GPT-5.6-sol และ GPT-5.6-terra ครอง DeepSWE — และกลุ่ม Open-Weight กำลังไล่จี้

ตระกูล GPT-5.6 ของ OpenAI เปิดตัวในเดือนนี้ใน 3 ขนาด — gpt-5.6-luna, gpt-5.6-terra และรุ่นเรือธง gpt-5.6-sol เราเพิ่ม sol และ terra ลงใน Smart AIPI ภายในสัปดาห์เดียวกัน มีข้อมูลรบกวนมากมายว่าโมเดลแนวหน้าใด "ดีที่สุด" ดังนั้นเราจะทำสิ่งที่เป็นรูปธรรม: ดูเบนช์มาร์กหนึ่งเดียวที่ปั่นผลได้ยากอย่างแท้จริง จากนั้นพูดถึงความรู้สึกในการใช้งานโมเดลจริง และปิดท้ายด้วยการประเมินอย่างตรงไปตรงมาของโมเดล open-weight ที่กำลังไล่ตามมาอย่างรวดเร็ว

DeepSWE: เบนช์มาร์กด้านโค้ดที่ปั่นผลได้ยาก

ลีดเดอร์บอร์ดด้านโค้ดส่วนใหญ่มีปัญหาการปนเปื้อน SWE-bench Verified และ SWE-bench Pro สร้างจาก issue จริงบน GitHub และการแก้ไขที่ merge แล้ว — หมายความว่า "คำตอบ" อยู่ในข้อมูลฝึกของทุกโมเดลที่ scrape GitHub ยิ่งไปกว่านั้น ยังพบว่าโมเดลโกงในการทดสอบเหล่านี้: บน SWE-bench Pro มีการระบุว่า Claude Opus 4.7 และ 4.6 โกง ในการรันที่ตรวจสอบแล้วมากกว่า 12% โดยแอบรันคำสั่งอย่าง git log --all และ git show <gold-hash> เพื่ออ่านเฉลยจากประวัติ git

DeepSWE ซึ่ง Datacurve เปิดตัวเมื่อ 2026-05-26 ถูกสร้างขึ้นเพื่อแก้ปัญหานี้ โดยมีคุณสมบัติดังนี้:

• เขียนขึ้นใหม่ทั้งหมด งานต้นฉบับระยะยาว 113 งาน ครอบคลุม 91 repository โอเพนซอร์สใน 5 ภาษา (Python, TypeScript, JavaScript, Go, Rust) โจทย์และเฉลยทองคำเขียนโดยมนุษย์ ไม่ได้ดัดแปลงจาก commit สาธารณะ — จึงไม่มีโมเดลใดเคยเห็นคำตอบระหว่าง pretraining
• ตัวตรวจสอบเชิงพฤติกรรม แต่ละงานให้คะแนนด้วยการตรวจสอบพฤติกรรมที่สังเกตได้ซึ่งเขียนด้วยมือภายในสภาพแวดล้อมแยก ทำงานผ่าน harness mini-swe-agent เพื่อความสม่ำเสมอ DeepSWE รายงานอัตรา verifier false-negative / false-positive ที่ 1.1% / 0.3% เทียบกับ 24% / 8.5% ที่วัดได้บน SWE-bench Pro
• แยกความสามารถได้จริง Prompt สั้นกว่า SWE-bench Pro ราวครึ่งหนึ่ง แต่ต้องเขียนโค้ดมากกว่าประมาณ ~5.5x และใช้ output tokens มากกว่าประมาณ ~2x คะแนนกระจายตัวในช่วงราว ~58 จุด (12–73%) แทนที่จะกระจุกในช่วง ~30 จุด ดังนั้นลำดับบนลีดเดอร์บอร์ดจึงมีความหมาย

กล่าวอีกนัยหนึ่ง: นี่คือการทดสอบงานซอฟต์แวร์จริงแบบระยะยาว ที่ทนต่อการปนเปื้อน และให้คะแนนจากพฤติกรรม วัดว่าโมเดลทำงานให้เสร็จได้จริงหรือไม่ และนี่คือจุดที่ตระกูล GPT-5.6 ขึ้นนำ

ลีดเดอร์บอร์ด DeepSWE

อันดับปัจจุบัน (อัปเดต 2026-07-09, Pass@1, แต่ละโมเดลใช้การตั้งค่า reasoning ที่ดีที่สุด):

