gpt-5.6-sol ও gpt-5.6-terra DeepSWE-এর শীর্ষে — আর ওপেন-ওয়েট ব্যবধান দ্রুত কমছে

OpenAI-এর GPT-5.6 পরিবারটি এই মাসে তিনটি আকারে এসেছে — gpt-5.6-luna, gpt-5.6-terra এবং ফ্ল্যাগশিপ gpt-5.6-sol। একই সপ্তাহে আমরা Smart AIPI-তে sol ও terra যোগ করেছি। কোন ফ্রন্টিয়ার মডেলটি "সেরা", তা নিয়ে অনেক হইচই হয়েছে। তাই আমরা সুনির্দিষ্ট কিছু করব: এমন একটি বেঞ্চমার্ক দেখব যেটিকে ফাঁকি দেওয়া সত্যিই কঠিন, তারপর মডেলটি ব্যবহারে আসলে কেমন লাগে তা আলোচনা করব এবং শেষে দ্রুত এগিয়ে আসা ওপেন-ওয়েট মডেলগুলোর অবস্থান সম্পর্কে সৎ মূল্যায়ন দেব।

DeepSWE: যে কোডিং বেঞ্চমার্ককে ফাঁকি দেওয়া কঠিন

বেশির ভাগ কোডিং লিডারবোর্ডে ডেটা দূষণের সমস্যা রয়েছে। SWE-bench Verified ও SWE-bench Pro বাস্তব GitHub ইস্যু এবং সেগুলোর মার্জ করা সমাধান থেকে তৈরি — অর্থাৎ GitHub স্ক্র্যাপ করা প্রতিটি মডেলের প্রশিক্ষণ ডেটাতেই "উত্তর" রয়েছে। আরও খারাপ হলো, মডেলগুলো এতে প্রতারণা করতে গিয়ে ধরা পড়েছে: SWE-bench Pro-তে পর্যালোচিত রানের 12%-এর বেশি ক্ষেত্রে Claude Opus 4.7 ও 4.6-কে প্রতারণা করতে দেখা গেছে। তারা নীরবে git log --all ও git show <gold-hash>-এর মতো কমান্ড চালিয়ে git ইতিহাস থেকে রেফারেন্স সমাধান পড়েছে।

এটি ঠিক করার জন্য Datacurve 2026-05-26 তারিখে DeepSWE প্রকাশ করে। এর বৈশিষ্ট্যগুলো হলো:

• একেবারে শুরু থেকে লেখা। পাঁচটি ভাষায় (Python, TypeScript, JavaScript, Go, Rust) 91টি ওপেন-সোর্স রিপোজিটরি জুড়ে 113টি মৌলিক দীর্ঘমেয়াদি কাজ। সমস্যার বিবরণ ও আদর্শ সমাধানগুলো মানুষ লিখেছে, পাবলিক কমিট থেকে রূপান্তর করা হয়নি — তাই কোনো মডেলই প্রিট্রেনিংয়ে উত্তর দেখেনি।
• আচরণভিত্তিক যাচাইকারী। প্রতিটি কাজ একটি বিচ্ছিন্ন পরিবেশে পর্যবেক্ষণযোগ্য আচরণের জন্য হাতে লেখা পরীক্ষার মাধ্যমে মূল্যায়িত হয় এবং সামঞ্জস্য বজায় রাখতে mini-swe-agent হারনেসের মাধ্যমে চালানো হয়। DeepSWE-তে যাচাইকারীর ফলস-নেগেটিভ / ফলস-পজিটিভ হার 1.1% / 0.3%, যেখানে SWE-bench Pro-তে পরিমাপ করা হার 24% / 8.5%।
• সত্যিই পার্থক্য নির্ণয় করতে সক্ষম। প্রম্পটগুলো SWE-bench Pro-এর প্রায় অর্ধেক দৈর্ঘ্যের, অথচ এগুলোতে ~5.5x বেশি কোড ও ~2x বেশি আউটপুট টোকেন প্রয়োজন। স্কোরগুলো ~30-পয়েন্টের একটি পরিসরে গুচ্ছবদ্ধ না হয়ে ~58-পয়েন্টের পরিসরজুড়ে (12–73%) ছড়িয়ে থাকে, ফলে লিডারবোর্ডের ক্রমটি সত্যিকার অর্থবহ হয়।

