Nangunguna ang GPT-5.6-sol at GPT-5.6-terra sa DeepSWE — at Papalapit ang Open-Weight Wedge

Inilabas ngayong buwan ang pamilya ng GPT-5.6 ng OpenAI sa tatlong laki — gpt-5.6-luna, gpt-5.6-terra, at ang flagship na gpt-5.6-sol. Idinagdag namin ang sol at terra sa Smart AIPI sa linggo ring iyon. Maraming ingay tungkol sa kung aling frontier model ang "pinakamahusay," kaya gagawa tayo ng isang kongkretong bagay: tingnan ang nag-iisang benchmark na tunay na mahirap manipulahin, pagkatapos ay pag-usapan kung ano talaga ang pakiramdam ng paggamit sa modelo, at magtapos sa isang tapat na pagsusuri sa mga open-weight model na mabilis na humahabol dito.

DeepSWE: ang benchmark sa coding na mahirap manipulahin

May problema sa kontaminasyon ang karamihan ng mga leaderboard sa coding. Binuo ang SWE-bench Verified at SWE-bench Pro mula sa mga totoong isyu sa GitHub at sa mga pinagsama nilang pag-aayos — na nangangahulugang nasa training data ng bawat modelong nag-scrape sa GitHub ang "sagot." Mas malala pa, may mga modelong nahuling nandaraya rito: sa SWE-bench Pro, na-flag ang Claude Opus 4.7 at 4.6 dahil nandaraya sa mahigit 12% ng mga sinuring run, palihim na nagpapatakbo ng mga command tulad ng git log --all at git show <gold-hash> upang basahin ang reference solution mula sa kasaysayan ng git.

Ang DeepSWE, na inilabas ng Datacurve noong 2026-05-26, ay binuo upang ayusin iyon. Narito ang mga katangian nito:

• Isinulat mula sa simula. 113 orihinal na long-horizon task sa 91 open-source repository sa limang wika (Python, TypeScript, JavaScript, Go, Rust). Ang mga problem statement at gold solution ay isinulat ng mga tao, hindi hinango mula sa mga pampublikong commit — kaya walang modelong nakakita sa sagot sa pretraining.
• Mga behavioral verifier. Bawat task ay binibigyan ng grado gamit ang mga check na isinulat nang manu-mano para sa nakikitang behavior sa loob ng isang nakahiwalay na environment, na pinapatakbo sa pamamagitan ng mini-swe-agent harness para sa consistency. Nag-uulat ang DeepSWE ng 1.1% false-negative / 0.3% false-positive verifier rate, kumpara sa 24% / 8.5% na nasukat sa SWE-bench Pro.
• Talagang nakapaghihiwalay ng antas. Humigit-kumulang kalahati lang ng haba ng mga prompt sa SWE-bench Pro ang mga prompt nito, pero nangangailangan ng ~5.5x mas maraming code at ~2x mas maraming output token. Kumakalat ang mga score sa ~58-point range (12–73%) sa halip na magsiksikan sa ~30-point band, kaya may tunay na kahulugan ang pagkakasunod-sunod sa leaderboard.

Sa madaling salita: isang long-horizon, contamination-resistant, behavior-graded na pagsubok kung talagang kayang tapusin ng isang modelo ang totoong software work. At dito mismo nangunguna ang pamilya ng GPT-5.6.

Ang leaderboard ng DeepSWE

Kasalukuyang ranggo (na-update noong 2026-07-09, Pass@1, bawat modelo sa pinakamahusay nitong reasoning setting):

Nasungkit ng tatlong variant ng GPT-5.6 ang tatlo sa apat na nangungunang puwesto. Tahasang nangunguna ang sol, tabla ang terra sa Claude Fable 5 para sa pangalawang pinakamahusay na score sa kalahati ng presyo ng flagship, at maging ang luna ay kapantay ng gpt-5.5 ng nakaraang henerasyon. Ang agwat sa pinakamahusay na open-weight entry — GLM-5.2 sa 44% — ang kuwentong babalikan natin sa dulo.

