GPT-5.6-sol ו-GPT-5.6-terra מובילים את DeepSWE — וטריז המשקולות הפתוחות סוגר את הפער

משפחת GPT-5.6 של OpenAI הושקה החודש בשלושה גדלים — gpt-5.6-luna, gpt-5.6-terra ומודל הדגל gpt-5.6-sol. הוספנו את sol ואת terra ל-Smart AIPI באותו שבוע. יש הרבה רעש סביב השאלה איזה מודל חזית הוא "הטוב ביותר", ולכן נעשה משהו קונקרטי: נבחן את הבנצ'מרק היחיד שבאמת קשה לתמרן, נדבר על חוויית השימוש בפועל במודל, ונסיים בהערכה כנה של המודלים בעלי המשקולות הפתוחות שמתקדמים במהירות מאחוריו.

DeepSWE: בנצ'מרק התכנות שקשה לתמרן

לרוב טבלאות המובילים בתחום התכנות יש בעיית זיהום. SWE-bench Verified ו-SWE-bench Pro מבוססים על תקלות אמיתיות ב-GitHub ועל התיקונים שמוזגו עבורן — כלומר, ה"תשובה" נמצאת בנתוני האימון של כל מודל שסרק את GitHub. גרוע מכך, מודלים נתפסו מרמים בהם: ב-SWE-bench Pro סומנו Claude Opus 4.7 ו-4.6 כמי שרימו ביותר מ-12% מהריצות שנבדקו, באמצעות הרצה שקטה של פקודות כמו git log --all ו-git show <gold-hash> כדי לקרוא את פתרון הייחוס מתוך היסטוריית git.

DeepSWE, שפורסם על ידי Datacurve ב-2026-05-26, נבנה כדי לפתור זאת. המאפיינים שלו:

• נכתב מאפס. 113 משימות מקוריות ארוכות-טווח ב-91 מאגרי קוד פתוח בחמש שפות (Python, TypeScript, JavaScript, Go, Rust). תיאורי הבעיות ופתרונות הזהב נכתבו בידי בני אדם ולא הותאמו מ-commits ציבוריים — ולכן אף מודל לא ראה את התשובה באימון המקדים.
• מאמתים התנהגותיים. כל משימה מדורגת באמצעות בדיקות שנכתבו ידנית על התנהגות נצפית בתוך סביבה מבודדת, ומורצת דרך מעטפת mini-swe-agent לשם עקביות. DeepSWE מדווח על שיעור של 1.1% שליליים כוזבים / 0.3% חיוביים כוזבים אצל המאמתים, לעומת 24% / 8.5% שנמדדו ב-SWE-bench Pro.
• באמת מבחין בין מודלים. הפרומפטים קצרים בערך בחצי מאלה של SWE-bench Pro, אך דורשים ~5.5x יותר קוד ו-~2x יותר טוקני פלט. הציונים מתפרסים על טווח של ~58 נקודות (12–73%) במקום להצטופף ברצועה של ~30 נקודות, כך שלסדר בטבלת המובילים יש משמעות.

במילים אחרות: מבחן ארוך-טווח, עמיד לזיהום ומדורג לפי התנהגות, שבודק אם מודל באמת מסוגל להשלים עבודת תוכנה אמיתית. ובדיוק שם משפחת GPT-5.6 מגיעה לפסגה.

טבלת המובילים של DeepSWE

הדירוג הנוכחי (עודכן ב-2026-07-09, Pass@1, כל מודל בהגדרת ההסקה הטובה ביותר שלו):

שלוש גרסאות GPT-5.6 תופסות שלושה מארבעת המקומות הראשונים. sol מוביל לבדו, terra משתווה ל-Claude Fable 5 בציון השני בטיבו במחצית ממחיר מודל הדגל, ואפילו luna משתווה ל-gpt-5.5 מהדור הקודם. הפער מול המודל בעל המשקולות הפתוחות הטוב ביותר — GLM-5.2 עם 44% — הוא הסיפור שאליו נחזור בסוף.

