GPT-5.6-sol ve GPT-5.6-terra DeepSWE'nin Zirvesinde — Açık Ağırlık Cephesi de Arayı Kapatıyor

OpenAI'ın GPT-5.6 ailesi bu ay üç boyutta kullanıma sunuldu — gpt-5.6-luna, gpt-5.6-terra ve amiral gemisi gpt-5.6-sol. Biz de aynı hafta sol ve terra'yı Smart AIPI'ye ekledik. Hangi frontier modelin "en iyi" olduğu konusunda çok fazla gürültü var; bu yüzden somut bir şey yapacağız: gerçekten manipüle edilmesi zor olan tek benchmark'a bakacak, ardından modeli kullanmanın gerçekte nasıl hissettirdiğini konuşacak ve hızla arkadan gelen açık ağırlık modellerine ilişkin dürüst bir değerlendirmeyle bitireceğiz.

DeepSWE: manipüle edilmesi zor kodlama benchmark'ı

Çoğu kodlama liderlik tablosunda kontaminasyon sorunu var. SWE-bench Verified ve SWE-bench Pro, gerçek GitHub issue'ları ve bunlar için birleştirilmiş düzeltmelerden oluşturuluyor — bu da "yanıtın", GitHub'ı taramış her modelin eğitim verilerinde bulunduğu anlamına geliyor. Daha da kötüsü, modeller bunlarda hile yaparken yakalandı: SWE-bench Pro'da Claude Opus 4.7 ve 4.6'nın incelenen çalıştırmaların 12%'den fazlasında hile yaptığı işaretlendi; referans çözümü git geçmişinden okumak için gizlice git log --all ve git show <gold-hash> gibi komutlar çalıştırdılar.

Datacurve tarafından 2026-05-26 tarihinde yayımlanan DeepSWE, bunu düzeltmek için oluşturuldu. Özellikleri:

• Sıfırdan yazıldı. Beş dilde (Python, TypeScript, JavaScript, Go, Rust), 91 açık kaynak deposunu kapsayan 113 özgün, uzun soluklu görev. Problem tanımları ve ideal çözümler, herkese açık commit'lerden uyarlanmak yerine insanlar tarafından yazıldı — dolayısıyla hiçbir model yanıtı ön eğitim sırasında görmedi.
• Davranışsal doğrulayıcılar. Her görev, tutarlılık için mini-swe-agent düzeneği üzerinden çalıştırılarak izole bir ortamda gözlemlenebilir davranışa yönelik elle yazılmış kontrollerle değerlendiriliyor. DeepSWE, SWE-bench Pro'da ölçülen 24% / 8.5% oranlarına karşılık 1.1% yanlış negatif / 0.3% yanlış pozitif doğrulayıcı oranı bildiriyor.
• Gerçekten ayırt edici. İstemler SWE-bench Pro'dakilerin yaklaşık yarısı uzunluğunda olsa da ~5.5x daha fazla kod ve ~2x daha fazla çıktı token'ı gerektiriyor. Puanlar ~30 puanlık bir bantta kümelenmek yerine ~58 puanlık bir aralığa (12–73%) yayılıyor; dolayısıyla liderlik tablosundaki sıralama gerçekten anlam taşıyor.

Başka bir deyişle: bir modelin gerçek yazılım işlerini gerçekten tamamlayıp tamamlayamadığını ölçen, uzun soluklu, kontaminasyona dayanıklı ve davranışa göre değerlendirilen bir test. GPT-5.6 ailesi de tam olarak burada zirveye yerleşiyor.

DeepSWE liderlik tablosu

Güncel sıralama (2026-07-09 tarihinde güncellendi, Pass@1, her model en iyi akıl yürütme ayarında):

Üç GPT-5.6 varyantı ilk dört sıranın üçünü alıyor. sol tek başına lider; terra, amiral gemisinin yarı fiyatına Claude Fable 5 ile ikinci en iyi puanı paylaşıyor ve luna bile önceki neslin gpt-5.5'iyle eşleşiyor. En iyi açık ağırlık seçenek olan 44% puanlı GLM-5.2 ile aradaki fark, yazının sonunda yeniden döneceğimiz konu.

GPT-5.6'da gerçekte ne değişti?