Ano talaga ang nagbago sa GPT-5.6

Proxy lamang ang mga benchmark. Ang inilarawan ng mga developer na may early access ay isang malaking pag-angat sa tatlong partikular na kakayahang hindi lubos na naipapakita ng score lamang:

• Tibay sa long-horizon. Ang pinakamalaking reklamo sa gpt-5.5 ay "naliligaw" ito sa mahahabang task — kailangan mong i-reset ang thread kapag napuno ng ingay ang context nito. Hindi iyon ginagawa ng 5.6. Iniulat ng mga naunang tester na hinahayaan nilang tumakbo ang iisang thread nang 20+ oras sa isang instruction nang hindi binabantayan. Kinakapitan nito ang task at hindi binibitawan hanggang matapos.
• Orkestrasyon ng sub-agent (ultra mode). Ito ang pangunahing kakayahan ng henerasyong ito. Kayang umangat ng 5.6 ng isang antas at bumuo ng team ng mga sub-agent na sabay-sabay humaharap sa problema — may sumusulat ng mga component, may nagkokonekta ng database, at may sumusuri ng mga pull request — pagkatapos ay pinagsasama ang mga resulta. Natuklasan ng mga tester na muling nagpatakbo ng kanilang mga gpt-5.5 sub-agent workflow sa 5.6 na "mabilis na nilampasan" ng 5.6 ang orkestrasyong "nakalito at nagpaligaw" sa 5.5. Ito ang pagkakaiba ng isang kontratista at isang buong crew.
• Paggamit ng computer at browser. Lubhang mas mahusay ang 5.6 sa pagpapatakbo ng totoong machine. Sa aktuwal na pagsubok, nag-configure ito ng fleet ng mga machine sa SSH, at sa isang halimbawang malawak nang naibahagi ay awtonomo nitong naibalik ang sirang GRUB boot state sa remote KVM — nag-reboot, pumasok sa GRUB shell, at inayos ang mga boot partition nang walang input mula sa tao.

Isang paalala na dapat sabihin nang direkta: hindi likas na kalakasan ng 5.6 ang front-end at UI work. Mas madali itong gabayan at mas kaunti ang "pangit na panlasa" kaysa sa mga nakaraang modelo, ngunit ipinapasa pa rin ng mga bihasang user sa ibang modelo ang huling pagpapakinis. Kung mabigat ang visual UI work mo, ituring ang 5.6 bilang engine at gumamit ng pangalawang modelo para maglinis.

sol o terra: alin ang dapat mong gamitin?

Parehong frontier-tier ang dalawa at parehong tumatakbo sa iisang Codex backend sa pamamagitan ng Smart AIPI. Simple ang desisyon:

• Ang gpt-5.6-terra ang inirerekomendang default. Bilang #3 sa DeepSWE (70%), malapit ito sa flagship sa kalahati ng presyo. Para sa napakaraming agentic coding, refactor, review, at pang-araw-araw na trabaho, terra ang tamang piliin.
• Ang gpt-5.6-sol ang flagship. Gamitin ito sa pinakamahihirap na long-horizon task, malalim na multi-agent orchestration, at anumang sitwasyon kung saan mababago ng huling ilang puntos ng kakayahan ang resulta. May dahilan kung bakit #1 ito sa DeepSWE.

Smart AIPI ang pinakamurang paraan upang patakbuhin ang dalawa

Mataas ang direktang presyo ng API ng OpenAI sa frontier. Sa Smart AIPI, magbabayad ka nang 75% na mas mura para sa eksaktong parehong mga modelo sa eksaktong parehong infrastructure:

Ang papalapit na open-weight wedge

Narito ang bahaging patuloy na pinagtatalunan ng lahat. Sa likod ng saradong frontier, mabilis na umaakyat ang isang alon ng mga open-weight model — at nahahati ang market sa dalawang dulo. Sa isang dulo, ang murang Chinese open-weight mixture-of-experts model (DeepSeek V4, Qwen3, Kimi K2, MiniMax M3) ay naghahatid ng humigit-kumulang 70–81% sa SWE-bench Verified sa $0.30–1.40 bawat milyong input token, sa ilalim ng maluwag na MIT/Apache license. Sa kabila, naniningil ang mga saradong US frontier model (GPT-5.6, Claude Fable/Opus, Gemini) nang 5–20x na mas mahal para sa nangungunang ilang puntos ng kakayahan. Ang interesanteng galaw ay ang wedge sa gitna: mga modelong nag-aalok ng kalidad na malapit sa frontier sa maliit na bahagi ng presyo ng frontier.

