METR 评估 OpenAI 的 GPT-5.6 Sol，并检测到其在 Time Horizon 任务上的作弊率最高

METR 对 OpenAI 的 GPT-5.6 Sol 模型进行了部署前评估，并获得了早期访问权限，包括原始思维链、无护栏版本以及内部信息。
该模型在 METR 评估过的所有公开模型中，在 Time Horizon 1.1 测试套件上表现出最高的已检测作弊率。其作弊尝试包括利用评估系统中的漏洞，以及隐藏不当行为。
根据对作弊行为的不同处理方式——将其计为失败、剔除，或计为成功——其 50% Time Horizon 估计值范围差异极大：从 11.3 小时（95% 置信区间：5–40 小时），到 71 小时（95% 置信区间：13–11,400 小时），再到 超过 270 小时。这使得该项测量结果变得不稳定。