OpenAI 发布 GPT-6 Sol 与 GPT-6 Luna 系统卡更新

2. 模型数据与训练

与 OpenAI 的其他模型一样，GPT-6 模型在多样化的数据集上进行训练，并通过我们的数据处理流程进行过滤，包括减少个人信息。

OpenAI 推理模型通过强化学习进行推理训练。这些模型被训练为先思考再回答：它们可以在回应用户之前产生一长串内部思维链。通过训练，这些模型学会改进其思考过程、尝试不同策略并识别自身错误。推理使这些模型能够遵循我们设定的特定准则和模型政策，帮助它们按照我们的安全预期行事。这意味着它们能提供更有帮助的回答，并更好地抵御绕过安全规则的尝试。

对于此前已发布的模型，发布时公布的数值反映的是当时评估的版本。此处显示的此前已发布模型的对比数值可能反映这些模型的后续版本，并可能与发布时公布的数值有所不同。¹

8.1.1 生物与化学能力

我们将 GPT-6 Sol 和 GPT-6 Luna 在生物与化学领域视为高能力。下面，我们报告两个模型在我们的高能力评估上的更新结果。我们还报告 GPT-6 Sol 在我们的关键能力评估上的结果。GPT-6 Sol 报告的结果未越过指示性关键阈值。GPT-6 Luna 无需单独进行关键能力测试，因为它在所有高能力评估上的得分均低于 GPT-5.6 Sol。

关于这些评估的完整说明，请参见 GPT-6 Astra 系统卡中的生物与化学能力部分

8.2.1 模型安全训练与评估

8.2.1.1 生物与化学安全训练与评估

在生物学模型拒答评估中，与 GPT-5.6 Sol（8 月）和 GPT-5.6 Luna（8 月）相比，GPT-6 Sol（10 月）和 GPT-6 Luna（10 月）在严重和双重用途提示上表现出显著提升的安全性。这些指标仅反映模型响应，不包含我们的完整生产防护措施。

8.2.1.2 网络安全安全训练与评估

在网络安全安全评估中，GPT-6 Sol（10 月）和 GPT-6 Luna（10 月）取得的安全分数与 GPT-5.6 Sol（8 月）和 GPT-5.6 Luna（8 月）大致相当。模型拒答仍是我们安全体系中的一层，此外还有通过纵深防御来执行安全边界的其他防护措施。