GPT-5.6-sol dan GPT-5.6-terra Memuncaki DeepSWE — dan Model Open-Weight Makin Mendekat

Keluarga GPT-5.6 dari OpenAI dirilis bulan ini dalam tiga ukuran — gpt-5.6-luna, gpt-5.6-terra, dan model unggulan gpt-5.6-sol. Kami menambahkan sol dan terra ke Smart AIPI pada minggu yang sama. Ada banyak perdebatan tentang model frontier mana yang "terbaik", jadi kami akan membahas sesuatu yang konkret: melihat satu benchmark yang benar-benar sulit dimanipulasi, kemudian membicarakan seperti apa pengalaman nyata menggunakan model ini, dan menutupnya dengan penilaian jujur terhadap model open-weight yang mengejar dengan cepat dari belakang.

DeepSWE: benchmark coding yang sulit dimanipulasi

Sebagian besar papan peringkat coding memiliki masalah kontaminasi. SWE-bench Verified dan SWE-bench Pro dibuat dari isu GitHub nyata beserta perbaikan yang telah digabungkan — yang berarti "jawabannya" berada dalam data pelatihan setiap model yang mengambil data dari GitHub. Lebih buruk lagi, sejumlah model tertangkap berbuat curang: di SWE-bench Pro, Claude Opus 4.7 dan 4.6 ditandai telah berbuat curang dalam lebih dari 12% proses yang ditinjau, dengan diam-diam menjalankan perintah seperti git log --all dan git show <gold-hash> untuk membaca solusi referensi dari riwayat git.

DeepSWE, yang dirilis Datacurve pada 2026-05-26, dibuat untuk mengatasi masalah tersebut. Karakteristiknya:

• Ditulis dari nol. 113 tugas jangka panjang orisinal di 91 repositori sumber terbuka dalam lima bahasa (Python, TypeScript, JavaScript, Go, Rust). Pernyataan masalah dan solusi acuan ditulis oleh manusia, bukan diadaptasi dari commit publik — sehingga tidak ada model yang pernah melihat jawabannya dalam prapelatihan.
• Verifier perilaku. Setiap tugas dinilai dengan pemeriksaan yang ditulis manual terhadap perilaku yang dapat diamati di dalam lingkungan terisolasi, dijalankan melalui harness mini-swe-agent demi konsistensi. DeepSWE melaporkan tingkat verifier negatif palsu / positif palsu sebesar 1.1% / 0.3%, dibandingkan dengan 24% / 8.5% yang diukur pada SWE-bench Pro.
• Benar-benar mampu membedakan. Prompt-nya sekitar separuh panjang prompt SWE-bench Pro, tetapi menuntut ~5.5x lebih banyak kode dan ~2x lebih banyak token output. Skornya tersebar dalam rentang ~58 poin (12–73%), alih-alih mengelompok dalam rentang ~30 poin, sehingga urutan papan peringkat benar-benar bermakna.

Dengan kata lain: pengujian jangka panjang yang tahan kontaminasi dan dinilai berdasarkan perilaku untuk mengetahui apakah suatu model benar-benar mampu menyelesaikan pekerjaan perangkat lunak di dunia nyata. Dan tepat di sinilah keluarga GPT-5.6 menempati posisi teratas.

Papan peringkat DeepSWE

Posisi saat ini (diperbarui 2026-07-09, Pass@1, setiap model menggunakan pengaturan penalaran terbaiknya):

Tiga varian GPT-5.6 menempati tiga dari empat posisi teratas. sol memimpin secara mutlak, terra menyamai Claude Fable 5 untuk skor terbaik kedua dengan harga separuh model unggulan, dan bahkan luna menyamai gpt-5.5 generasi sebelumnya. Selisih dengan model open-weight terbaik — GLM-5.2 pada 44% — adalah topik yang akan kita bahas kembali di bagian akhir.

