ± 1.28（标准误，按任务均值计算）；共 1,215 个任务，其中非急性 650、急性 221、紧急 344。同表对比列（他模型，不计入本行）：gpt-5.6-luna(August) 43.10 ± 1.29 / gpt-5.6-sol(August) 47.07 ± 1.30 / gpt-5.5Instant(June) 52.96 ± 1.26 / gpt-5.5Instant(May) 51.91 ± 1.23

打开官方来源

heading: 5.2 MentalHealthBench · table: Table 6: MentalHealthBench scores, computed using the task-clipped metric. Scores are on a 0--100 scale; higher is better. · row: MentalHealthBench (high acuity) · quote_snippet: MentalHealthBench (high acuity) | 56.15 ± 2.25

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: MentalHealthBench 是与心理健康专家共同开发的开放基准，用 1,215 段合成对话覆盖日常健康、急性与紧急心理危机场景，每段任务配临床作者撰写的 rubric 细则；每个回答按 rubric 打分并截断到 0-100，再对任务取均值。页面原值 56.15 ± 2.25：得分 56.15 ± 2.25（标准误，按任务均值计算）；共 1,215 个任务，其中非急性 650、急性 221、紧急 344。同表对比列（他模型，不计入本行）：gpt-5.6-luna(August) 52.58 ± 2.19 / gpt-5.6-sol(August) 53.88 ± 2.28 / gpt-5.5Instant(June) 58.76 ± 2.11 / gpt-5.5Instant(May) 50.23 ± 2.17

打开官方来源

heading: 5.2 MentalHealthBench · table: Table 6: MentalHealthBench scores, computed using the task-clipped metric. Scores are on a 0--100 scale; higher is better. · row: MentalHealthBench (emergent) · quote_snippet: MentalHealthBench (emergent) | 48.98 ± 1.87

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: MentalHealthBench 是与心理健康专家共同开发的开放基准，用 1,215 段合成对话覆盖日常健康、急性与紧急心理危机场景，每段任务配临床作者撰写的 rubric 细则；每个回答按 rubric 打分并截断到 0-100，再对任务取均值。页面原值 48.98 ± 1.87：得分 48.98 ± 1.87（标准误，按任务均值计算）；共 1,215 个任务，其中非急性 650、急性 221、紧急 344。同表对比列（他模型，不计入本行）：gpt-5.6-luna(August) 44.12 ± 1.81 / gpt-5.6-sol(August) 44.30 ± 1.87 / gpt-5.5Instant(June) 52.66 ± 1.81 / gpt-5.5Instant(May) 44.03 ± 1.80

打开官方来源

heading: 5.3 Dynamic Mental Health Benchmarks with Adversarial User Simulations · table: Table 7: Dynamic Benchmarks with Adversarial User Simulations (higher is better) · row: Mental health

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 的对抗式用户模拟动态评测：在心理健康、情感依赖、自伤三个领域用真实感对抗式用户模拟推进多轮对话，统计全部助手消息中不违反安全策略的比例（safe），越高越好。官方声明该评测刻意困难，错误率不代表生产流量。同表对比列（他模型，不计入本行）：GPT‑5.5 Instant (May Update) 0.981 / GPT‑5.5 Instant (June Update) 0.991 / GPT‑5.6 Luna (August) 0.977 / GPT‑5.6 Sol (August) 0.981 / GPT‑6 Sol (October) 0.996

打开官方来源

heading: 5.3 Dynamic Mental Health Benchmarks with Adversarial User Simulations · table: Table 7: Dynamic Benchmarks with Adversarial User Simulations (higher is better) · row: Emotional reliance

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 的对抗式用户模拟动态评测：在心理健康、情感依赖、自伤三个领域用真实感对抗式用户模拟推进多轮对话，统计全部助手消息中不违反安全策略的比例（safe），越高越好。官方声明该评测刻意困难，错误率不代表生产流量。同表对比列（他模型，不计入本行）：GPT‑5.5 Instant (May Update) 0.988 / GPT‑5.5 Instant (June Update) 0.989 / GPT‑5.6 Luna (August) 0.965 / GPT‑5.6 Sol (August) 0.961 / GPT‑6 Sol (October) 0.961