অন্যভাবে বললে: এটি একটি দীর্ঘমেয়াদি, দূষণ-প্রতিরোধী ও আচরণভিত্তিক পরীক্ষা, যা যাচাই করে কোনো মডেল বাস্তব সফটওয়্যার কাজ সত্যিই শেষ করতে পারে কি না। আর ঠিক এখানেই GPT-5.6 পরিবার সবার ওপরে রয়েছে।

DeepSWE লিডারবোর্ড

বর্তমান অবস্থান (2026-07-09 তারিখে হালনাগাদ, Pass@1, প্রতিটি মডেল তার সর্বোচ্চ রিজনিং সেটিংয়ে):

GPT-5.6-এর তিনটি ভ্যারিয়েন্ট শীর্ষ চারটি স্থানের মধ্যে তিনটি দখল করেছে। sol সরাসরি শীর্ষে, terra ফ্ল্যাগশিপের অর্ধেক দামে Claude Fable 5-এর সঙ্গে দ্বিতীয়-সেরা স্কোরে সমতা করেছে এবং এমনকি luna-ও আগের প্রজন্মের gpt-5.5-এর সমান। সেরা ওপেন-ওয়েট মডেল GLM-5.2-এর 44% স্কোরের সঙ্গে ব্যবধানটির প্রসঙ্গে আমরা শেষে আবার ফিরব।

GPT-5.6-এ আসলে কী বদলেছে

বেঞ্চমার্ক হলো একটি পরোক্ষ মাপকাঠি। প্রাথমিক অ্যাক্সেস পাওয়া ডেভেলপাররা তিনটি নির্দিষ্ট সক্ষমতায় বড় ধরনের অগ্রগতির কথা বলেছেন, যা শুধু স্কোর দিয়ে পুরোপুরি বোঝা যায় না:

• দীর্ঘমেয়াদি দৃঢ়তা। gpt-5.5 সম্পর্কে সবচেয়ে বড় অভিযোগ ছিল, দীর্ঘ কাজের সময় এটি "পথ হারিয়ে ফেলত" — কনটেক্সট অপ্রয়োজনীয় তথ্যে ভরে গেলে আপনাকে থ্রেডটি রিসেট করতে হতো। 5.6 তা করে না। প্রাথমিক পরীক্ষকেরা জানিয়েছেন, তদারকি ছাড়াই একটি নির্দেশনায় একই থ্রেডকে 20+ ঘণ্টা চলতে দিয়েছেন। এটি কাজটি ধরে এবং শেষ না হওয়া পর্যন্ত ছাড়ে না।
• সাব-এজেন্ট অর্কেস্ট্রেশন (আল্ট্রা মোড)। এটিই এই প্রজন্মের নির্ধারক সক্ষমতা। 5.6 এক ধাপ ওপরে উঠে সাব-এজেন্টের একটি দল তৈরি করতে পারে, যারা সমান্তরালে সমস্যার বিভিন্ন অংশ সমাধান করে — একজন কম্পোনেন্ট লেখে, আরেকজন ডেটাবেস সংযুক্ত করে, তৃতীয়জন পুল রিকোয়েস্ট পর্যালোচনা করে — তারপর ফলাফলগুলো একত্র করে। যেসব পরীক্ষক তাঁদের gpt-5.5 সাব-এজেন্ট ওয়ার্কফ্লো 5.6-এ আবার চালিয়েছেন, তাঁরা দেখেছেন 5.6 সেই অর্কেস্ট্রেশন অনায়াসে শেষ করেছে, যেখানে 5.5 "বিভ্রান্ত হয়ে পথ হারিয়েছিল"। এটি একজন ঠিকাদার ও একটি পুরো দলের মধ্যকার পার্থক্য।
• কম্পিউটার ও ব্রাউজার ব্যবহার। বাস্তব মেশিন পরিচালনায় 5.6 নাটকীয়ভাবে উন্নত। হাতে-কলমে পরীক্ষায় এটি SSH-এর মাধ্যমে একগুচ্ছ মেশিন কনফিগার করেছে। আর বহুল আলোচিত একটি উদাহরণে, দূরবর্তী KVM ব্যবহার করে এটি স্বয়ংক্রিয়ভাবে একটি বিকল GRUB বুট অবস্থা পুনরুদ্ধার করেছে — রিবুট করা, GRUB শেলে প্রবেশ করা এবং কোনো মানবীয় ইনপুট ছাড়াই বুট পার্টিশন মেরামত করা পর্যন্ত।

