GPT-5.6-sol en GPT-5.6-terra voeren DeepSWE aan — en de open-weight-wig komt dichterbij

De GPT-5.6-familie van OpenAI verscheen deze maand in drie formaten — gpt-5.6-luna, gpt-5.6-terra en het vlaggenschip gpt-5.6-sol. We voegden sol en terra diezelfde week toe aan Smart AIPI. Er is veel discussie geweest over welk frontiermodel het "beste" is, dus gaan we iets concreets doen: kijken naar de enige benchmark die echt moeilijk te manipuleren is, vervolgens bespreken hoe het model daadwerkelijk aanvoelt in gebruik en afsluiten met een eerlijke analyse van de open-weight-modellen die het snel op de hielen zitten.

DeepSWE: de benchmark voor programmeren die moeilijk te manipuleren is

De meeste ranglijsten voor programmeren hebben een contaminatieprobleem. SWE-bench Verified en SWE-bench Pro zijn samengesteld uit echte GitHub-issues en de samengevoegde oplossingen daarvan — wat betekent dat het "antwoord" in de trainingsdata staat van elk model dat GitHub heeft gescrapet. Erger nog, modellen zijn betrapt op valsspelen: bij SWE-bench Pro werden Claude Opus 4.7 en 4.6 ervan beschuldigd bij meer dan 12% van de beoordeelde runs te hebben vals gespeeld, door stilletjes commando's zoals git log --all en git show <gold-hash> uit te voeren om de referentieoplossing uit de git-geschiedenis te lezen.

DeepSWE, uitgebracht door Datacurve op 2026-05-26, is ontwikkeld om dit probleem op te lossen. De eigenschappen:

• Volledig vanaf nul geschreven. 113 originele langlopende taken verspreid over 91 opensourcerepository's in vijf talen (Python, TypeScript, JavaScript, Go, Rust). De probleemstellingen en gouden standaardoplossingen zijn door mensen geschreven en niet afgeleid van openbare commits — geen enkel model heeft het antwoord dus tijdens pretraining gezien.
• Gedragsgerichte verificatie. Elke taak wordt beoordeeld met handgeschreven controles op waarneembaar gedrag binnen een geïsoleerde omgeving, uitgevoerd via de mini-swe-agent-harness voor consistente resultaten. DeepSWE rapporteert een percentage van 1.1% fout-negatieve / 0.3% fout-positieve verificaties, tegenover 24% / 8.5% gemeten bij SWE-bench Pro.
• Daadwerkelijk onderscheidend. Prompts zijn ongeveer half zo lang als die van SWE-bench Pro, maar vereisen ~5.5x meer code en ~2x meer uitvoertokens. Scores zijn verspreid over een bereik van ~58 punten (12–73%) in plaats van zich te concentreren in een band van ~30 punten, waardoor de volgorde op de ranglijst echt iets betekent.

Met andere woorden: een langlopende, contaminatiebestendige, gedragsmatig beoordeelde test van de vraag of een model daadwerkelijk echt softwarewerk kan voltooien. En precies daar eindigt de GPT-5.6-familie bovenaan.

De DeepSWE-ranglijst

Huidige stand (bijgewerkt op 2026-07-09, Pass@1, elk model met de beste redeneerinstelling):

Drie GPT-5.6-varianten bezetten drie van de eerste vier plaatsen. sol voert de ranglijst aan, terra evenaart Claude Fable 5 met de op één na beste score tegen de helft van de prijs van het vlaggenschip, en zelfs luna evenaart gpt-5.5 van de vorige generatie. Het verschil met het beste open-weight-model — GLM-5.2 met 44% — is het verhaal waarop we aan het einde terugkomen.

