GPT-5.6-sol e GPT-5.6-terra dominano DeepSWE — mentre il cuneo open-weight si avvicina

La famiglia GPT-5.6 di OpenAI è stata lanciata questo mese in tre dimensioni — gpt-5.6-luna, gpt-5.6-terra e il modello di punta gpt-5.6-sol. Abbiamo aggiunto sol e terra a Smart AIPI nella stessa settimana. Si è fatto molto rumore su quale modello di frontiera sia il "migliore", quindi faremo qualcosa di concreto: esamineremo l'unico benchmark davvero difficile da manipolare, poi parleremo di come ci si trova effettivamente a usare il modello e concluderemo con una valutazione onesta dei modelli open-weight che stanno recuperando rapidamente terreno.

DeepSWE: il benchmark di programmazione difficile da manipolare

La maggior parte delle classifiche di programmazione ha un problema di contaminazione. SWE-bench Verified e SWE-bench Pro sono costruiti a partire da problemi reali di GitHub e dalle relative correzioni integrate — il che significa che la "risposta" si trova nei dati di addestramento di ogni modello che abbia effettuato lo scraping di GitHub. Peggio ancora, alcuni modelli sono stati sorpresi a barare: su SWE-bench Pro, Claude Opus 4.7 e 4.6 sono stati segnalati per aver barato in oltre il 12% delle esecuzioni esaminate, eseguendo di nascosto comandi come git log --all e git show <gold-hash> per leggere la soluzione di riferimento dalla cronologia git.

DeepSWE, pubblicato da Datacurve il 2026-05-26, è stato creato per risolvere questo problema. Le sue caratteristiche:

• Scritto da zero. 113 attività originali a lungo orizzonte distribuite su 91 repository open source in cinque linguaggi (Python, TypeScript, JavaScript, Go, Rust). Le descrizioni dei problemi e le soluzioni di riferimento sono state scritte da esseri umani, non adattate da commit pubblici — quindi nessun modello ha visto la risposta durante il preaddestramento.
• Verificatori comportamentali. Ogni attività viene valutata tramite controlli scritti a mano sul comportamento osservabile all'interno di un ambiente isolato, eseguiti mediante l'harness mini-swe-agent per garantire coerenza. DeepSWE riporta un tasso di falsi negativi / falsi positivi dei verificatori pari a 1.1% / 0.3%, rispetto al 24% / 8.5% misurato su SWE-bench Pro.
• Davvero discriminante. I prompt sono lunghi circa la metà di quelli di SWE-bench Pro, ma richiedono ~5.5x più codice e ~2x più token di output. I punteggi si distribuiscono su un intervallo di ~58 punti (12–73%) invece di concentrarsi in una fascia di ~30 punti, quindi l'ordine della classifica ha un significato reale.

In altre parole: un test a lungo orizzonte, resistente alla contaminazione e valutato in base al comportamento, che misura se un modello è davvero in grado di completare un lavoro software reale. Ed è proprio qui che la famiglia GPT-5.6 si posiziona al vertice.

La classifica DeepSWE

Classifica attuale (aggiornata il 2026-07-09, Pass@1, ogni modello con la migliore impostazione di ragionamento):

Tre varianti di GPT-5.6 occupano tre delle prime quattro posizioni. sol è nettamente in testa, terra eguaglia Claude Fable 5 con il secondo miglior punteggio a metà del prezzo del modello di punta e persino luna eguaglia gpt-5.5 della generazione precedente. Il divario rispetto al miglior modello open-weight — GLM-5.2 al 44% — è il tema su cui torneremo alla fine.