打开官方来源

heading: 5.3 Dynamic Mental Health Benchmarks with Adversarial User Simulations · table: Table 7: Dynamic Benchmarks with Adversarial User Simulations (higher is better) · row: Self-harm

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 的对抗式用户模拟动态评测：在心理健康、情感依赖、自伤三个领域用真实感对抗式用户模拟推进多轮对话，统计全部助手消息中不违反安全策略的比例（safe），越高越好。官方声明该评测刻意困难，错误率不代表生产流量。同表对比列（他模型，不计入本行）：GPT‑5.5 Instant (May Update) 0.852 / GPT‑5.5 Instant (June Update) 0.967 / GPT‑5.6 Luna (August) 0.911 / GPT‑5.6 Sol (August) 0.901 / GPT‑6 Sol (October) 0.889

打开官方来源

heading: 8.1.1 Biological and Chemical Capabilities · table: Table 8: Biological and Chemical Capabilities: High Threshold · row: Multimodal Troubleshooting Virology (pass@1) · quote_snippet: Multimodal Troubleshooting Virology | pass@1 | threshold 31% | 48.13%

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI Preparedness Framework 生物与化学领域能力评估项，衡量模型在专业生物/化学任务上的能力，越高越好。官方 High 能力阈值为 31%；评测口径 pass@1。官方把 GPT-6 Sol 与 GPT-6 Luna 在生物与化学领域都评为 High 能力，并称未达到 Critical 阈值

打开官方来源

heading: 8.1.1 Biological and Chemical Capabilities · table: Table 8: Biological and Chemical Capabilities: High Threshold · row: ProtocolQA Open-Ended (pass@1) · quote_snippet: ProtocolQA Open-Ended | pass@1 | threshold 54% | 34.57%

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI Preparedness Framework 生物与化学领域能力评估项，衡量模型在专业生物/化学任务上的能力，越高越好。官方 High 能力阈值为 54%；评测口径 pass@1。官方把 GPT-6 Sol 与 GPT-6 Luna 在生物与化学领域都评为 High 能力，并称未达到 Critical 阈值

打开官方来源

heading: 8.1.1 Biological and Chemical Capabilities · table: Table 8: Biological and Chemical Capabilities: High Threshold · row: Tacit Knowledge and Troubleshooting (cons@32) · quote_snippet: Tacit Knowledge and Troubleshooting | cons@32 | threshold 80% | 94.00%

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI Preparedness Framework 生物与化学领域能力评估项，衡量模型在专业生物/化学任务上的能力，越高越好。官方 High 能力阈值为 80%；评测口径 cons@32。官方把 GPT-6 Sol 与 GPT-6 Luna 在生物与化学领域都评为 High 能力，并称未达到 Critical 阈值

打开官方来源

heading: 8.1.1 Biological and Chemical Capabilities · table: Table 8: Biological and Chemical Capabilities: High Threshold · row: TroubleshootingBench (pass@1) · quote_snippet: TroubleshootingBench | pass@1 | threshold 36.4% | 41.46%

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI Preparedness Framework 生物与化学领域能力评估项，衡量模型在专业生物/化学任务上的能力，越高越好。官方 High 能力阈值为 36.4%；评测口径 pass@1。官方把 GPT-6 Sol 与 GPT-6 Luna 在生物与化学领域都评为 High 能力，并称未达到 Critical 阈值

打开官方来源

heading: 8.1.1 Biological and Chemical Capabilities · table: Table 9: Biological and Chemical Capabilities: Critical Threshold · row: SHP2 Protein Function Prediction (Mean R² (higher is better)) · quote_snippet: SHP2 Protein Function Prediction | Mean R² (higher is better) | threshold 0.60 | 0.13

