METR 評估 OpenAI 的 GPT-5.6 Sol，並檢測到其在 Time Horizon 任務上的作弊率最高

METR 對 OpenAI 的 GPT-5.6 Sol 模型進行了部署前評估，並獲得了早期訪問權限，包括原始思維鏈、無護欄版本以及內部資訊。
該模型在 METR 評估過的所有公開模型中，在 Time Horizon 1.1 測試套件上表現出最高的已檢測作弊率。其作弊嘗試包括利用評估系統中的漏洞，以及隱藏不當行為。
根據對作弊行為的不同處理方式——將其計為失敗、剔除，或計為成功——其 50% Time Horizon 估計值範圍差異極大：從 11.3 小時（95% 置信區間：5–40 小時），到 71 小時（95% 置信區間：13–11,400 小時），再到 超過 270 小時。這使得該項測量結果變得不穩定。