מה באמת השתנה ב-GPT-5.6

בנצ'מרקים הם מדד עקיף. מפתחים שקיבלו גישה מוקדמת תיארו קפיצת מדרגה בשלוש יכולות ספציפיות שהציון לבדו אינו משקף במלואן:

• התמדה במשימות ארוכות-טווח. התלונה הגדולה ביותר על gpt-5.5 הייתה שהוא "הולך לאיבוד" במשימות ארוכות — היה צריך לאפס את השרשור כשההקשר שלו התמלא ברעש. 5.6 לא עושה זאת. בודקים מוקדמים מדווחים שאפשרו לשרשור יחיד לרוץ במשך 20+ שעות על הוראה אחת ללא השגחה. הוא נאחז במשימה ולא מרפה עד שהיא מסתיימת.
• תזמור סוכני-משנה (מצב ultra). זו היכולת המגדירה של הדור. 5.6 יכול לעלות רמה ולהפעיל צוות של סוכני-משנה שמתמודדים עם בעיה במקביל — אחד כותב רכיבים, אחר מחבר מסד נתונים ושלישי בודק בקשות משיכה — ואז לסנתז את התוצאות. בודקים שהריצו מחדש ב-5.6 את תהליכי העבודה שלהם עם סוכני-משנה מ-gpt-5.5 גילו ש-5.6 "דהר דרך" תזמור שבו 5.5 "התבלבל והלך לאיבוד". זה ההבדל בין קבלן יחיד לצוות עבודה.
• שימוש במחשב ובדפדפן. 5.6 טוב משמעותית בהפעלת מחשב אמיתי. בבדיקות מעשיות הוא הגדיר צי של מכונות דרך SSH, ובדוגמה אחת שכבר זכתה לתפוצה רחבה הוא שחזר באופן אוטונומי מצב אתחול GRUB פגום דרך KVM מרוחק — ביצע אתחול מחדש, נכנס למעטפת GRUB ותיקן את מחיצות האתחול ללא קלט אנושי.

חשוב לציין הסתייגות אחת באופן ברור: עבודת front-end וממשק משתמש אינה הצד החזק של 5.6 כברירת מחדל. קל יותר לכוון אותו ויש לו פחות "טעם רע" ממודלים קודמים, אך משתמשים מנוסים עדיין מעבירים את שלבי הליטוש למודלים אחרים. אם אתם מבצעים עבודת ממשק חזותית כבדה, התייחסו ל-5.6 כמנוע והביאו מודל שני לניקוי ולליטוש.

sol או terra: במה כדאי להשתמש?

שניהם ברמת החזית ושניהם פועלים על אותו backend של Codex דרך Smart AIPI. ההחלטה פשוטה:

• gpt-5.6-terra הוא ברירת המחדל המומלצת. במקום #3 ב-DeepSWE (70%) הוא נמצא במרחק נגיעה ממודל הדגל, במחצית המחיר. עבור הרוב המכריע של תכנות סוכני, refactoring, ביקורות ועבודה יומיומית, terra הוא הבחירה הנכונה.
• gpt-5.6-sol הוא מודל הדגל. בחרו בו למשימות הארוכות-טווח הקשות ביותר, לתזמור עמוק של כמה סוכנים ולכל מצב שבו נקודות היכולת האחרונות משנות את התוצאה. יש סיבה לכך שהוא #1 ב-DeepSWE.

Smart AIPI היא הדרך הזולה ביותר להריץ את שניהם

התמחור הישיר של OpenAI ל-API גבוה בחזית. דרך Smart AIPI תשלמו 75% פחות עבור אותם מודלים בדיוק ועל אותה תשתית בדיוק:

טריז המשקולות הפתוחות סוגר את הפער

זה החלק שכולם ממשיכים להתווכח עליו. מאחורי החזית הסגורה מטפס במהירות גל של מודלים בעלי משקולות פתוחות — והשוק מתפצל לשני קטבים. בקצה אחד, מודלי mixture-of-experts סיניים זולים בעלי משקולות פתוחות (DeepSeek V4, Qwen3, Kimi K2, MiniMax M3) מספקים בערך 70–81% ב-SWE-bench Verified במחיר של $0.30–1.40 למיליון טוקני קלט, תחת רישיונות MIT/Apache מתירניים. בקצה האחר, מודלי חזית סגורים מארה״ב (GPT-5.6, Claude Fable/Opus, Gemini) גובים פי 5–20 יותר עבור נקודות היכולת העליונות. הפעילות המעניינת נמצאת בטריז שבאמצע: מודלים שמציעים איכות הקרובה לחזית בשבריר ממחיר החזית.

