GPT-5.6-sol и GPT-5.6-terra лидируют в DeepSWE — а модели с открытыми весами сокращают разрыв

Семейство GPT-5.6 от OpenAI вышло в этом месяце в трёх размерах — gpt-5.6-luna, gpt-5.6-terra и флагманская модель gpt-5.6-sol. Мы добавили sol и terra в Smart AIPI в ту же неделю. Вокруг того, какая передовая модель «лучшая», было много шума, поэтому мы поступим конкретно: рассмотрим единственный бенчмарк, который действительно сложно обмануть, затем обсудим реальные впечатления от использования модели и завершим честной оценкой моделей с открытыми весами, которые стремительно её догоняют.

DeepSWE: бенчмарк для программирования, который сложно обмануть

У большинства рейтингов моделей для программирования есть проблема с утечкой тестовых данных в обучающую выборку. SWE-bench Verified и SWE-bench Pro основаны на реальных задачах GitHub и влитых исправлениях — а значит, «ответ» уже находится в обучающих данных любой модели, которая собирала данные с GitHub. Более того, модели ловили на жульничестве: в SWE-bench Pro Claude Opus 4.7 и 4.6 были отмечены как жульничавшие более чем в 12% проверенных запусков — они незаметно выполняли команды вроде git log --all и git show <gold-hash>, чтобы прочитать эталонное решение из истории git.

DeepSWE, выпущенный Datacurve 2026-05-26, был создан для решения этой проблемы. Его особенности:

• Написан с нуля. 113 оригинальных долгосрочных задач из 91 репозитория с открытым исходным кодом на пяти языках (Python, TypeScript, JavaScript, Go, Rust). Условия задач и эталонные решения были написаны людьми, а не адаптированы из публичных коммитов, поэтому ни одна модель не видела ответы во время предварительного обучения.
• Поведенческие верификаторы. Каждая задача оценивается написанными вручную проверками наблюдаемого поведения в изолированной среде, которые для единообразия запускаются через среду mini-swe-agent. Для DeepSWE указана доля ложноотрицательных результатов 1.1% и ложноположительных результатов 0.3%, тогда как для SWE-bench Pro измеренные показатели составляют 24% / 8.5%.
• Действительно различает модели. Промпты примерно вдвое короче, чем в SWE-bench Pro, но при этом требуют примерно в 5.5x больше кода и примерно в 2x больше выходных токенов. Результаты распределены в диапазоне примерно 58 пунктов (12–73%), а не сгруппированы в полосе примерно 30 пунктов, поэтому порядок в рейтинге действительно имеет смысл.

Иными словами, это долгосрочная, устойчивая к утечкам данных и основанная на поведении проверка того, способна ли модель действительно завершить реальную работу над программным обеспечением. И именно здесь семейство GPT-5.6 выходит на первое место.

Рейтинг DeepSWE

Текущие позиции (обновлено 2026-07-09, Pass@1, для каждой модели использована максимальная настройка рассуждений):

Три варианта GPT-5.6 занимают три из четырёх первых мест. sol единолично лидирует, terra делит с Claude Fable 5 второй результат при вдвое меньшей цене по сравнению с флагманом, а даже luna сравнялась с gpt-5.5 предыдущего поколения. Разрыв с лучшей моделью с открытыми весами — GLM-5.2 с результатом 44% — это тема, к которой мы вернёмся в конце.

Что на самом деле изменилось в GPT-5.6

Бенчмарки — лишь косвенный показатель. Разработчики с ранним доступом отмечают качественный скачок в трёх конкретных возможностях, который не полностью отражается одним только результатом:

• Упорство в долгосрочных задачах. Главная претензия к gpt-5.5 заключалась в том, что модель «терялась» при выполнении длительных задач: когда её контекст заполнялся шумом, приходилось начинать диалог заново. 5.6 так не делает. Ранние тестировщики сообщают, что оставляли один диалог выполнять одну инструкцию более 20+ часов без присмотра. Модель берётся за задачу и не отпускает её, пока не закончит.
• Оркестрация субагентов (режим ultra). Это ключевая возможность поколения. 5.6 способна подняться на уровень выше и запустить команду субагентов, параллельно решающих задачу: один пишет компоненты, другой подключает базу данных, третий проверяет запросы на слияние, после чего модель объединяет результаты. Тестировщики, повторно запустившие на 5.6 свои рабочие процессы с субагентами из gpt-5.5, обнаружили, что 5.6 «пронеслась» через оркестрацию, в которой 5.5 «запуталась и потерялась». Это разница между одним подрядчиком и целой бригадой.
• Работа с компьютером и браузером. 5.6 значительно лучше управляет реальной машиной. В практических испытаниях она настроила парк машин через SSH, а в одном получившем широкую известность примере автономно восстановила повреждённую загрузочную конфигурацию GRUB через удалённый KVM: перезагрузилась, вошла в оболочку GRUB и восстановила загрузочные разделы без участия человека.

Стоит прямо оговорить один нюанс: по умолчанию фронтенд и работа с интерфейсами — не сильная сторона 5.6. Она лучше следует указаниям и демонстрирует меньше «дурного вкуса», чем предыдущие модели, но опытные пользователи всё равно передают финальную шлифовку другим моделям. Если вы интенсивно работаете над визуальным интерфейсом, используйте 5.6 как движок, а для доработки подключайте вторую модель.

sol или terra: что выбрать?

