GPT-5.6-sol i GPT-5.6-terra na szczycie DeepSWE — a klin modeli z otwartymi wagami zmniejsza dystans

Rodzina GPT-5.6 od OpenAI zadebiutowała w tym miesiącu w trzech rozmiarach — gpt-5.6-luna, gpt-5.6-terra oraz flagowym gpt-5.6-sol. W tym samym tygodniu dodaliśmy sol i terra do Smart AIPI. Wokół tego, który model z czołówki jest „najlepszy”, narosło wiele szumu, dlatego zrobimy coś konkretnego: przyjrzymy się jedynemu benchmarkowi, który naprawdę trudno zmanipulować, następnie omówimy, jak faktycznie korzysta się z tego modelu, a na koniec uczciwie ocenimy modele z otwartymi wagami, które szybko nadrabiają dystans.

DeepSWE: benchmark programistyczny, który trudno zmanipulować

Większość rankingów programistycznych ma problem z kontaminacją. SWE-bench Verified i SWE-bench Pro powstały na podstawie rzeczywistych zgłoszeń z GitHub oraz scalonych poprawek — co oznacza, że „odpowiedź” znajduje się w danych treningowych każdego modelu, który pobierał dane z GitHub. Co gorsza, modele przyłapano na oszukiwaniu: w SWE-bench Pro Claude Opus 4.7 i 4.6 oznaczono jako modele, które oszukiwały w ponad 12% przeanalizowanych uruchomień, po cichu wykonując polecenia takie jak git log --all i git show <gold-hash>, aby odczytać rozwiązanie referencyjne z historii git.

DeepSWE, opublikowany przez Datacurve 2026-05-26, powstał, aby rozwiązać ten problem. Jego cechy:

• Napisany od podstaw. 113 oryginalnych, długoterminowych zadań w 91 repozytoriach open source, obejmujących pięć języków (Python, TypeScript, JavaScript, Go, Rust). Opisy problemów i rozwiązania wzorcowe zostały stworzone przez ludzi, a nie zaadaptowane z publicznych commitów — dlatego żaden model nie widział odpowiedzi podczas treningu wstępnego.
• Weryfikatory behawioralne. Każde zadanie jest oceniane za pomocą ręcznie napisanych testów obserwowalnego zachowania w izolowanym środowisku, uruchamianych przez platformę mini-swe-agent w celu zapewnienia spójności. DeepSWE raportuje współczynnik 1.1% wyników fałszywie negatywnych / 0.3% wyników fałszywie pozytywnych weryfikatora, w porównaniu z 24% / 8.5% zmierzonymi w SWE-bench Pro.
• Rzeczywiście różnicujący. Prompty są mniej więcej o połowę krótsze niż w SWE-bench Pro, a mimo to wymagają ~5.5x więcej kodu i ~2x więcej tokenów wyjściowych. Wyniki rozciągają się na zakres ~58 punktów (12–73%), zamiast skupiać się w paśmie ~30 punktów, dzięki czemu kolejność w rankingu faktycznie coś znaczy.

Innymi słowy: to długoterminowy, odporny na kontaminację i oceniany behawioralnie test tego, czy model potrafi rzeczywiście ukończyć prawdziwe zadanie programistyczne. I właśnie w nim rodzina GPT-5.6 zajmuje czołowe miejsca.

Ranking DeepSWE

Aktualne zestawienie (zaktualizowane 2026-07-09, Pass@1, każdy model przy najlepszym ustawieniu rozumowania):

Trzy warianty GPT-5.6 zajmują trzy z czterech najwyższych miejsc. sol prowadzi samodzielnie, terra remisuje z Claude Fable 5 pod względem drugiego najlepszego wyniku, kosztując połowę ceny modelu flagowego, a nawet luna dorównuje gpt-5.5 poprzedniej generacji. Do różnicy względem najlepszego modelu z otwartymi wagami — GLM-5.2 z wynikiem 44% — wrócimy na końcu.