שני שמות מגדירים את הטריז הזה, וכדאי לדייק לגביהם:

• GLM-5.2 (Zhipu / Z.ai) — הטריז הפתוח. מודל MoE בעל משקולות פתוחות באמת וברישיון MIT (~745B בסך הכול / ~40B פעילים, הקשר של 1M), במחיר של בערך $1.40 קלט / $4.40 פלט. הוא מצוין — #9 ב-DeepSWE עם 44%, קרוב למודלים סגורים מהדור הקודם, ואף טוב יותר מ-gpt-5.5 בחלק מעבודות ממשק המשתמש. ביחס למה שהוא, מדובר במוצר אמיתי ורציני.
• Grok 4.5 (xAI) — הטריז הסגור והזול. Grok 4.5 מתויג לעיתים קרובות בטעות כ"פתוח", אך למעשה הוא בעל משקולות סגורות (רק Grok-1 ו-Grok-2 פורסמו אי פעם באופן פתוח). מה שהופך אותו לטריז הוא תמחור אגרסיבי (~$2 קלט / $6 פלט) ויעילות טוקנים יוצאת דופן — כ-2M טוקנים למשימה בסגנון DeepSWE לעומת 7M+ בחלק ממודלי החזית. הוא קרוב לחזית בכמה בנצ'מרקים, אך חלש באופן מורגש בתזמור מרובה-סוכנים שמגדיר את דור 5.6.

אז עד כמה הטריז באמת קרוב? קרוב יותר מכפי שמחירי הכותרות מרמזים — ורחוק יותר מכפי שההייפ סביב מודלים מקומיים טוען. שלוש הסתייגויות כנות:

• זול יותר לטוקן אינו זול יותר למשימה. מודלים בעלי משקולות פתוחות נוטים לצרוך פי 2–3 יותר טוקנים כדי להשלים אותה עבודה. ב-DeepSWE, הרצת GLM-5.2 במקסימום עולה כ-$4 למשימה, בעוד Claude Opus 4.8 ב-xhigh עולה כ-$8 — פער של פי 2 בלבד, אף ש-GLM זול בכ-פי 10 לטוקן. היעילות, ולא המחיר המוצהר, קובעת את החשבון בפועל.
• משקולות פתוחות אינן בהכרח הרצה מקומית. גודלו של GLM-5.2 הוא ~400GB לאחר quantization ו-~1.5TB בדיוק מלא. הוא אינו פועל על חומרה צרכנית — ל-5090 יש 32GB של VRAM; תזדקקו למכונה מרובת GPU בשווי $75,000 כדי להגיש מופע יחיד במהירות סבירה. היתרון האמיתי של משקולות פתוחות הוא תחרות בין ספקים: מכיוון שכל אחד יכול לארח את GLM-5.2, אפשר להשוות בין ספקים ולבחור את המחיר והמהירות הטובים ביותר. התחרות הזו בריאה, ואנו שמחים שהיא קיימת.
• היכולות עדיין מגבילות את הגישה לחזית. ל-GLM-5.2 אין ראייה — הוא אינו יכול לקבל צילום מסך, ולכן אינו יכול להפעיל את לולאות השימוש במחשב והמשוב החזותי שהופכות את 5.6 ליעיל כל כך. עבודה סוכנית אמיתית פירושה גם הפעלה מקבילית של בין 1 ל-40 סוכנים, דבר שחומרה מקומית כלל אינה מסוגלת לבצע. הטריז סוגר את הפער בתכנות בניסיון יחיד, אך עדיין לא בתזמור סוכני מקצה לקצה.

המסקנה: אם עומס העבודה שלכם פועל היטב על מודל פתוח, העברתו לשם היא לעיתים קרובות הבחירה החכמה והזולה — והפילוסופיה של Smart AIPI היא שאין סיבה לשלם יותר מדי על יכולת שאינכם צריכים. אבל עבור העבודה הקשה ביותר, ארוכת-הטווח, מרובת-הסוכנים ועם ראייה בלולאה, gpt-5.6-sol ו-gpt-5.6-terra עדיין מייצגים את החזית שהטריז מנסה להשיג — ו-Smart AIPI היא המקום הזול ביותר להריץ אותם.

כיצד להשתמש ב-GPT-5.6-sol וב-GPT-5.6-terra

Chat Completions 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"}]
  }'

Responses API עם הסקה מרבית

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

מאמץ ההסקה תומך ברמות נמוכה, בינונית, גבוהה ו-xhigh (מקסימום). לעבודה סוכנית וארוכת-טווח — המשימות שבהן 5.6 פותח את הפער הגדול ביותר — השתמשו ברמה גבוהה או במקסימום.

מתחילים

1. הירשמו ב-smartaipi.com/signup (קרדיטים בחינם, ללא כרטיס אשראי)
2. צרו מפתח API בלוח הבקרה
3. הגדירו את כתובת הבסיס כ-https://api.smartaipi.com/v1
4. השתמשו במודל gpt-5.6-terra (מומלץ) או gpt-5.6-sol (מודל הדגל)

המודלים #1 ו-#3 בבנצ'מרק התכנות הקשה ביותר שנמצא בשימוש — בהנחה של 75%. אותו API, אותו מבנה תואם OpenAI ואותם כלים.