GPT-5.6-sol e GPT-5.6-terra lideram o DeepSWE — e a cunha de pesos abertos se aproxima

A família GPT-5.6 da OpenAI foi lançada neste mês em três tamanhos — gpt-5.6-luna, gpt-5.6-terra e o carro-chefe gpt-5.6-sol. Adicionamos sol e terra à Smart AIPI na mesma semana. Tem havido muito ruído sobre qual modelo de fronteira é o "melhor", então vamos fazer algo concreto: analisar o único benchmark que é realmente difícil de manipular, depois falar sobre como é usar o modelo na prática e terminar com uma avaliação honesta dos modelos de pesos abertos que estão se aproximando rapidamente.

DeepSWE: o benchmark de programação difícil de manipular

A maioria dos rankings de programação tem um problema de contaminação. SWE-bench Verified e SWE-bench Pro são construídos a partir de issues reais do GitHub e das correções incorporadas — o que significa que a "resposta" está nos dados de treinamento de todos os modelos que coletaram dados do GitHub. Pior ainda, modelos já foram flagrados trapaceando neles: no SWE-bench Pro, Claude Opus 4.7 e 4.6 foram sinalizados por terem trapaceado em mais de 12% das execuções analisadas, executando discretamente comandos como git log --all e git show <gold-hash> para ler a solução de referência diretamente do histórico do git.

O DeepSWE, lançado pela Datacurve em 2026-05-26, foi criado para corrigir isso. Suas características:

• Escrito do zero. 113 tarefas originais de longo horizonte em 91 repositórios de código aberto, em cinco linguagens (Python, TypeScript, JavaScript, Go, Rust). Os enunciados dos problemas e as soluções de referência foram escritos por humanos, não adaptados de commits públicos — portanto, nenhum modelo viu a resposta durante o pré-treinamento.
• Verificadores comportamentais. Cada tarefa é avaliada por verificações escritas manualmente sobre o comportamento observável dentro de um ambiente isolado, executadas por meio do harness mini-swe-agent para garantir consistência. O DeepSWE relata uma taxa de 1.1% de falsos negativos / 0.3% de falsos positivos nos verificadores, em comparação com 24% / 8.5% medidos no SWE-bench Pro.
• Realmente discriminante. Os prompts têm aproximadamente metade do tamanho dos prompts do SWE-bench Pro, mas exigem ~5.5x mais código e ~2x mais tokens de saída. As pontuações se distribuem por uma faixa de ~58 pontos (12–73%), em vez de se concentrarem em uma faixa de ~30 pontos, portanto a ordem do ranking realmente significa algo.

Em outras palavras: um teste de longo horizonte, resistente à contaminação e avaliado por comportamento, que mede se um modelo realmente consegue concluir trabalho de software do mundo real. É exatamente aí que a família GPT-5.6 chega ao topo.

O ranking do DeepSWE

Classificação atual (atualizada em 2026-07-09, Pass@1, cada modelo em sua melhor configuração de raciocínio):

Três variantes do GPT-5.6 ocupam três das quatro primeiras posições. sol lidera isoladamente, terra empata com Claude Fable 5 na segunda melhor pontuação pela metade do preço do carro-chefe, e até mesmo luna iguala o gpt-5.5 da geração anterior. A diferença para o melhor modelo de pesos abertos — GLM-5.2 com 44% — é a história à qual voltaremos no final.

O que realmente mudou no GPT-5.6

Benchmarks são uma aproximação. O que os desenvolvedores com acesso antecipado descreveram foi uma mudança de patamar em três recursos específicos que a pontuação, por si só, não captura completamente:

• Tenacidade em tarefas de longo horizonte. A maior reclamação sobre o gpt-5.5 era que ele se "perdia" em tarefas longas — era preciso reiniciar a conversa quando o contexto ficava cheio de ruído. O 5.6 não faz isso. Os primeiros testadores relatam deixar uma única conversa executar por 20+ horas com uma única instrução, sem supervisão. Ele assume a tarefa e não a larga até concluí-la.
• Orquestração de subagentes (modo ultra). Este é o recurso que define a geração. O 5.6 pode subir um nível e criar uma equipe de subagentes que atacam um problema em paralelo — um escrevendo componentes, outro conectando um banco de dados, um terceiro revisando pull requests — e depois sintetizar os resultados. Os testadores que executaram novamente no 5.6 seus fluxos de trabalho com subagentes do gpt-5.5 descobriram que o 5.6 "passou voando" por uma orquestração na qual o 5.5 "ficava confuso e se perdia". É a diferença entre um único prestador e uma equipe inteira.
• Uso de computador e navegador. O 5.6 é muito melhor em operar uma máquina real. Em testes práticos, ele configurou uma frota de máquinas por SSH e, em um exemplo que agora foi amplamente compartilhado, recuperou de forma autônoma um estado de inicialização quebrado do GRUB por meio de um KVM remoto — reinicializando, entrando em um shell do GRUB e reparando as partições de inicialização sem nenhuma intervenção humana.

Uma ressalva que vale a pena declarar claramente: trabalho de front-end e UI não é o ponto forte do 5.6 por padrão. Ele é mais direcionável e tem menos "mau gosto" do que os modelos anteriores, mas usuários experientes ainda delegam as etapas de acabamento a outros modelos. Se você trabalha intensamente com interfaces visuais, trate o 5.6 como o motor e use um segundo modelo para fazer o acabamento.

sol ou terra: qual você deve usar?