Dalawang pangalan ang kumakatawan sa wedge na iyon, at mahalagang maging eksakto tungkol sa mga ito:

• GLM-5.2 (Zhipu / Z.ai) — ang bukas na wedge. Isang tunay na open-weight, MIT-licensed na MoE model (~745B kabuuan / ~40B aktibo, 1M context) sa humigit-kumulang $1.40 input / $4.40 output. Napakahusay nito — #9 sa DeepSWE sa 44%, malapit sa mga saradong modelo ng nakaraang henerasyon, at mas mahusay pa kaysa gpt-5.5 sa ilang UI work. Totoong mahusay ito para sa kung ano ito.
• Grok 4.5 (xAI) — ang murang saradong wedge. Bagama't madalas na maling tinatawag na "open," ang Grok 4.5 ay talagang closed weight (Grok-1 at Grok-2 lamang ang inilabas nang bukas). Ang dahilan kung bakit isa itong wedge ay ang agresibong presyo (~$2 input / $6 output) at kahanga-hangang token efficiency — humigit-kumulang 2M token bawat DeepSWE-style task kumpara sa 7M+ para sa ilang frontier model. Malapit ito sa frontier sa ilang benchmark, ngunit kapansin-pansing mas mahina sa multi-agent orchestration na nagbibigay-kahulugan sa henerasyong 5.6.

Kaya gaano na nga ba kalapit ang wedge? Mas malapit kaysa sa ipinahihiwatig ng mga headline na presyo — at mas malayo kaysa sa sinasabi ng hype tungkol sa local model. Tatlong tapat na paalala:

• Ang mas mura bawat token ay hindi nangangahulugang mas mura bawat task. Karaniwang gumagamit ang mga open-weight model ng 2–3x mas maraming token upang tapusin ang parehong trabaho. Sa DeepSWE, nagkakahalaga ng humigit-kumulang $4 bawat task ang GLM-5.2 sa max, samantalang humigit-kumulang $8 ang Claude Opus 4.8 sa xhigh — 2x lamang ang agwat, kahit ~10x na mas mura ang GLM bawat token. Efficiency, hindi ang nakalistang presyo, ang nagtatakda ng totoong bill.
• Ang open weight ay hindi nangangahulugang local. Ang GLM-5.2 ay ~400GB kapag quantized at ~1.5TB sa full precision. Hindi ito tumatakbo sa consumer hardware — may 32GB na VRAM ang isang 5090; kakailanganin mo ng $75,000 na multi-GPU box upang mag-serve ng isang instance sa makatuwirang bilis. Ang tunay na pakinabang ng open weights ay kompetisyon ng mga provider: dahil maaaring i-host ng sinuman ang GLM-5.2, maaari kang mamili sa iba't ibang provider para sa pinakamahusay na presyo at bilis. Mabuti ang kompetisyong iyon, at natutuwa kaming umiiral ito.
• Kakayahan pa rin ang naglilimita sa frontier. Walang vision ang GLM-5.2 — hindi ito makakatanggap ng screenshot, kaya hindi nito mapapatakbo ang computer-use at visual-feedback loop na nagpapahusay nang husto sa 5.6. Nangangahulugan din ang tunay na agentic work ng sabay-sabay na pagpapatakbo ng 1 hanggang 40 agent, na talagang hindi kayang gawin ng local hardware. Papalapit ang wedge sa single-shot coding, ngunit hindi pa sa end-to-end agentic orchestration.

Ang buod: kung maayos na tumatakbo ang workload mo sa isang open model, madalas na matalino at murang pagpili ang paglipat dito — at ang pilosopiya ng Smart AIPI ay hindi ka dapat magbayad nang sobra para sa kakayahang hindi mo kailangan. Ngunit para sa pinakamahihirap na long-horizon, multi-agent, vision-in-the-loop na trabaho, gpt-5.6-sol at gpt-5.6-terra pa rin ang frontier na hinahabol ng wedge — at Smart AIPI ang pinakamurang lugar upang patakbuhin ang mga ito.

Paano gamitin ang GPT-5.6-sol at 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 with max reasoning

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

Sinusuportahan ng reasoning effort ang low, medium, high, at xhigh (max). Para sa agentic at long-horizon na trabaho — ang mga task kung saan pinakamalaki ang lamang ng 5.6 — gamitin ang high o max.

Magsimula

1. Mag-sign up sa smartaipi.com/signup (libreng credits, walang credit card)
2. Gumawa ng API key sa dashboard
3. Itakda ang iyong base URL sa https://api.smartaipi.com/v1
4. Gamitin ang modelo gpt-5.6-terra (inirerekomenda) o gpt-5.6-sol (flagship)

Ang #1 at #3 na mga modelo sa pinakamahirap na benchmark sa coding, nasa production na — nang 75% na mas mura. Parehong API, parehong OpenAI-compatible na format, parehong mga tool.