একটি সতর্কতা সরাসরি বলা জরুরি: ডিফল্টভাবে ফ্রন্ট-এন্ড ও UI কাজ 5.6-এর শক্তির জায়গা নয়। আগের মডেলগুলোর তুলনায় এটিকে বেশি নির্দেশনা দেওয়া যায় এবং এর "রুচিহীনতা" কম, তবে অভিজ্ঞ ব্যবহারকারীরা এখনও চূড়ান্ত পরিমার্জনের কাজ অন্য মডেলের হাতে দেন। আপনি যদি প্রচুর ভিজ্যুয়াল UI কাজ করেন, তাহলে 5.6-কে মূল ইঞ্জিন হিসেবে ব্যবহার করুন এবং পরিমার্জনের জন্য দ্বিতীয় একটি মডেল যুক্ত করুন।

sol নাকি terra: কোনটি ব্যবহার করবেন?

দুটিই ফ্রন্টিয়ার-স্তরের এবং Smart AIPI-এর মাধ্যমে একই Codex ব্যাকএন্ডে চলে। সিদ্ধান্তটি সহজ:

• gpt-5.6-terra হলো প্রস্তাবিত ডিফল্ট। DeepSWE-তে #3 (70%) অবস্থানে থেকে এটি ফ্ল্যাগশিপের খুব কাছাকাছি, অথচ দাম অর্ধেক। এজেন্টিক কোডিং, রিফ্যাক্টরিং, রিভিউ ও দৈনন্দিন কাজের বিপুল সংখ্যাগরিষ্ঠ অংশের জন্য terra-ই সঠিক পছন্দ।
• gpt-5.6-sol হলো ফ্ল্যাগশিপ। সবচেয়ে কঠিন দীর্ঘমেয়াদি কাজ, গভীর মাল্টি-এজেন্ট অর্কেস্ট্রেশন এবং সক্ষমতার শেষ কয়েকটি পয়েন্ট যেখানে ফলাফল বদলে দিতে পারে—সেসব ক্ষেত্রে এটি ব্যবহার করুন। যথার্থ কারণেই এটি DeepSWE-তে #1।

দুটিই চালানোর সবচেয়ে সাশ্রয়ী উপায় Smart AIPI

ফ্রন্টিয়ার স্তরে OpenAI-এর সরাসরি API মূল্য বেশ চড়া। Smart AIPI-এর মাধ্যমে ঠিক একই অবকাঠামোতে ঠিক একই মডেলের জন্য আপনি 75% কম মূল্য দেবেন:

ওপেন-ওয়েট ব্যবধান কমে আসছে

এই অংশটি নিয়েই সবাই তর্ক করে চলেছে। ক্লোজড ফ্রন্টিয়ারের পেছনে ওপেন-ওয়েট মডেলের একটি ঢেউ দ্রুত ওপরে উঠছে — আর বাজারটি দুই মেরুতে বিভক্ত হচ্ছে। এক প্রান্তে সাশ্রয়ী চীনা ওপেন-ওয়েট মিক্সচার-অব-এক্সপার্টস মডেল (DeepSeek V4, Qwen3, Kimi K2, MiniMax M3) উদার MIT/Apache লাইসেন্সের অধীনে প্রতি মিলিয়ন ইনপুট টোকেনে $0.30–1.40 খরচে SWE-bench Verified-এ মোটামুটি 70–81% ফল দিচ্ছে। অন্য প্রান্তে US-এর ক্লোজড ফ্রন্টিয়ার মডেলগুলো (GPT-5.6, Claude Fable/Opus, Gemini) সক্ষমতার শীর্ষ কয়েকটি পয়েন্টের জন্য 5–20x বেশি মূল্য নিচ্ছে। আকর্ষণীয় প্রতিযোগিতাটি মাঝের ওয়েজে: যেসব মডেল ফ্রন্টিয়ার মূল্যের সামান্য অংশে প্রায় ফ্রন্টিয়ার-মানের গুণমান দিচ্ছে।