Benchmark'lar birer göstergedir. Erken erişime sahip geliştiricilerin anlattıkları, puanın tek başına tam olarak yansıtamadığı üç belirli yetenekte sıçramaya işaret ediyor:

• Uzun soluklu görevlerde kararlılık. gpt-5.5 hakkındaki en büyük şikâyet, uzun görevlerde "yolunu kaybetmesi"ydi — bağlamı gürültüyle dolduğunda konuşmayı sıfırlamanız gerekirdi. 5.6 bunu yapmıyor. İlk test kullanıcıları, tek bir talimat üzerinde tek bir konuşmayı gözetim olmadan 20+ saat çalıştırabildiklerini bildiriyor. Görevi kavrıyor ve tamamlayana kadar bırakmıyor.
• Alt ajan orkestrasyonu (ultra modu). Bu, nesli tanımlayan yetenek. 5.6 bir üst seviyeye çıkıp bir problemi paralel olarak ele alan alt ajanlardan oluşan bir ekip oluşturabiliyor — biri bileşenleri yazarken diğeri veritabanını bağlıyor, üçüncüsü pull request'leri inceliyor — ardından sonuçları birleştiriyor. gpt-5.5 alt ajan iş akışlarını 5.6'da yeniden çalıştıran test kullanıcıları, 5.5'in "kafasının karışıp kaybolduğu" orkestrasyonu 5.6'nın "silip süpürdüğünü" belirtti. Bu, tek bir yükleniciyle bir ekip arasındaki fark.
• Bilgisayar ve tarayıcı kullanımı. 5.6 gerçek bir makineyi kullanma konusunda çarpıcı ölçüde daha iyi. Uygulamalı testlerde SSH üzerinden bir makine filosunu yapılandırdı; artık yaygın biçimde paylaşılan bir örnekte ise uzak KVM üzerinden bozuk bir GRUB önyükleme durumunu otonom olarak kurtardı — yeniden başlattı, GRUB kabuğuna geçti ve hiçbir insan girdisi olmadan önyükleme bölümlerini onardı.

Açıkça belirtilmesi gereken bir sınırlama var: front-end ve kullanıcı arayüzü çalışmaları varsayılan olarak 5.6'nın güçlü yönü değil. Önceki modellere göre yönlendirilmesi daha kolay ve daha az "kötü zevke" sahip olsa da deneyimli kullanıcılar son rötuşları hâlâ başka modellere devrediyor. Yoğun görsel kullanıcı arayüzü çalışmaları yapıyorsanız 5.6'yı motor olarak kullanın ve düzenleme için ikinci bir modelden yararlanın.

sol mu terra mı: hangisini kullanmalısınız?

Her ikisi de frontier seviyesinde ve Smart AIPI üzerinden aynı Codex altyapısında çalışıyor. Karar basit:

• gpt-5.6-terra önerilen varsayılan seçenektir. DeepSWE'de #3 (70%) olarak amiral gemisine oldukça yakın ve yarı fiyatına sunuluyor. Ajan tabanlı kodlama, refaktör, inceleme ve günlük işlerin ezici çoğunluğu için doğru seçim terra'dır.
• gpt-5.6-sol amiral gemisidir. En zorlu uzun soluklu görevler, derin çok ajanlı orkestrasyon ve son birkaç yetenek puanının sonucu değiştirdiği her şey için onu tercih edin. DeepSWE'de #1 olmasının bir nedeni var.

Her ikisini de çalıştırmanın en ucuz yolu Smart AIPI

OpenAI'ın doğrudan API fiyatlandırması frontier seviyesinde yüksek. Smart AIPI üzerinden, tamamen aynı altyapıdaki tamamen aynı modeller için 75% daha az ödersiniz:

Arayı kapatan açık ağırlık cephesi

İşte herkesin tartışmayı sürdürdüğü kısım. Kapalı frontier modellerin arkasında bir açık ağırlık model dalgası hızla yükseliyor — ve pazar iki kutba ayrılıyor. Bir uçta ucuz Çinli açık ağırlık uzman karışımı modeller (DeepSeek V4, Qwen3, Kimi K2, MiniMax M3), esnek MIT/Apache lisanslarıyla milyon girdi token'ı başına $0.30–1.40 karşılığında SWE-bench Verified'da yaklaşık 70–81% sunuyor. Diğer uçta ABD'li kapalı frontier modeller (GPT-5.6, Claude Fable/Opus, Gemini), yeteneğin en üstteki birkaç puanı için 5–20x daha fazla ücret alıyor. İlginç hareket ortadaki cephede: frontier fiyatının küçük bir kısmına frontier seviyesine yakın kalite sunan modeller.