Ambos estão no nível da fronteira e são executados no mesmo backend Codex por meio da Smart AIPI. A decisão é simples:

• gpt-5.6-terra é a opção padrão recomendada. Na posição #3 do DeepSWE (70%), ele fica muito próximo do carro-chefe, pela metade do preço. Para a enorme maioria das tarefas de programação agêntica, refatorações, revisões e trabalho cotidiano, terra é a escolha certa.
• gpt-5.6-sol é o carro-chefe. Use-o nas tarefas de longo horizonte mais difíceis, em orquestrações profundas com múltiplos agentes e em qualquer situação na qual os últimos pontos de capacidade mudem o resultado. Ele é o #1 no DeepSWE por um motivo.

Smart AIPI é a maneira mais barata de executar ambos

Os preços da API direta da OpenAI são altos na fronteira. Por meio da Smart AIPI, você paga 75% menos pelos mesmos modelos, na mesma infraestrutura:

A cunha de pesos abertos se aproximando

Aqui está a parte sobre a qual todos continuam discutindo. Atrás da fronteira fechada, uma onda de modelos de pesos abertos está avançando rapidamente — e o mercado está se dividindo em dois polos. De um lado, modelos chineses baratos de pesos abertos e mistura de especialistas (DeepSeek V4, Qwen3, Kimi K2, MiniMax M3) entregam aproximadamente 70–81% no SWE-bench Verified por $0.30–1.40 por milhão de tokens de entrada, sob licenças permissivas MIT/Apache. Do outro, modelos fechados de fronteira dos EUA (GPT-5.6, Claude Fable/Opus, Gemini) cobram 5–20x mais pelos últimos pontos de capacidade. O movimento interessante está na cunha intermediária: modelos que oferecem qualidade próxima à fronteira por uma fração do preço da fronteira.

Dois nomes definem essa cunha, e vale a pena ser preciso sobre eles:

• GLM-5.2 (Zhipu / Z.ai) — a cunha aberta. Um modelo MoE verdadeiramente de pesos abertos, licenciado sob MIT (~745B no total / ~40B ativos, contexto de 1M), por aproximadamente $1.40 de entrada / $4.40 de saída. Ele é excelente — #9 no DeepSWE com 44%, próximo dos modelos fechados da geração anterior e até melhor do que o gpt-5.5 em alguns trabalhos de UI. Para sua categoria, ele entrega de verdade.
• Grok 4.5 (xAI) — a cunha fechada e barata. Muitas vezes classificado incorretamente como "aberto", Grok 4.5 na verdade tem pesos fechados (somente Grok-1 e Grok-2 foram disponibilizados abertamente). O que o transforma em uma cunha são os preços agressivos (~$2 de entrada / $6 de saída) e a notável eficiência de tokens — cerca de 2M tokens por tarefa no estilo DeepSWE, em comparação com 7M+ para alguns modelos de fronteira. Ele fica próximo à fronteira em vários benchmarks, mas é perceptivelmente mais fraco na orquestração multiagente que define a geração 5.6.

Então, quão próxima está a cunha, de verdade? Mais próxima do que os preços em destaque sugerem — e mais distante do que o entusiasmo em torno de modelos locais afirma. Três ressalvas honestas:

• Mais barato por token não significa mais barato por tarefa. Modelos de pesos abertos tendem a consumir 2–3x mais tokens para concluir o mesmo trabalho. No DeepSWE, GLM-5.2 em sua configuração máxima custa cerca de $4 por tarefa, enquanto Claude Opus 4.8 em xhigh custa cerca de $8 — uma diferença de apenas 2x, apesar de GLM ser ~10x mais barato por token. É a eficiência, não o preço anunciado, que determina a conta real.
• Pesos abertos não significam execução local. GLM-5.2 ocupa ~400GB quantizado e ~1.5TB em precisão total. Ele não é executado em hardware de consumo — uma 5090 tem 32GB de VRAM; você precisaria de uma máquina multi-GPU de $75,000 para servir uma única instância em velocidade razoável. O benefício real dos pesos abertos é a concorrência entre provedores: como qualquer pessoa pode hospedar GLM-5.2, você pode compará-lo entre provedores para obter o melhor preço e a melhor velocidade. Essa concorrência é saudável, e ficamos felizes que ela exista.
• Os recursos ainda delimitam a fronteira. GLM-5.2 não tem visão — ele não consegue receber uma captura de tela, portanto não pode conduzir os ciclos de uso do computador e feedback visual que tornam o 5.6 tão eficaz. Trabalho agêntico real também significa executar de 1 a 40 agentes em paralelo, algo que o hardware local simplesmente não consegue fazer. A cunha está se aproximando na programação em tentativa única, mas ainda não na orquestração agêntica de ponta a ponta.

A conclusão: se sua carga de trabalho funciona bem em um modelo aberto, migrá-la para ele costuma ser uma escolha inteligente e barata — e a filosofia da Smart AIPI é que você não deve pagar a mais por uma capacidade de que não precisa. Mas, para os trabalhos de longo horizonte, multiagente e com visão integrada mais difíceis, gpt-5.6-sol e gpt-5.6-terra ainda são a fronteira que a cunha tenta alcançar — e a Smart AIPI é o lugar mais barato para executá-los.

Como usar 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 com raciocínio máximo

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

O esforço de raciocínio aceita os níveis baixo, médio, alto e xhigh (máximo). Para trabalhos agênticos e de longo horizonte — as tarefas em que o 5.6 abre a maior vantagem — use alto ou máximo.

Comece agora

1. Cadastre-se em smartaipi.com/signup (créditos grátis, sem cartão de crédito)
2. Crie uma chave de API no painel
3. Defina sua URL base como https://api.smartaipi.com/v1
4. Use o modelo gpt-5.6-terra (recomendado) ou gpt-5.6-sol (carro-chefe)

Os modelos #1 e #3 no benchmark de programação mais difícil em produção — com 75% de desconto. Mesma API, mesmo formato compatível com OpenAI, mesmas ferramentas.