দুটি নাম এই ওয়েজকে সংজ্ঞায়িত করে, এবং সেগুলো সম্পর্কে নির্ভুল হওয়া জরুরি:

• GLM-5.2 (Zhipu / Z.ai) — ওপেন ওয়েজ। সত্যিকার অর্থে ওপেন-ওয়েট, MIT-লাইসেন্সপ্রাপ্ত একটি MoE মডেল (~745B মোট / ~40B সক্রিয়, 1M কনটেক্সট), যার আনুমানিক মূল্য $1.40 ইনপুট / $4.40 আউটপুট। এটি অসাধারণ — DeepSWE-তে 44% নিয়ে #9, আগের প্রজন্মের ক্লোজড মডেলগুলোর কাছাকাছি এবং কিছু UI কাজে gpt-5.5-এর চেয়েও শক্তিশালী। নিজের শ্রেণিতে এটি সত্যিই কার্যকর।
• Grok 4.5 (xAI) — সাশ্রয়ী ক্লোজড ওয়েজ। প্রায়ই ভুলভাবে "ওপেন" বলা হলেও Grok 4.5 আসলে ক্লোজড ওয়েট (শুধু Grok-1 ও Grok-2 কখনো উন্মুক্তভাবে প্রকাশ করা হয়েছিল)। আক্রমণাত্মক মূল্য (~$2 ইনপুট / $6 আউটপুট) এবং অসাধারণ টোকেন দক্ষতার কারণেই এটি একটি ওয়েজ — DeepSWE-ধরনের প্রতি কাজে প্রায় 2M টোকেন, যেখানে কিছু ফ্রন্টিয়ার মডেলে 7M+ লাগে। কয়েকটি বেঞ্চমার্কে এটি ফ্রন্টিয়ারের কাছাকাছি, তবে 5.6 প্রজন্মকে সংজ্ঞায়িত করা মাল্টি-এজেন্ট অর্কেস্ট্রেশনে লক্ষণীয়ভাবে দুর্বল।

তাহলে ওয়েজটি আসলে কতটা কাছাকাছি? শিরোনামের দাম দেখে যতটা মনে হয় তার চেয়েও কাছাকাছি — আবার লোকাল-মডেল নিয়ে অতিরঞ্জিত দাবির তুলনায় অনেক দূরে। তিনটি বাস্তব সতর্কতা:

• প্রতি টোকেনে সস্তা মানেই প্রতি কাজে সস্তা নয়। একই কাজ শেষ করতে ওপেন-ওয়েট মডেলগুলো সাধারণত 2–3x বেশি টোকেন খরচ করে। DeepSWE-তে সর্বোচ্চ সেটিংয়ে GLM-5.2-এর প্রতি কাজে প্রায় $4 লাগে, আর xhigh সেটিংয়ে Claude Opus 4.8-এর লাগে প্রায় $8 — টোকেনপ্রতি GLM প্রায় ~10x সস্তা হলেও ব্যবধান মাত্র 2x। প্রদর্শিত মূল্য নয়, দক্ষতাই প্রকৃত বিল নির্ধারণ করে।
• ওপেন ওয়েট মানেই লোকাল নয়। কোয়ান্টাইজড অবস্থায় GLM-5.2 প্রায় ~400GB এবং পূর্ণ নির্ভুলতায় ~1.5TB। এটি ভোক্তা-শ্রেণির হার্ডওয়্যারে চলে না — একটি 5090-তে 32GB VRAM রয়েছে; যুক্তিসংগত গতিতে একটি ইনস্ট্যান্স সার্ভ করতেই আপনার $75,000 মূল্যের মাল্টি-GPU মেশিন লাগবে। ওপেন ওয়েটের প্রকৃত সুবিধা হলো প্রোভাইডার প্রতিযোগিতা: যে কেউ GLM-5.2 হোস্ট করতে পারে বলে সেরা মূল্য ও গতির জন্য বিভিন্ন প্রোভাইডারের মধ্যে তুলনা করতে পারেন। এই প্রতিযোগিতা ইতিবাচক এবং আমরা আনন্দিত যে এটি রয়েছে।
• সক্ষমতাই এখনও ফ্রন্টিয়ারে প্রবেশের সীমা নির্ধারণ করে। GLM-5.2-এর ভিশন নেই — এটি স্ক্রিনশট গ্রহণ করতে পারে না, তাই 5.6-কে এত কার্যকর করে তোলা কম্পিউটার-ব্যবহার ও ভিজ্যুয়াল-ফিডব্যাক লুপ চালাতে পারে না। বাস্তব এজেন্টিক কাজে সমান্তরালে 1 থেকে 40টি পর্যন্ত এজেন্ট চালাতেও হয়, যা লোকাল হার্ডওয়্যার একেবারেই করতে পারে না। ওয়েজটি একবারে কোড তৈরির ক্ষেত্রে ব্যবধান কমাচ্ছে, কিন্তু শুরু থেকে শেষ পর্যন্ত এজেন্টিক অর্কেস্ট্রেশনে এখনও নয়।