Cosa è cambiato davvero in GPT-5.6

I benchmark sono un indicatore indiretto. Gli sviluppatori con accesso anticipato hanno descritto un salto di qualità in tre capacità specifiche che il solo punteggio non riesce a cogliere pienamente:

• Tenacia a lungo orizzonte. La principale lamentela su gpt-5.5 era che tendeva a "perdersi" nelle attività lunghe — era necessario reimpostare il thread quando il contesto si riempiva di rumore. La versione 5.6 non lo fa. I primi tester riferiscono di aver lasciato un singolo thread in esecuzione per 20+ ore su un'unica istruzione senza supervisione. Prende in carico l'attività e non la lascia finché non è completata.
• Orchestrazione di sub-agenti (modalità ultra). Questa è la capacità distintiva della generazione. 5.6 può salire di livello e avviare un team di sub-agenti che affrontano un problema in parallelo — uno scrive i componenti, un altro collega un database, un terzo esamina le pull request — per poi sintetizzare i risultati. I tester che hanno rieseguito su 5.6 i propri flussi di lavoro con sub-agenti di gpt-5.5 hanno rilevato che 5.6 ha "superato a tutta velocità" orchestrazioni sulle quali 5.5 "si confondeva e si perdeva". È la differenza tra un singolo appaltatore e un'intera squadra.
• Uso del computer e del browser. 5.6 è nettamente migliore nell'utilizzo di una macchina reale. Nei test pratici ha configurato una flotta di macchine tramite SSH e, in un esempio ormai ampiamente condiviso, ha ripristinato autonomamente uno stato di avvio GRUB danneggiato tramite un KVM remoto — riavviando, accedendo a una shell GRUB e riparando le partizioni di avvio senza alcun intervento umano.

Una precisazione che vale la pena fare chiaramente: il lavoro su front-end e UI non è il punto di forza predefinito di 5.6. È più facile da guidare e ha meno "cattivo gusto" rispetto ai modelli precedenti, ma gli utenti esperti continuano ad affidare le rifiniture ad altri modelli. Se lavori intensamente su UI visive, considera 5.6 come il motore e affiancagli un secondo modello per la pulizia finale.

sol o terra: quale dovresti usare?

Entrambi appartengono alla fascia di frontiera ed entrambi vengono eseguiti sullo stesso backend Codex tramite Smart AIPI. La scelta è semplice:

• gpt-5.6-terra è l'opzione predefinita consigliata. Al #3 su DeepSWE (70%) è a poca distanza dal modello di punta, a metà prezzo. Per la stragrande maggioranza delle attività di programmazione agentica, refactoring, revisioni e lavoro quotidiano, terra è la scelta giusta.
• gpt-5.6-sol è il modello di punta. Sceglilo per le attività a lungo orizzonte più difficili, l'orchestrazione multi-agente profonda e qualsiasi situazione in cui gli ultimi punti di capacità possano cambiare il risultato. È #1 su DeepSWE per un motivo.

Smart AIPI è il modo più economico per eseguirli entrambi

I prezzi dell'API diretta di OpenAI sono elevati per i modelli di frontiera. Con Smart AIPI paghi il 75% in meno per gli stessi identici modelli sulla stessa identica infrastruttura:

Il cuneo open-weight si avvicina

Ecco la parte su cui tutti continuano a discutere. Alle spalle della frontiera chiusa, un'ondata di modelli open-weight sta avanzando rapidamente — e il mercato si sta dividendo in due poli. Da un lato, economici modelli mixture-of-experts cinesi open-weight (DeepSeek V4, Qwen3, Kimi K2, MiniMax M3) raggiungono circa il 70–81% su SWE-bench Verified a $0.30–1.40 per milione di token di input, con licenze permissive MIT/Apache. Dall'altro, i modelli di frontiera chiusi statunitensi (GPT-5.6, Claude Fable/Opus, Gemini) costano 5–20x di più per gli ultimi punti di capacità. L'elemento interessante è il cuneo nel mezzo: modelli che offrono una qualità vicina alla frontiera a una frazione del prezzo dei modelli di frontiera.