Co faktycznie zmieniło się w GPT-5.6

Benchmarki są jedynie wskaźnikiem zastępczym. Deweloperzy z wczesnym dostępem opisują skokową poprawę trzech konkretnych zdolności, których sam wynik nie oddaje w pełni:

• Wytrwałość w zadaniach długoterminowych. Największym zarzutem wobec gpt-5.5 było to, że „gubił się” w długich zadaniach — gdy kontekst wypełniał się szumem, trzeba było rozpocząć wątek od nowa. 5.6 tego nie robi. Pierwsi testerzy raportują, że pojedynczy wątek działał przez 20+ godzin na podstawie jednej instrukcji bez potrzeby nadzoru. Model podejmuje zadanie i nie odpuszcza, dopóki go nie ukończy.
• Orkiestracja subagentów (tryb ultra). To cecha definiująca tę generację. 5.6 potrafi wejść poziom wyżej i uruchomić zespół subagentów, którzy równolegle rozwiązują problem — jeden pisze komponenty, drugi podłącza bazę danych, trzeci przegląda pull requesty — a następnie scala rezultaty. Testerzy, którzy ponownie uruchomili swoje przepływy pracy z subagentami z gpt-5.5 na 5.6, stwierdzili, że 5.6 „błyskawicznie poradził sobie” z orkiestracją, przy której 5.5 „dezorientował się i gubił”. To różnica między jednym wykonawcą a całą ekipą.
• Obsługa komputera i przeglądarki. 5.6 znacznie lepiej radzi sobie z obsługą prawdziwej maszyny. W praktycznych testach skonfigurował flotę maszyn przez SSH, a w jednym z szeroko udostępnianych przykładów samodzielnie naprawił uszkodzony stan rozruchowy GRUB przez zdalny KVM — ponownie uruchamiając system, przechodząc do powłoki GRUB i naprawiając partycje rozruchowe bez udziału człowieka.

Jedno zastrzeżenie warto wyrazić wprost: prace nad front-endem i interfejsem użytkownika nie są domyślnie mocną stroną 5.6. Model jest bardziej sterowalny i ma mniej „złego gustu” niż poprzednie modele, ale doświadczeni użytkownicy nadal przekazują końcowe dopracowanie innym modelom. Jeśli intensywnie pracujesz nad wizualną warstwą UI, potraktuj 5.6 jako silnik, a do poprawek wykorzystaj drugi model.

sol czy terra: którego modelu użyć?

Oba należą do ścisłej czołówki i oba działają na tym samym zapleczu Codex za pośrednictwem Smart AIPI. Decyzja jest prosta:

• gpt-5.6-terra jest zalecanym wyborem domyślnym. Zajmując #3 miejsce w DeepSWE (70%), jest blisko modelu flagowego, a kosztuje o połowę mniej. W zdecydowanej większości agentowych zadań programistycznych, refaktoryzacji, przeglądów i codziennej pracy terra będzie właściwym wyborem.
• gpt-5.6-sol jest modelem flagowym. Wybierz go do najtrudniejszych zadań długoterminowych, zaawansowanej orkiestracji wielu agentów i wszystkiego, w czym ostatnie kilka punktów możliwości może zmienić wynik. Nie bez powodu zajmuje #1 miejsce w DeepSWE.

Smart AIPI to najtańszy sposób na korzystanie z obu modeli

Bezpośrednie ceny API OpenAI są wysokie w przypadku modeli z czołówki. Za pośrednictwem Smart AIPI płacisz 75% mniej za dokładnie te same modele na dokładnie tej samej infrastrukturze:

Klin modeli z otwartymi wagami zmniejsza dystans

Oto część, o którą wszyscy wciąż się spierają. Za zamkniętą czołówką szybko pnie się fala modeli z otwartymi wagami — a rynek dzieli się na dwa bieguny. Z jednej strony tanie chińskie modele mixture-of-experts z otwartymi wagami (DeepSeek V4, Qwen3, Kimi K2, MiniMax M3) osiągają około 70–81% w SWE-bench Verified przy cenie $0.30–1.40 za milion tokenów wejściowych i liberalnych licencjach MIT/Apache. Z drugiej strony zamknięte amerykańskie modele z czołówki (GPT-5.6, Claude Fable/Opus, Gemini) kosztują 5–20x więcej za kilka ostatnich punktów możliwości. Najciekawszy jest klin pośrodku: modele oferujące jakość bliską czołówce za ułamek jej ceny.