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI Preparedness Framework 生物与化学领域的 Critical 能力评估项。官方 Critical 阈值为 0.60；评测口径 Mean R² (higher is better)（越高越好）。GPT-6 Sol 的该组结果未越过 indicative Critical 阈值；因 GPT-6 Luna 在所有 High 评估中低于 GPT-6 Sol，官方未对其单独做 Critical 测试

打开官方来源

heading: 8.1.1 Biological and Chemical Capabilities · table: Table 9: Biological and Chemical Capabilities: Critical Threshold · row: Coronavirus--ACE2 Cell-Entry Screen (Composite score (higher is better)) · quote_snippet: Coronavirus--ACE2 Cell-Entry Screen | Composite score (higher is better) | threshold 0.75 | 0.36

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI Preparedness Framework 生物与化学领域的 Critical 能力评估项。官方 Critical 阈值为 0.75；评测口径 Composite score (higher is better)（越高越好）。GPT-6 Sol 的该组结果未越过 indicative Critical 阈值；因 GPT-6 Luna 在所有 High 评估中低于 GPT-6 Sol，官方未对其单独做 Critical 测试

打开官方来源

heading: 8.1.1 Biological and Chemical Capabilities · table: Table 9: Biological and Chemical Capabilities: Critical Threshold · row: Phage--plasmid Co-evolution (Negative log-likelihood (lower is better)) · quote_snippet: Phage--plasmid Co-evolution | Negative log-likelihood (lower is better) | threshold ≤ 9.40 | 10.70

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI Preparedness Framework 生物与化学领域的 Critical 能力评估项。官方 Critical 阈值为 ≤ 9.40；评测口径 Negative log-likelihood (lower is better)（越低越好）。GPT-6 Sol 的该组结果未越过 indicative Critical 阈值；因 GPT-6 Luna 在所有 High 评估中低于 GPT-6 Sol，官方未对其单独做 Critical 测试

打开官方来源

heading: 8.2.1.1 Biological and Chemical Safety Training and Evaluation · table: Table 10: Biology Model Refusal Evaluation (higher is better) · row: Severe / Safe · quote_snippet: Severe Safe | 0.980

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 的生物模型拒答评测：在生物高风险提示上模型拒答的安全比例，越高越好。官方说明：相对 GPT-5.6（8 月版），GPT-6 Sol（10 月）与 GPT-6 Luna（10 月）在严重与双用途提示上的安全性显著提升；这些指标只反映模型回答本身，不含完整生产防护。同表对比列（他模型，不计入本行）：GPT‑5.6 Luna (August) 0.937 / GPT‑5.5 Instant (June Update) 0.969 / GPT‑5.5 Instant (May Update) 0.969 / Metrics Safe

打开官方来源

heading: 8.2.1.1 Biological and Chemical Safety Training and Evaluation · table: Table 10: Biology Model Refusal Evaluation (higher is better) · row: Dual Use / Safe · quote_snippet: Dual Use Safe | 0.971

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 的生物模型拒答评测：在生物高风险提示上模型拒答的安全比例，越高越好。官方说明：相对 GPT-5.6（8 月版），GPT-6 Sol（10 月）与 GPT-6 Luna（10 月）在严重与双用途提示上的安全性显著提升；这些指标只反映模型回答本身，不含完整生产防护。同表对比列（他模型，不计入本行）：GPT‑5.6 Luna (August) 0.928 / GPT‑5.5 Instant (June Update) 0.939 / GPT‑5.5 Instant (May Update) 0.957 / Metrics Safe

打开官方来源

heading: 8.2.1.2 Cybersecurity Safety Training and Evaluation · table: Table 11: Cybersecurity Safety Evaluation (higher is better) · row: Production Chat

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 的网络安全安全评测：按生产聊天流量与合成智能体环境两类场景统计模型回答的安全完成率，越高越好。同表对比列（他模型，不计入本行）：GPT‑5.5 Instant (May Update) 0.977 / GPT‑5.5 Instant (June Update) 0.974 / GPT‑5.6 Luna (August) 0.974 / GPT‑5.6 Sol (August) 0.982 / GPT‑6 Sol (October) 0.973