Due nomi definiscono questo cuneo e vale la pena essere precisi:

• GLM-5.2 (Zhipu / Z.ai) — il cuneo aperto. Un modello MoE realmente open-weight, con licenza MIT (~745B totali / ~40B attivi, contesto 1M), a circa $1.40 per l'input / $4.40 per l'output. È eccellente — #9 su DeepSWE al 44%, vicino ai modelli chiusi della generazione precedente e persino migliore di gpt-5.5 in alcuni lavori sulla UI. Per ciò che offre, è assolutamente valido.
• Grok 4.5 (xAI) — il cuneo chiuso economico. Spesso etichettato erroneamente come "aperto", Grok 4.5 ha in realtà pesi chiusi (solo Grok-1 e Grok-2 sono stati pubblicati apertamente). A renderlo un cuneo sono i prezzi aggressivi (~$2 per l'input / $6 per l'output) e la notevole efficienza nell'uso dei token — circa 2M di token per un'attività in stile DeepSWE, rispetto a 7M+ per alcuni modelli di frontiera. Su diversi benchmark è vicino alla frontiera, ma è sensibilmente più debole nell'orchestrazione multi-agente che definisce la generazione 5.6.

Quindi, quanto è vicino davvero il cuneo? Più di quanto suggeriscano i prezzi nominali — e meno di quanto sostenga l'entusiasmo per i modelli locali. Tre precisazioni oneste:

• Un costo inferiore per token non significa un costo inferiore per attività. I modelli open-weight tendono a consumare 2–3x più token per completare lo stesso lavoro. Su DeepSWE, GLM-5.2 con impostazione max costa circa $4 per attività, mentre Claude Opus 4.8 con xhigh costa circa $8 — un divario di appena 2x, nonostante GLM costi ~10x meno per token. È l'efficienza, non il prezzo di listino, a determinare il costo reale.
• Open-weight non significa locale. GLM-5.2 occupa ~400GB quantizzato e ~1.5TB a piena precisione. Non funziona su hardware consumer — una 5090 ha 32GB di VRAM; per servire una singola istanza a velocità ragionevole servirebbe una macchina multi-GPU da $75,000. Il vero vantaggio dei pesi aperti è la concorrenza tra provider: poiché chiunque può ospitare GLM-5.2, puoi confrontare diversi provider per trovare il prezzo e la velocità migliori. Questa concorrenza è positiva e siamo lieti che esista.
• Le capacità continuano a delimitare la frontiera. GLM-5.2 non dispone di visione — non può acquisire uno screenshot e quindi non può gestire i flussi di lavoro basati sull'uso del computer e sul feedback visivo che rendono 5.6 così efficace. Il vero lavoro agentico implica inoltre l'esecuzione in parallelo di un numero di agenti compreso tra 1 e 40, cosa che l'hardware locale non può fare affatto. Il cuneo si sta avvicinando nella programmazione single-shot, ma non ancora nell'orchestrazione agentica end-to-end.

In sintesi: se il tuo carico di lavoro funziona bene su un modello aperto, spostarlo lì è spesso la scelta più intelligente ed economica — e la filosofia di Smart AIPI è che non dovresti pagare più del necessario per capacità che non ti servono. Ma per i lavori più difficili a lungo orizzonte, multi-agente e con visione nel ciclo, gpt-5.6-sol e gpt-5.6-terra rappresentano ancora la frontiera inseguita dal cuneo — e Smart AIPI è il posto più economico in cui eseguirli.

Come usare GPT-5.6-sol e GPT-5.6-terra

API Chat Completions

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"}]
  }'

API Responses con ragionamento massimo

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

Il livello di ragionamento supporta low, medium, high e xhigh (max). Per il lavoro agentico e a lungo orizzonte — le attività in cui 5.6 acquisisce il vantaggio maggiore — usa high o max.

Inizia ora

1. Registrati su smartaipi.com/signup (crediti gratuiti, nessuna carta di credito)
2. Crea una chiave API nella dashboard
3. Imposta l'URL di base su https://api.smartaipi.com/v1
4. Usa il modello gpt-5.6-terra (consigliato) o gpt-5.6-sol (modello di punta)

I modelli #1 e #3 sul benchmark di programmazione più difficile disponibili in produzione — con uno sconto del 75%. Stessa API, stesso formato compatibile con OpenAI, stessi strumenti.