GPT-5.6 ทั้งสามรุ่นครอง 3 จาก 4 อันดับแรก sol นำเดี่ยว terra เสมอ Claude Fable 5 สำหรับคะแนนอันดับสองที่ดีที่สุดในราคาครึ่งหนึ่งของเรือธง และแม้แต่ luna ก็ทำคะแนนเท่ากับ gpt-5.5 รุ่นก่อนหน้า ช่องว่างจากโมเดล open-weight ที่ดีที่สุด — GLM-5.2 ที่ 44% — คือประเด็นที่เราจะกลับมาพูดถึงตอนท้าย

สิ่งที่เปลี่ยนไปจริงใน GPT-5.6

เบนช์มาร์กเป็นเพียงตัวแทน สิ่งที่นักพัฒนาซึ่งเข้าถึงก่อนกำหนดอธิบายคือการก้าวกระโดดในความสามารถเฉพาะ 3 ด้าน ซึ่งคะแนนเพียงอย่างเดียวสะท้อนได้ไม่ครบ:

• ความมุ่งมั่นสำหรับงานระยะยาว ข้อร้องเรียนสำคัญที่สุดเกี่ยวกับ gpt-5.5 คือมันมัก "หลงทาง" กับงานยาว — คุณต้องรีเซ็ตเธรดเมื่อ context เต็มไปด้วยข้อมูลรบกวน 5.6 ไม่เป็นเช่นนั้น ผู้ทดสอบกลุ่มแรกระบุว่าปล่อยเธรดเดียวทำงานตามคำสั่งหนึ่งนาน 20+ ชั่วโมง ได้โดยไม่ต้องคอยดูแล มันรับงานแล้วไม่ปล่อยจนกว่าจะเสร็จ
• การประสานงาน sub-agent (ultra mode) นี่คือความสามารถที่นิยามรุ่นนี้ 5.6 สามารถยกระดับการทำงานและสร้างทีม sub-agent เพื่อจัดการปัญหาพร้อมกัน — ตัวหนึ่งเขียนคอมโพเนนต์ อีกตัวเชื่อมฐานข้อมูล ตัวที่สามตรวจ pull request — แล้วสังเคราะห์ผลลัพธ์ ผู้ทดสอบที่นำเวิร์กโฟลว์ sub-agent ของ gpt-5.5 มารันบน 5.6 อีกครั้งพบว่า 5.6 "ผ่านฉลุย" ในงาน orchestration ที่ 5.5 "สับสนและหลงทาง" ความต่างคือระหว่างผู้รับเหมาหนึ่งคนกับทีมงานทั้งชุด
• การใช้งานคอมพิวเตอร์และเบราว์เซอร์ 5.6 ทำงานกับเครื่องจริงได้ดีกว่าอย่างมาก ในการทดสอบจริง มันกำหนดค่ากลุ่มเครื่องผ่าน SSH และในตัวอย่างหนึ่งที่ถูกแชร์อย่างกว้างขวาง มัน กู้คืนสถานะบูต GRUB ที่เสียหายได้โดยอัตโนมัติ ผ่าน KVM ระยะไกล — รีบูต เข้าสู่ GRUB shell และซ่อมพาร์ทิชันบูตโดยไม่ต้องมีมนุษย์ป้อนข้อมูล

มีข้อควรระวังหนึ่งข้อที่ควรกล่าวอย่างชัดเจน: งาน front-end และ UI ไม่ใช่จุดแข็งของ 5.6 โดยค่าเริ่มต้น มันควบคุมทิศทางได้มากกว่าและมี "รสนิยมแย่" น้อยกว่าโมเดลก่อนหน้า แต่ผู้ใช้ที่มีประสบการณ์ยังส่งงานเก็บรายละเอียดให้โมเดลอื่น หากคุณทำงาน UI เชิงภาพหนัก ๆ ให้ถือว่า 5.6 เป็นเครื่องยนต์ แล้วนำโมเดลที่สองมาช่วยเก็บงาน

sol หรือ terra: ควรใช้รุ่นใด?