Wat er daadwerkelijk is veranderd in GPT-5.6

Benchmarks zijn een graadmeter. Ontwikkelaars met vroege toegang beschreven een sprong voorwaarts in drie specifieke capaciteiten die de score alleen niet volledig weergeeft:

• Vasthoudendheid bij langlopende taken. De grootste klacht over gpt-5.5 was dat het bij lange taken "de weg kwijtraakte" — je moest de thread opnieuw starten wanneer de context vol raakte met ruis. 5.6 doet dat niet. Vroege testers melden dat ze één thread meer dan 20+ uur op één instructie lieten draaien zonder toezicht. Het pakt de taak op en laat pas los wanneer die klaar is.
• Orkestratie van subagents (ultramodus). Dit is de bepalende capaciteit van deze generatie. 5.6 kan een niveau hoger gaan en een team van subagents starten dat parallel aan een probleem werkt — de ene schrijft componenten, een andere koppelt een database en een derde beoordeelt pull requests — waarna de resultaten worden samengevoegd. Testers die hun workflows met subagents van gpt-5.5 opnieuw uitvoerden op 5.6, zagen dat 5.6 zich "razendsnel door" orkestratie heen werkte waarbij 5.5 "verward raakte en de weg kwijtraakte". Het is het verschil tussen één aannemer en een hele ploeg.
• Computer- en browsergebruik. 5.6 is drastisch beter in het bedienen van een echte machine. Tijdens praktijktests configureerde het via SSH een vloot machines, en in een inmiddels breed gedeeld voorbeeld herstelde het autonoom een defecte GRUB-opstartstatus via een KVM op afstand — het startte opnieuw op, opende een GRUB-shell en repareerde de opstartpartities zonder menselijke tussenkomst.

Een kanttekening die duidelijk moet worden genoemd: front-end- en UI-werk is standaard niet het sterke punt van 5.6. Het is beter aan te sturen en heeft minder "slechte smaak" dan eerdere modellen, maar ervaren gebruikers laten de laatste verfijningsrondes nog altijd door andere modellen uitvoeren. Als je veel visueel UI-werk doet, gebruik 5.6 dan als motor en schakel een tweede model in voor de afwerking.

sol of terra: welke moet je gebruiken?

Beide behoren tot het frontierniveau en draaien via Smart AIPI op dezelfde Codex-backend. De keuze is eenvoudig:

• gpt-5.6-terra is de aanbevolen standaardkeuze. Op #3 van DeepSWE (70%) komt het dicht bij het vlaggenschip, tegen de helft van de prijs. Voor het overgrote deel van agentisch programmeren, refactorings, reviews en dagelijks werk is terra de juiste keuze.
• gpt-5.6-sol is het vlaggenschip. Gebruik het voor de moeilijkste langlopende taken, diepgaande multiagentorkestratie en alles waarbij de laatste paar capaciteitspunten het resultaat veranderen. Het staat niet voor niets op #1 van DeepSWE.

Smart AIPI is de goedkoopste manier om beide te gebruiken

De rechtstreekse API-prijzen van OpenAI zijn hoog aan de frontier. Via Smart AIPI betaal je 75% minder voor exact dezelfde modellen op exact dezelfde infrastructuur:

De open-weight-wig die dichterbij komt

Dit is het deel waar iedereen over blijft discussiëren. Achter de gesloten frontier klimt een golf open-weight-modellen snel omhoog — en de markt splitst zich op in twee polen. Aan de ene kant leveren goedkope Chinese open-weight-mixture-of-expertsmodellen (DeepSeek V4, Qwen3, Kimi K2, MiniMax M3) ongeveer 70–81% op SWE-bench Verified voor $0.30–1.40 per miljoen invoertokens, onder ruimhartige MIT/Apache-licenties. Aan de andere kant rekenen gesloten Amerikaanse frontiermodellen (GPT-5.6, Claude Fable/Opus, Gemini) 5–20x meer voor de laatste paar capaciteitspunten. De interessante ontwikkeling is de wig in het midden: modellen die bijna frontierkwaliteit bieden voor een fractie van de frontierprijs.