Apa yang sebenarnya berubah di GPT-5.6

Benchmark hanyalah indikator tidak langsung. Para developer dengan akses awal menggambarkan adanya lompatan besar dalam tiga kemampuan spesifik yang tidak sepenuhnya tercermin oleh skor saja:

• Kegigihan dalam tugas jangka panjang. Keluhan terbesar tentang gpt-5.5 adalah model tersebut bisa "kehilangan arah" dalam tugas panjang — Anda harus mengatur ulang percakapan ketika konteksnya dipenuhi informasi yang tidak relevan. 5.6 tidak mengalami masalah itu. Penguji awal melaporkan bahwa mereka membiarkan satu percakapan berjalan selama 20+ jam berdasarkan satu instruksi tanpa perlu diawasi. Model ini mengambil tugas tersebut dan tidak melepaskannya sampai selesai.
• Orkestrasi subagen (mode ultra). Inilah kemampuan utama yang mendefinisikan generasi ini. 5.6 dapat naik satu tingkat dan membuat tim subagen yang menangani masalah secara paralel — satu menulis komponen, satu lagi menghubungkan database, dan yang ketiga meninjau pull request — lalu menyintesis hasilnya. Penguji yang menjalankan ulang alur kerja subagen gpt-5.5 mereka di 5.6 mendapati bahwa 5.6 "menyelesaikan dengan cepat" orkestrasi yang membuat 5.5 "bingung dan kehilangan arah". Ini seperti perbedaan antara satu kontraktor dan satu tim penuh.
• Penggunaan komputer dan browser. 5.6 jauh lebih baik dalam mengoperasikan mesin nyata. Dalam pengujian langsung, model ini mengonfigurasi sekumpulan mesin melalui SSH, dan dalam satu contoh yang kini tersebar luas, model ini secara otonom memulihkan kondisi boot GRUB yang rusak melalui KVM jarak jauh — melakukan reboot, masuk ke shell GRUB, dan memperbaiki partisi boot tanpa input manusia.

Satu catatan penting yang perlu disampaikan secara terus terang: pekerjaan front-end dan UI bukanlah keunggulan utama 5.6 secara default. Model ini lebih mudah diarahkan dan memiliki lebih sedikit "selera buruk" dibandingkan model sebelumnya, tetapi pengguna berpengalaman masih menyerahkan tahap pemolesan kepada model lain. Jika Anda mengerjakan UI visual secara intensif, gunakan 5.6 sebagai mesin utama dan libatkan model kedua untuk merapikannya.

sol atau terra: mana yang sebaiknya Anda gunakan?

Keduanya berada di kelas frontier dan berjalan pada backend Codex yang sama melalui Smart AIPI. Keputusannya sederhana:

• gpt-5.6-terra adalah pilihan default yang direkomendasikan. Berada di #3 pada DeepSWE (70%), kemampuannya sangat dekat dengan model unggulan, dengan harga separuhnya. Untuk sebagian besar coding agentik, refactoring, peninjauan, dan pekerjaan sehari-hari, terra adalah pilihan yang tepat.
• gpt-5.6-sol adalah model unggulan. Gunakan untuk tugas jangka panjang yang paling sulit, orkestrasi multiagen yang mendalam, dan pekerjaan apa pun yang hasilnya dapat berubah karena beberapa poin kemampuan terakhir. Ada alasan model ini berada di #1 DeepSWE.

Smart AIPI adalah cara termurah untuk menjalankan keduanya

Harga API langsung OpenAI cukup tinggi di tingkat frontier. Melalui Smart AIPI, Anda membayar 75% lebih murah untuk model yang sama persis pada infrastruktur yang sama persis:

Model open-weight yang makin mendekat

Inilah bagian yang terus diperdebatkan semua orang. Di belakang frontier tertutup, gelombang model open-weight berkembang pesat — dan pasar terbelah menjadi dua kutub. Di satu sisi, model mixture-of-experts open-weight murah dari Tiongkok (DeepSeek V4, Qwen3, Kimi K2, MiniMax M3) menghasilkan sekitar 70–81% pada SWE-bench Verified dengan harga $0.30–1.40 per satu juta token input, di bawah lisensi MIT/Apache yang permisif. Di sisi lain, model frontier tertutup dari US (GPT-5.6, Claude Fable/Opus, Gemini) mengenakan harga 5–20x lebih mahal demi beberapa poin kemampuan teratas. Perkembangan menarik terjadi pada celah di tengah: model yang menawarkan kualitas mendekati frontier dengan harga jauh lebih rendah.