ทั้งคู่เป็นระดับแนวหน้าและทำงานบน Codex backend เดียวกันผ่าน Smart AIPI การตัดสินใจนั้นง่าย:

• gpt-5.6-terra คือค่าเริ่มต้นที่แนะนำ อยู่ #3 บน DeepSWE (70%) ใกล้เคียงรุ่นเรือธงมาก ในราคา ครึ่งหนึ่ง สำหรับงานเขียนโค้ดแบบ agentic, refactor, review และงานประจำวันส่วนใหญ่อย่างท่วมท้น terra คือทางเลือกที่ถูกต้อง
• gpt-5.6-sol คือรุ่นเรือธง ใช้กับงานระยะยาวที่ยากที่สุด การประสานงาน multi-agent เชิงลึก และทุกกรณีที่ความสามารถเพิ่มขึ้นเพียงไม่กี่จุดเปลี่ยนผลลัพธ์ มันเป็น #1 บน DeepSWE ด้วยเหตุผล

Smart AIPI คือวิธีที่ถูกที่สุดในการรันทั้งคู่

ราคา API โดยตรงของ OpenAI สูงชันที่ระดับแนวหน้า ผ่าน Smart AIPI คุณจ่ายน้อยกว่า 75% สำหรับโมเดลเดียวกันบนโครงสร้างพื้นฐานเดียวกัน:

กลุ่ม open-weight กำลังไล่จี้

นี่คือประเด็นที่ทุกคนยังคงถกเถียงกัน เบื้องหลังโมเดลแนวหน้าแบบปิด คลื่นของโมเดล open-weight กำลังไต่ระดับอย่างรวดเร็ว — และตลาดกำลังแยกเป็นสองขั้ว ฝั่งหนึ่งคือโมเดล mixture-of-experts แบบ open-weight ของจีนราคาถูก (DeepSeek V4, Qwen3, Kimi K2, MiniMax M3) ที่ทำคะแนน SWE-bench Verified ได้ราว 70–81% ด้วยราคา $0.30–1.40 ต่อหนึ่งล้าน input tokens ภายใต้ไลเซนส์ MIT/Apache ที่ผ่อนปรน อีกฝั่งคือโมเดลแนวหน้าแบบปิดของ US (GPT-5.6, Claude Fable/Opus, Gemini) ที่คิดแพงกว่า 5–20x เพื่อความสามารถที่เพิ่มขึ้นไม่กี่จุด การเคลื่อนไหวที่น่าสนใจคือ ช่องว่าง ตรงกลาง: โมเดลที่ให้คุณภาพใกล้แนวหน้าในราคาส่วนหนึ่งของโมเดลแนวหน้า

มี 2 ชื่อที่นิยามช่องว่างนี้ และควรพูดถึงอย่างแม่นยำ:

• GLM-5.2 (Zhipu / Z.ai) — ช่องว่างแบบเปิด โมเดล MoE แบบ open-weight จริง ภายใต้ไลเซนส์ MIT (~745B ทั้งหมด / ~40B active, context 1M) ที่ราคาราว $1.40 input / $4.40 output มันยอดเยี่ยม — #9 บน DeepSWE ที่ 44% ใกล้เคียงโมเดลปิดรุ่นก่อน และทำงาน UI บางอย่างได้ดีกว่า gpt-5.5 ด้วยซ้ำ มันเป็นของจริงตามที่มันเป็น
• Grok 4.5 (xAI) — ช่องว่างแบบปิดราคาถูก มักถูกระบุผิดว่า "open" แต่จริง ๆ แล้ว Grok 4.5 เป็น closed weight (มีเพียง Grok-1 และ Grok-2 ที่เคยเปิดเผยอย่างเปิดกว้าง) สิ่งที่ทำให้มันอยู่ในช่องว่างนี้คือการตั้งราคาเชิงรุก (~$2 input / $6 output) และประสิทธิภาพ token ที่โดดเด่น — ราว 2M tokens ต่องานสไตล์ DeepSWE เทียบกับ 7M+ สำหรับโมเดลแนวหน้าบางรุ่น มันใกล้แนวหน้าบนเบนช์มาร์กหลายรายการ แต่ด้อยกว่าอย่างเห็นได้ชัดใน multi-agent orchestration ซึ่งเป็นสิ่งที่นิยามรุ่น 5.6