Обе относятся к передовому уровню и работают на одном и том же бэкенде Codex через Smart AIPI. Выбор прост:

• gpt-5.6-terra — рекомендуемый вариант по умолчанию. Занимая #3 в DeepSWE (70%), она вплотную приближается к флагману при вдвое меньшей цене. Для подавляющего большинства агентных задач программирования, рефакторинга, ревью и повседневной работы terra будет правильным выбором.
• gpt-5.6-sol — флагман. Выбирайте её для самых сложных долгосрочных задач, глубокой мультиагентной оркестрации и любых случаев, где последние несколько пунктов возможностей способны изменить результат. Она неслучайно занимает #1 в DeepSWE.

Smart AIPI — самый дешёвый способ запускать обе модели

Прямые цены API OpenAI на передовые модели высоки. Через Smart AIPI вы платите на 75% меньше за те же самые модели на той же самой инфраструктуре:

Как модели с открытыми весами сокращают разрыв

А вот часть, о которой все продолжают спорить. Позади закрытого передового уровня стремительно поднимается волна моделей с открытыми весами, и рынок разделяется на два полюса. На одном конце — дешёвые китайские MoE-модели с открытыми весами (DeepSeek V4, Qwen3, Kimi K2, MiniMax M3), которые показывают примерно 70–81% в SWE-bench Verified при цене $0.30–1.40 за миллион входных токенов и распространяются по либеральным лицензиям MIT/Apache. На другом — закрытые передовые модели из США (GPT-5.6, Claude Fable/Opus, Gemini), которые стоят в 5–20x дороже ради нескольких последних пунктов возможностей. Самое интересное происходит в клине посередине: там находятся модели, предлагающие качество, близкое к передовому, за небольшую долю цены передовых моделей.

Этот клин определяют два имени, и здесь важно выражаться точно:

• GLM-5.2 (Zhipu / Z.ai) — открытый клин. Настоящая MoE-модель с открытыми весами и лицензией MIT (примерно 745B всего / примерно 40B активных параметров, контекст 1M) по цене около $1.40 за ввод / $4.40 за вывод. Она превосходна: #9 в DeepSWE с результатом 44%, близка к закрытым моделям прошлого поколения, а в некоторых задачах по работе с интерфейсами даже сильнее gpt-5.5. Для своей категории это действительно серьёзная модель.
• Grok 4.5 (xAI) — дешёвый закрытый клин. Grok 4.5 часто ошибочно называют «открытой», хотя на самом деле у неё закрытые веса — открыто выпускались только Grok-1 и Grok-2. В клин её помещают агрессивные цены (примерно $2 за ввод / $6 за вывод) и впечатляющая эффективность использования токенов: около 2M токенов на задачу уровня DeepSWE против 7M+ у некоторых передовых моделей. На нескольких бенчмарках она близка к передовому уровню, но заметно слабее в мультиагентной оркестрации, определяющей поколение 5.6.

Так насколько же близок этот клин? Ближе, чем можно предположить по заявленным ценам, но дальше, чем утверждают поклонники локальных моделей. Вот три честные оговорки:

• Дешевле за токен не значит дешевле за задачу. Модели с открытыми весами обычно расходуют в 2–3x больше токенов на выполнение той же работы. В DeepSWE запуск GLM-5.2 на максимальной настройке стоит около $4 за задачу, тогда как Claude Opus 4.8 на xhigh — около $8. Разрыв составляет лишь 2x, хотя GLM примерно в 10x дешевле за токен. Реальную сумму счёта определяет эффективность, а не цена на витрине.
• Открытые веса не означают возможность локального запуска. GLM-5.2 занимает примерно 400GB в квантованном виде и примерно 1.5TB с полной точностью. На потребительском оборудовании она не запускается: у 5090 всего 32GB видеопамяти, а для обслуживания одного экземпляра с приемлемой скоростью потребуется многопроцессорная система стоимостью $75,000. Настоящее преимущество открытых весов — конкуренция провайдеров: поскольку размещать GLM-5.2 может кто угодно, можно выбирать между провайдерами по лучшей цене и скорости. Такая конкуренция полезна, и мы рады, что она существует.
• Возможности по-прежнему ограничивают доступ к передовому уровню. У GLM-5.2 нет зрения: она не может получить снимок экрана, поэтому не способна управлять рабочими процессами использования компьютера и визуальной обратной связи, которые делают 5.6 настолько эффективной. Реальная агентная работа также предполагает параллельный запуск от 1 до 40 агентов, что локальное оборудование вообще не может обеспечить. Клин сокращает разрыв в однократном написании кода, но пока не в сквозной агентной оркестрации.

Вывод: если ваша рабочая нагрузка нормально выполняется открытой моделью, перенос на неё часто будет разумным и дешёвым решением. Философия Smart AIPI заключается в том, что не следует переплачивать за ненужные вам возможности. Но для самых сложных долгосрочных и мультиагентных задач с использованием зрения gpt-5.6-sol и gpt-5.6-terra по-прежнему остаются передовым уровнем, за которым гонится клин, а Smart AIPI — самое дешёвое место для их запуска.

Как использовать GPT-5.6-sol и 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 с максимальным уровнем рассуждений

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

Для глубины рассуждений поддерживаются уровни low, medium, high и xhigh (max). Для агентной работы и долгосрочных задач, где преимущество 5.6 наиболее заметно, используйте high или max.

Начало работы

1. Зарегистрируйтесь на smartaipi.com/signup (бесплатные кредиты, банковская карта не требуется)
2. Создайте ключ API в панели управления
3. Укажите базовый URL https://api.smartaipi.com/v1
4. Используйте модель gpt-5.6-terra (рекомендуется) или gpt-5.6-sol (флагман)

Модели #1 и #3 в самом сложном бенчмарке для программирования уже доступны в продакшене со скидкой 75%. Тот же API, тот же совместимый с OpenAI формат, те же инструменты.