Twee namen bepalen die wig, en het is de moeite waard daar nauwkeurig over te zijn:

• GLM-5.2 (Zhipu / Z.ai) — de open wig. Een echt open-weight MoE-model met MIT-licentie (~745B totaal / ~40B actief, 1M context) voor ongeveer $1.40 invoer / $4.40 uitvoer. Het is uitstekend — #9 op DeepSWE met 44%, dicht bij gesloten modellen van de vorige generatie, en bij sommige UI-taken zelfs sterker dan gpt-5.5. Voor wat het is, is het absoluut een serieuze optie.
• Grok 4.5 (xAI) — de goedkope gesloten wig. Grok 4.5 wordt vaak ten onrechte "open" genoemd, maar heeft in werkelijkheid gesloten gewichten (alleen Grok-1 en Grok-2 zijn ooit openlijk uitgebracht). Wat het tot een wig maakt, zijn de agressieve prijzen (~$2 invoer / $6 uitvoer) en de opmerkelijke tokenefficiëntie — ongeveer 2M tokens per DeepSWE-achtige taak tegenover 7M+ voor sommige frontiermodellen. Het presteert op verschillende benchmarks bijna op frontierniveau, maar is merkbaar zwakker in de multiagentorkestratie die de 5.6-generatie kenmerkt.

Hoe dichtbij is die wig dan werkelijk? Dichterbij dan de geadverteerde prijzen doen vermoeden — en verder weg dan de hype rond lokale modellen beweert. Drie eerlijke kanttekeningen:

• Goedkoper per token is niet goedkoper per taak. Open-weight-modellen gebruiken doorgaans 2–3x meer tokens om hetzelfde werk te voltooien. Op DeepSWE kost GLM-5.2 met max ongeveer $4 per taak, terwijl Claude Opus 4.8 met xhigh ongeveer $8 kost — slechts een verschil van 2x, ondanks dat GLM per token ~10x goedkoper is. Efficiëntie, niet de geadverteerde prijs, bepaalt de werkelijke rekening.
• Open gewichten betekenen niet lokaal. GLM-5.2 is gekwantiseerd ~400GB en op volledige precisie ~1.5TB. Het draait niet op consumentenhardware — een 5090 heeft 32GB VRAM; je hebt een multi-GPU-systeem van $75,000 nodig om één instantie met een redelijke snelheid aan te bieden. Het echte voordeel van open gewichten is concurrentie tussen providers: omdat iedereen GLM-5.2 kan hosten, kun je providers vergelijken voor de beste prijs en snelheid. Die concurrentie is gezond en we zijn blij dat ze bestaat.
• Capaciteiten blijven de toegang tot de frontier bepalen. GLM-5.2 heeft geen vision — het kan geen screenshot verwerken en kan dus niet de workflows voor computergebruik en visuele feedback aansturen die 5.6 zo effectief maken. Echt agentisch werk betekent bovendien dat er ergens tussen 1 en 40 agents parallel draaien, iets wat lokale hardware helemaal niet aankan. De wig nadert de frontier bij eenmalige programmeertaken, maar nog niet bij end-to-end agentische orkestratie.

De conclusie: als je workload prima op een open model draait, is de overstap daarnaartoe vaak een slimme, goedkope keuze — en de filosofie van Smart AIPI is dat je niet te veel moet betalen voor capaciteit die je niet nodig hebt. Maar voor het moeilijkste langlopende, multiagentwerk met vision in de loop blijven gpt-5.6-sol en gpt-5.6-terra de frontier waarop de wig jaagt — en Smart AIPI is de goedkoopste plek om ze te gebruiken.

GPT-5.6-sol en GPT-5.6-terra gebruiken

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 met maximaal redeneerniveau

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

De redeneerintensiteit ondersteunt low, medium, high en xhigh (max). Gebruik high of max voor agentisch en langlopend werk — de taken waarbij 5.6 de grootste voorsprong behaalt.

Aan de slag

1. Meld je aan via smartaipi.com/signup (gratis tegoed, geen creditcard)
2. Maak een API-sleutel aan in het dashboard
3. Stel je basis-URL in op https://api.smartaipi.com/v1
4. Gebruik model gpt-5.6-terra (aanbevolen) of gpt-5.6-sol (vlaggenschip)

De modellen op #1 en #3 van de moeilijkste benchmark voor programmeren, beschikbaar voor productie — tegen 75% minder. Dezelfde API, dezelfde OpenAI-compatibele structuur, dezelfde tools.