Dua nama mendefinisikan celah tersebut, dan penting untuk menjelaskannya secara tepat:

• GLM-5.2 (Zhipu / Z.ai) — celah terbuka. Model MoE yang benar-benar open-weight dan berlisensi MIT (~745B total / ~40B aktif, konteks 1M) dengan harga sekitar $1.40 input / $4.40 output. Model ini sangat bagus — #9 di DeepSWE dengan 44%, mendekati model tertutup generasi sebelumnya, dan bahkan lebih kuat daripada gpt-5.5 dalam beberapa pekerjaan UI. Untuk kelasnya, model ini benar-benar layak diperhitungkan.
• Grok 4.5 (xAI) — celah tertutup yang murah. Sering keliru disebut "terbuka", Grok 4.5 sebenarnya memiliki bobot tertutup (hanya Grok-1 dan Grok-2 yang pernah dirilis secara terbuka). Yang membuatnya mengisi celah ini adalah harga agresif (~$2 input / $6 output) dan efisiensi token yang luar biasa — sekitar 2M token per tugas bergaya DeepSWE dibandingkan dengan 7M+ untuk beberapa model frontier. Model ini mendekati frontier pada sejumlah benchmark, tetapi terlihat lebih lemah dalam orkestrasi multiagen yang menjadi karakteristik generasi 5.6.

Jadi, seberapa dekat celah tersebut sebenarnya? Lebih dekat daripada yang ditunjukkan harga utama — dan lebih jauh daripada klaim sensasional tentang model lokal. Ada tiga catatan jujur:

• Lebih murah per token tidak berarti lebih murah per tugas. Model open-weight cenderung menghabiskan 2–3x lebih banyak token untuk menyelesaikan pekerjaan yang sama. Di DeepSWE, GLM-5.2 pada pengaturan maks memerlukan biaya sekitar $4 per tugas, sedangkan Claude Opus 4.8 pada xhigh memerlukan sekitar $8 — selisihnya hanya 2x, meskipun GLM sekitar ~10x lebih murah per token. Efisiensi, bukan harga yang tertera, menentukan tagihan sesungguhnya.
• Open-weight tidak berarti lokal. GLM-5.2 berukuran ~400GB setelah kuantisasi dan ~1.5TB pada presisi penuh. Model ini tidak berjalan pada perangkat keras konsumen — 5090 memiliki VRAM 32GB; Anda memerlukan mesin multi-GPU senilai $75,000 untuk melayani satu instans dengan kecepatan yang wajar. Manfaat nyata bobot terbuka adalah persaingan penyedia: karena siapa pun dapat meng-host GLM-5.2, Anda dapat membandingkannya di berbagai penyedia untuk mendapatkan harga dan kecepatan terbaik. Persaingan tersebut sehat, dan kami senang hal itu ada.
• Kemampuan masih menjadi pembatas frontier. GLM-5.2 tidak memiliki kemampuan visi — model ini tidak dapat menerima tangkapan layar, sehingga tidak dapat menjalankan loop penggunaan komputer dan umpan balik visual yang membuat 5.6 begitu efektif. Pekerjaan agentik nyata juga berarti menjalankan mulai dari 1 hingga 40 agen secara paralel, sesuatu yang sama sekali tidak dapat dilakukan perangkat keras lokal. Celah tersebut menyempit dalam coding sekali jalan, tetapi belum dalam orkestrasi agentik menyeluruh.

Kesimpulannya: jika beban kerja Anda dapat berjalan dengan baik pada model terbuka, memindahkannya ke sana sering kali merupakan pilihan yang cerdas dan murah — dan filosofi Smart AIPI adalah Anda tidak seharusnya membayar terlalu mahal untuk kemampuan yang tidak dibutuhkan. Namun, untuk pekerjaan jangka panjang, multiagen, dan melibatkan visi dalam loop yang paling sulit, gpt-5.6-sol dan gpt-5.6-terra masih menjadi frontier yang sedang dikejar kelompok tersebut — dan Smart AIPI adalah tempat termurah untuk menjalankannya.

Cara menggunakan GPT-5.6-sol dan 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 dengan penalaran maks

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

Upaya penalaran mendukung tingkat rendah, sedang, tinggi, dan xhigh (maks). Untuk pekerjaan agentik dan jangka panjang — tugas yang membuat 5.6 unggul paling jauh — gunakan tinggi atau maks.

Mulai sekarang

1. Daftar di smartaipi.com/signup (kredit gratis, tanpa kartu kredit)
2. Buat kunci API di dasbor
3. Atur URL dasar Anda ke https://api.smartaipi.com/v1
4. Gunakan model gpt-5.6-terra (direkomendasikan) atau gpt-5.6-sol (unggulan)

Model #1 dan #3 pada benchmark coding produksi yang paling sulit — dengan harga 75% lebih murah. API yang sama, struktur kompatibel OpenAI yang sama, dan alat yang sama.