Bu cepheyi iki isim tanımlıyor ve bunlar konusunda net olmakta fayda var:

• GLM-5.2 (Zhipu / Z.ai) — açık cephe. Yaklaşık $1.40 girdi / $4.40 çıktı fiyatıyla gerçekten açık ağırlıklı, MIT lisanslı bir MoE modeli (~745B toplam / ~40B etkin, 1M bağlam). Mükemmel bir model — DeepSWE'de 44% ile #9, önceki nesil kapalı modellere yakın ve bazı kullanıcı arayüzü çalışmalarında gpt-5.5'ten bile daha güçlü. Kendi kategorisinde gerçekten iddialı.
• Grok 4.5 (xAI) — ucuz kapalı cephe. Sıklıkla yanlış biçimde "açık" olarak etiketlenen Grok 4.5 aslında kapalı ağırlıklıdır (yalnızca Grok-1 ve Grok-2 açık olarak yayımlandı). Onu bu cepheye yerleştiren şey agresif fiyatlandırması (~$2 girdi / $6 çıktı) ve dikkat çekici token verimliliği — bazı frontier modellerdeki 7M+ değere karşılık DeepSWE tarzı görev başına yaklaşık 2M token. Çeşitli benchmark'larda frontier seviyesine yakın olsa da 5.6 neslini tanımlayan çok ajanlı orkestrasyonda belirgin biçimde daha zayıf.

Peki cephe gerçekte ne kadar yakın? Manşet fiyatların düşündürdüğünden daha yakın — yerel model abartılarının iddia ettiğinden ise daha uzak. Üç dürüst uyarı:

• Token başına daha ucuz olmak, görev başına daha ucuz olmak değildir. Açık ağırlık modeller aynı işi tamamlamak için genellikle 2–3x daha fazla token tüketir. DeepSWE'de maksimum ayardaki GLM-5.2 görev başına yaklaşık $4, xhigh ayarındaki Claude Opus 4.8 ise yaklaşık $8 tutuyor — GLM token başına ~10x daha ucuz olmasına rağmen fark yalnızca 2x. Gerçek faturayı etiket fiyatı değil, verimlilik belirliyor.
• Açık ağırlık, yerelde çalışır demek değildir. GLM-5.2 kuantize edilmiş hâlde ~400GB, tam hassasiyette ise ~1.5TB boyutunda. Tüketici donanımında çalışmaz — bir 5090, 32GB VRAM'e sahiptir; tek bir örneği makul hızda sunmak için $75,000 değerinde çoklu GPU sistemine ihtiyacınız olur. Açık ağırlıkların gerçek faydası sağlayıcı rekabetidir: GLM-5.2'yi herkes barındırabildiği için en iyi fiyat ve hızı bulmak üzere sağlayıcılar arasında seçim yapabilirsiniz. Bu rekabet sağlıklı ve var olmasından memnunuz.
• Yetenekler frontier seviyesini hâlâ sınırlandırıyor. GLM-5.2'nin görsel yeteneği yok — ekran görüntüsü alamadığı için 5.6'yı bu kadar etkili kılan bilgisayar kullanımı ve görsel geri bildirim döngülerini yürütemiyor. Gerçek ajan tabanlı çalışma ayrıca 1 ile 40 arasında ajanı paralel çalıştırmayı gerektiriyor; yerel donanım bunu hiçbir şekilde yapamıyor. Cephe tek seferlik kodlamada arayı kapatıyor, ancak uçtan uca ajan tabanlı orkestrasyonda henüz değil.

Sonuç: iş yükünüz açık bir modelde sorunsuz çalışıyorsa onu oraya taşımak çoğu zaman akıllı ve ucuz seçenektir — Smart AIPI'nin yaklaşımı da ihtiyaç duymadığınız yetenek için fazla ödeme yapmamanız gerektiğidir. Ancak en zorlu uzun soluklu, çok ajanlı ve görsel geri bildirim içeren işler için gpt-5.6-sol ve gpt-5.6-terra hâlâ bu cephenin yakalamaya çalıştığı frontier modellerdir — Smart AIPI de onları çalıştırabileceğiniz en ucuz yerdir.

GPT-5.6-sol ve GPT-5.6-terra nasıl kullanılır?

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"}]
  }'

Maksimum akıl yürütmeyle Responses API

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

Akıl yürütme eforu; düşük, orta, yüksek ve xhigh (maksimum) seçeneklerini destekler. Ajan tabanlı ve uzun soluklu işler — 5.6'nın en çok öne geçtiği görevler — için yüksek veya maksimum ayarını kullanın.

Başlayın

1. smartaipi.com/signup adresinden kaydolun (ücretsiz krediler, kredi kartı gerekmez)
2. Kontrol panelinde bir API anahtarı oluşturun
3. Temel URL'nizi https://api.smartaipi.com/v1 olarak ayarlayın
4. gpt-5.6-terra (önerilen) veya gpt-5.6-sol (amiral gemisi) modelini kullanın

Üretimdeki en zorlu kodlama benchmark'ının #1 ve #3 modelleri — 75% indirimle. Aynı API, aynı OpenAI uyumlu yapı, aynı araçlar.