GPT-5.6 от OpenAI: параллельные агенты, визуальный дебаг и тесты регуляторов

OpenAI выкатили семейство GPT-5.6, и ленты уже пестрят заголовками о безоговорочной победе над Claude Fable 5. На бумаге метрики выглядят пугающе хорошо. Флагманская модель Sol набирает на 13 пунктов больше в бенчмарке Agents’ Last Exam, тратя вдвое меньше времени и денег. Младшие версии Terra и Luna якобы обходят конкурента от Anthropic при стоимости в 16 раз ниже. Вопрос в том, насколько эти синтетические тесты отражают способность моделей не ломаться на длинных рабочих сессиях.

Гораздо интереснее выглядит подход к архитектуре вычислений. В Responses API появился параметр ultra, который по умолчанию запускает четырех параллельных агентов для решения одной проблемы. Идея здравая, но это означает кратный рост потребления токенов под капотом, что слегка смазывает заявления об экономии. Также OpenAI делает ставку на computer use — модель теперь не просто пишет код интерфейса, но и визуально оценивает отрендеренный результат, чтобы самостоятельно поправить верстку. Плюс завезли Programmatic Tool Calling для локальной фильтрации данных от внешних инструментов без лишних раундтрипов к API.

Правда, релиз пришлось отложить на две недели из-за проверок со стороны государства. GPT-5.6 показала слишком высокие результаты в задачах по кибербезопасности, заставив регуляторов перестраховываться перед публичным запуском. Сейчас OpenAI обещает идеальную работу с документами из Slack, Notion и Google Drive, включая сохранение корпоративных шаблонов в презентациях. Но офисные базы знаний обычно представляют собой свалку из неструктурированных таблиц и битых стилей. Сможет ли новая архитектура переварить реальный корпоративный хаос, или магия работает только на вылизанных примерах из пресс-релиза?