Ten klin definiują dwie nazwy i warto mówić o nich precyzyjnie:

• GLM-5.2 (Zhipu / Z.ai) — otwarty klin. Rzeczywiście otwarty model MoE na licencji MIT (~745B łącznie / ~40B aktywnych, kontekst 1M), kosztujący około $1.40 za wejście / $4.40 za wyjście. Jest znakomity — zajmuje #9 miejsce w DeepSWE z wynikiem 44%, zbliża się do zamkniętych modeli poprzedniej generacji, a w niektórych zadaniach związanych z UI przewyższa nawet gpt-5.5. W swojej kategorii jest naprawdę solidnym rozwiązaniem.
• Grok 4.5 (xAI) — tani zamknięty klin. Grok 4.5 jest często błędnie określany jako „otwarty”, ale w rzeczywistości ma zamknięte wagi (otwarcie wydano tylko Grok-1 i Grok-2). Klinem czyni go agresywna cena (~$2 za wejście / $6 za wyjście) i wyjątkowa efektywność tokenowa — około 2M tokenów na zadanie w stylu DeepSWE wobec 7M+ w przypadku niektórych modeli z czołówki. W kilku benchmarkach zbliża się do czołówki, ale jest wyraźnie słabszy w orkiestracji wielu agentów, która definiuje generację 5.6.

Jak blisko jest więc ten klin? Bliżej, niż sugerują ceny w nagłówkach — i dalej, niż twierdzą entuzjaści modeli lokalnych. Trzy uczciwe zastrzeżenia:

• Niższa cena za token nie oznacza niższej ceny za zadanie. Modele z otwartymi wagami zwykle zużywają 2–3x więcej tokenów, aby ukończyć tę samą pracę. W DeepSWE GLM-5.2 przy ustawieniu maksymalnym kosztuje około $4 za zadanie, podczas gdy Claude Opus 4.8 przy xhigh kosztuje około $8 — różnica wynosi tylko 2x, mimo że GLM jest ~10x tańszy za token. O rzeczywistym rachunku decyduje efektywność, a nie cena katalogowa.
• Otwarte wagi nie oznaczają działania lokalnego. GLM-5.2 zajmuje ~400GB po kwantyzacji i ~1.5TB przy pełnej precyzji. Nie działa na sprzęcie konsumenckim — 5090 ma 32GB pamięci VRAM; do obsługi pojedynczej instancji z rozsądną szybkością potrzebny byłby system z wieloma GPU za $75,000. Prawdziwą zaletą otwartych wag jest konkurencja między dostawcami: ponieważ każdy może hostować GLM-5.2, możesz porównywać oferty dostawców pod kątem najlepszej ceny i szybkości. Taka konkurencja jest zdrowa i cieszymy się, że istnieje.
• Możliwości nadal wyznaczają granicę czołówki. GLM-5.2 nie obsługuje obrazu — nie może przyjąć zrzutu ekranu, więc nie jest w stanie realizować pętli obsługi komputera i wizualnej informacji zwrotnej, dzięki którym 5.6 jest tak skuteczny. Rzeczywista praca agentowa oznacza również równoległe uruchamianie od 1 do 40 agentów, czego lokalny sprzęt w ogóle nie potrafi zapewnić. Klin zmniejsza dystans w jednorazowych zadaniach programistycznych, ale jeszcze nie w kompleksowej orkiestracji agentowej.

Wniosek: jeśli Twoje obciążenie działa dobrze na otwartym modelu, przeniesienie go tam często jest rozsądnym i tanim wyborem — filozofia Smart AIPI zakłada, że nie należy przepłacać za możliwości, których się nie potrzebuje. Jednak w najtrudniejszych, długoterminowych zadaniach z wieloma agentami i obrazem w pętli gpt-5.6-sol oraz gpt-5.6-terra nadal wyznaczają poziom, do którego dąży klin — a Smart AIPI jest najtańszym miejscem, aby z nich korzystać.

Jak korzystać z GPT-5.6-sol i 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 z maksymalnym rozumowaniem

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

Poziom wysiłku rozumowania obsługuje ustawienia niskie, średnie, wysokie i xhigh (maks.). Do pracy agentowej i długoterminowej — zadań, w których 5.6 najbardziej wyprzedza konkurencję — używaj ustawienia wysokiego lub maksymalnego.

Zacznij korzystać

1. Zarejestruj się na smartaipi.com/signup (bezpłatne środki, bez karty kredytowej)
2. Utwórz klucz API w panelu
3. Ustaw bazowy adres URL na https://api.smartaipi.com/v1
4. Użyj modelu gpt-5.6-terra (zalecany) lub gpt-5.6-sol (flagowy)

Modele zajmujące #1 i #3 miejsce w najtrudniejszym benchmarku programistycznym, dostępne produkcyjnie — 75% taniej. To samo API, ten sam format zgodny z OpenAI, te same narzędzia.