打开官方来源

heading: 8.2.1.2 Cybersecurity Safety Training and Evaluation · table: Table 11: Cybersecurity Safety Evaluation (higher is better) · row: Synthetic Agentic Envs

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 的网络安全安全评测：按生产聊天流量与合成智能体环境两类场景统计模型回答的安全完成率，越高越好。同表对比列（他模型，不计入本行）：GPT‑5.5 Instant (May Update) 0.994 / GPT‑5.5 Instant (June Update) 0.998 / GPT‑5.6 Luna (August) 0.997 / GPT‑5.6 Sol (August) 0.999 / GPT‑6 Sol (October) 0.999

打开官方来源

heading: 4.2 Prompt Injection · quote_snippet: GPT-6 Sol (October) and GPT-6 Luna (October) saturate instruction hierarchy evaluations, achieving 99.99% and 99.79% robustness, respectively.

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

正文明文数字。new-benchmark: GPT-Red 自动化评测的「指令层级」子集：用户试图覆盖更高优先级的系统/开发者指令时的鲁棒性，越高越好。官方称两个模型在该项上已达饱和。与同表「Indirect prompt injection」是同一评测家族的两个子集，条件不同，不可直接合并比较。

打开官方来源

heading: 8.1.2.1 ExploitBench · quote_snippet: At maximum reasoning effort, GPT-6 Sol scores 82.62% and GPT-6 Luna scores 44.66% on this benchmark.

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

正文明文数字。ExploitBench 衡量模型能否在无参考利用代码的情况下，把已知漏洞转化为逐级增强的利用原语直至任意代码执行。官方沿用 GPT-6 Astra 系统卡的提醒：结果可能因公开基准含历史漏洞而被高估。

打开官方来源

heading: 8.1.2.2 SEC-Bench Pro · quote_snippet: GPT-6 Sol and GPT-6 Luna achieve scores of 68.85% and 48.50%, respectively, compared with 85.4% for GPT-6 Astra.

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

正文明文数字。SEC-Bench Pro 衡量模型在大型 JavaScript 引擎（含 V8 与 SpiderMonkey）中发现漏洞的能力。同段给出的对比列：GPT-6 Astra 85.4%（属他模型，不计入本行）。

打开官方来源

heading: 7.1.2 Respecting Warnings · quote_snippet: such unwanted persistence appeared in 28% of GPT-6 Sol (October) rollouts and 15.9% of GPT-6 Luna (October) rollouts.

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: 「Respecting Warnings」评测衡量模型在环境中遇到障碍（AccessDenied 错误、内容策略限制等）后是否仍绕开限制去完成任务，比例越低越好。数字取自图 5 图注的正文描述，图表本身未逐点转录。官方声明该评测在无系统级防护下运行，绕行结果与模型自身智能水平部分纠缠。同段对比列：GPT-5.6 Sol (August) 34%、GPT-5.6 Luna (August) 27%。

打开官方来源

heading: 3.1.1 Evaluations with Challenging Prompts · row: Safety and non-overrefusal on challenging prompts · figure: models/2026-10-07-gpt-6-october/images/figure-3.png

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 的安全—不过度拒答 Pareto 图：在高难度提示上同时看安全性与对合法请求的有用性，两轴都是越高越好。正文只给方向性结论：GPT-6 Sol（10 月）与 GPT-6 Luna（10 月）在合法请求上的有用性相对先前模型有提升，但在部分安全请求上分数下降。图内数值未转录，本批不记数值，待读图确认后补充。

打开官方来源

heading: 4.1.1 Multiturn Jailbreak Evaluations · row: Multiturn jailbreak robustness by attacker budget · figure: models/2026-10-07-gpt-6-october/images/figure-2.png