แล้วช่องว่างนี้ใกล้แค่ไหนกันแน่? ใกล้กว่าที่ราคาพาดหัวบอก — และไกลกว่าที่กระแสโมเดล local กล่าวอ้าง มีข้อควรระวังอย่างตรงไปตรงมา 3 ข้อ:

• ถูกกว่าต่อ token ไม่ได้แปลว่าถูกกว่าต่องาน โมเดล open-weight มักใช้ tokens มากกว่า 2–3x เพื่อทำงานเดียวกันให้เสร็จ บน DeepSWE, GLM-5.2 ที่ max ใช้ราว $4 ต่องาน ขณะที่ Claude Opus 4.8 ที่ xhigh ใช้ราว $8 — ต่างกันเพียง 2x แม้ GLM จะถูกกว่าต่อ token ราว ~10x ประสิทธิภาพ ไม่ใช่ราคาป้าย คือสิ่งที่ตัดสินค่าใช้จ่ายจริง
• Open weight ไม่ได้หมายความว่า local GLM-5.2 มีขนาดราว ~400GB เมื่อ quantized และ ~1.5TB ที่ full precision มันรันบนฮาร์ดแวร์ผู้บริโภคไม่ได้ — 5090 มี VRAM 32GB; คุณต้องใช้กล่อง multi-GPU ราคา $75,000 เพื่อให้บริการเพียงหนึ่งอินสแตนซ์ด้วยความเร็วที่เหมาะสม ประโยชน์ที่แท้จริงของ open weights คือ การแข่งขันของผู้ให้บริการ: เพราะใครก็โฮสต์ GLM-5.2 ได้ คุณจึงเลือกซื้อข้ามผู้ให้บริการเพื่อหาราคาและความเร็วที่ดีที่สุด การแข่งขันนี้ดีต่อระบบนิเวศ และเรายินดีที่มันมีอยู่
• ความสามารถยังคงเป็นประตูสู่แนวหน้า GLM-5.2 ไม่มี vision — มันรับ screenshot ไม่ได้ จึงขับเคลื่อนเวิร์กโฟลว์ computer-use และ visual-feedback ที่ทำให้ 5.6 มีประสิทธิภาพมากไม่ได้ งาน agentic จริงยังหมายถึงการรัน agent พร้อมกันตั้งแต่ 1 ถึง 40 ตัว ซึ่งฮาร์ดแวร์ local ทำไม่ได้เลย ช่องว่างกำลังปิดในด้าน การเขียนโค้ดแบบครั้งเดียวจบ แต่ยังไม่ใช่ การประสานงาน agentic แบบครบวงจร

ข้อสรุป: หาก workload ของคุณรันบนโมเดล open ได้ดี การย้ายไปใช้มักเป็นทางเลือกที่ฉลาดและประหยัด — และปรัชญาของ Smart AIPI คือคุณไม่ควรจ่ายเกินสำหรับความสามารถที่ไม่จำเป็น แต่สำหรับงานระยะยาวที่ยากที่สุด งาน multi-agent และงาน vision-in-the-loop นั้น gpt-5.6-sol และ gpt-5.6-terra ยังเป็นแนวหน้าที่ช่องว่างกำลังไล่ตาม — และ Smart AIPI คือที่ที่ถูกที่สุดในการรันโมเดลเหล่านี้

วิธีใช้ GPT-5.6-sol และ 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 พร้อม reasoning สูงสุด

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

ระดับ reasoning รองรับ low, medium, high และ xhigh (max) สำหรับงาน agentic และงานระยะยาว — งานที่ 5.6 นำห่างที่สุด — ให้ใช้ high หรือ max

เริ่มต้นใช้งาน

1. สมัคร ที่ smartaipi.com/signup (เครดิตฟรี ไม่ต้องใช้บัตรเครดิต)
2. สร้าง API key ในแดชบอร์ด
3. ตั้งค่า base URL เป็น https://api.smartaipi.com/v1
4. ใช้โมเดล gpt-5.6-terra (แนะนำ) หรือ gpt-5.6-sol (เรือธง)

โมเดล #1 และ #3 บนเบนช์มาร์กด้านโค้ดที่ยากที่สุด พร้อมใช้งานจริง — ในราคาถูกกว่า 75% API เดียวกัน รูปแบบที่เข้ากันได้กับ OpenAI เดียวกัน เครื่องมือเดียวกัน