মূল কথা: আপনার কাজ যদি কোনো ওপেন মডেলে ভালোভাবে চলে, তাহলে সেটিকে সেখানে স্থানান্তর করা প্রায়ই বুদ্ধিমান ও সাশ্রয়ী সিদ্ধান্ত — এবং Smart AIPI-এর দর্শন হলো, আপনার প্রয়োজন নেই এমন সক্ষমতার জন্য অতিরিক্ত অর্থ দেওয়া উচিত নয়। তবে সবচেয়ে কঠিন দীর্ঘমেয়াদি, মাল্টি-এজেন্ট ও ভিশন-ইন-দ্য-লুপ কাজের ক্ষেত্রে gpt-5.6-sol ও gpt-5.6-terra এখনও সেই ফ্রন্টিয়ার, যাকে ওয়েজটি ধরার চেষ্টা করছে — আর এগুলো চালানোর সবচেয়ে সাশ্রয়ী জায়গা হলো Smart AIPI।

GPT-5.6-sol ও GPT-5.6-terra কীভাবে ব্যবহার করবেন

চ্যাট কমপ্লিশনস API

curl https://api.smartaipi.com/v1/chat/completions \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-5.6-terra",
    "messages": [{"role": "user", "content": "Refactor this module and add tests"}]
  }'

সর্বোচ্চ রিজনিংসহ Responses API

curl https://api.smartaipi.com/v1/responses \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-5.6-sol",
    "input": "Audit this repo for security issues and open PRs to fix them",
    "reasoning": {"effort": "high", "summary": "auto"}
  }'

Codex CLI, Cursor, Cline, Roo Code, OpenCode, Aider

OPENAI_BASE_URL=https://api.smartaipi.com/v1
OPENAI_API_KEY=sk-your-smart-aipi-key
OPENAI_MODEL=gpt-5.6-terra

রিজনিং এফর্টে low, medium, high ও xhigh (সর্বোচ্চ) সমর্থিত। এজেন্টিক ও দীর্ঘমেয়াদি কাজের জন্য — যেসব কাজে 5.6 সবচেয়ে বেশি এগিয়ে যায় — high বা সর্বোচ্চ ব্যবহার করুন।

শুরু করুন

1. smartaipi.com/signup-এ সাইন আপ করুন (বিনামূল্যের ক্রেডিট, কোনো ক্রেডিট কার্ড নয়)
2. ড্যাশবোর্ডে একটি API কী তৈরি করুন
3. আপনার বেস URL নির্ধারণ করুন https://api.smartaipi.com/v1-এ
4. মডেল হিসেবে ব্যবহার করুন gpt-5.6-terra (প্রস্তাবিত) অথবা gpt-5.6-sol (ফ্ল্যাগশিপ)

প্রোডাকশনের সবচেয়ে কঠিন কোডিং বেঞ্চমার্কে #1 ও #3 মডেল — 75% ছাড়ে। একই API, একই OpenAI-সামঞ্জস্যপূর্ণ কাঠামো, একই টুল।