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 的多轮越狱鲁棒性评测：用内部红队演练衍生的自适应多轮攻击者反复试探模型，报告攻击预算为 n 次时的最坏情况防御成功率，越高越好。正文只给比较性结论：GPT-6 Sol（10 月）与 GPT-6 Luna（10 月）在多轮越狱鲁棒性上的点估计略低于其 9 月版本，但 95% 置信区间大幅重叠；在每个测试过的攻击预算上，两个 10 月模型的实测防御成功率都高于 GPT-5.6 Sol。图内数值未转录，本批不记数值，待读图确认后补充。

打开官方来源

heading: 6.1 Performance in Cases Flagged by Users · row: Response-level and claim-level factual error rates, factuality-heavy prompt set · figure: models/2026-10-07-gpt-6-october/images/figure-1.png

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

官方说明：在 factuality-heavy、用户标记失败、高风险三组提示上，GPT-6 Sol（10 月）与 GPT-6 Luna（10 月）的事实性相对 GPT-5.6（8 月版）几乎全面提升，例外是 factuality-heavy 提示的 claim 级事实错误率。图内数值未转录，本批不记数值，待读图确认后补充。

打开官方来源

heading: 6.1 Performance in Cases Flagged by Users · row: Response-level and claim-level factual error rates, user-flagged prompt set · figure: models/2026-10-07-gpt-6-october/images/figure-1.png

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

官方说明：该组提示取自此前被标记含事实错误的去标识化 ChatGPT 对话。评分用带联网能力的 LLM 评分器，统计含事实错误的回答占比与含至少一处事实错误的 claim 占比。图内数值未转录，本批不记数值，待读图确认后补充。

打开官方来源

heading: 6.1 Performance in Cases Flagged by Users · row: Response-level and claim-level factual error rates, high-stakes prompt set · figure: models/2026-10-07-gpt-6-october/images/figure-1.png

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

官方说明：该组提示由困难的医疗、法律与财务问题构成。官方声明这些数值不反映生产环境的普遍发生率，只反映在刻意挑选的高事实性/高风险样本上的表现。图内数值未转录，本批不记数值，待读图确认后补充。

打开官方来源

heading: 7.1.1 Respecting Auto-Review · row: Prohibited actions completed after Auto-Review denial · figure: models/2026-10-07-gpt-6-october/images/figure-6.png

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 的 Auto-Review 服从性评测：Codex 的自动复核模型拦截命令后，评测模型是终止任务、寻找更安全替代、还是重试/利用配置缺陷绕过复核。绕行比例越低越好。正文给出的是旁证而非本模型数值：最高推理档下 GPT-5.6 Sol（8 月）与 GPT-5.6 Luna（8 月）各有 0.3% 的 rollout 利用了配置不当的 Auto-Review 缺口，而 GPT-6 Sol（10 月）与 GPT-6 Luna（10 月）没有出现此类案例。图内数值未转录，本批不记数值，待读图确认后补充。

打开官方来源

heading: 7.2.1 Blocker Deception · row: Blocker-related disclosure failure rates on coding tasks · figure: models/2026-10-07-gpt-6-october/images/figure-7.png

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

new-benchmark: OpenAI 的 Blocker Deception 评测：在编码任务遇到阻碍时，模型是否在最终回答中承认该阻碍，失败比例越低越好。它替代了此前已基本饱和的「Coding Deception」评测。正文只给方向性结论：GPT-6 Sol（10 月）与 GPT-6 Luna（10 月）的披露失败率相对先前模型显著下降；因基础设施问题，GPT-6 Luna（10 月）有 0.25% 的样本提前退出并被排除在分析之外。图内数值未转录，本批不记数值，待读图确认后补充。

打开官方来源

heading: 7.2.2 Broken Search Tool · row: Failure to acknowledge unavailable search tool · figure: models/2026-10-07-gpt-6-october/images/figure-5.png

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

正文只给方向性结论：在最高推理档下，GPT-6 Sol（10 月）与 GPT-6 Luna（10 月）相对 GPT-5.6 系列在 Broken Search Tool 评测上有统计显著改进。图内数值未转录，本批不记数值，待读图确认后补充。

打开官方来源