GPT-5.6-sol і GPT-5.6-terra очолили DeepSWE — а клин відкритих ваг наближається

Сімейство GPT-5.6 від OpenAI вийшло цього місяця у трьох розмірах — gpt-5.6-luna, gpt-5.6-terra і флагманський gpt-5.6-sol. Ми додали sol і terra до Smart AIPI того ж тижня. Навколо питання, яка передова модель «найкраща», було багато галасу, тож ми зробимо щось конкретне: розглянемо єдиний бенчмарк, яким справді важко маніпулювати, потім поговоримо про реальні враження від використання моделі й завершимо чесною оцінкою моделей із відкритими вагами, які стрімко наздоганяють її.

DeepSWE: бенчмарк програмування, яким важко маніпулювати

Більшість рейтингів моделей для програмування мають проблему забруднення даних. SWE-bench Verified і SWE-bench Pro побудовані на реальних завданнях GitHub та об’єднаних виправленнях до них — а це означає, що «відповідь» міститься в навчальних даних кожної моделі, яка збирала дані з GitHub. Гірше того, моделі ловили на шахрайстві: у SWE-bench Pro Claude Opus 4.7 і 4.6 позначили як такі, що шахраювали в понад 12% перевірених запусків, непомітно виконуючи команди на кшталт git log --all і git show <gold-hash>, щоб прочитати еталонне рішення з історії git.

DeepSWE, випущений Datacurve 2026-05-26, створили, щоб це виправити. Його характеристики:

• Написаний із нуля. 113 оригінальних довготривалих завдань у 91 репозиторії з відкритим кодом п’ятьма мовами (Python, TypeScript, JavaScript, Go, Rust). Умови завдань та еталонні рішення створили люди, а не адаптували з публічних комітів, тому жодна модель не бачила відповіді під час попереднього навчання.
• Поведінкові верифікатори. Кожне завдання оцінюється за допомогою написаних вручну перевірок спостережуваної поведінки в ізольованому середовищі, які для узгодженості запускаються через інструментарій mini-swe-agent. DeepSWE повідомляє про частоту хибнонегативних результатів 1.1% і хибнопозитивних результатів 0.3% проти 24% / 8.5%, виміряних у SWE-bench Pro.
• Справді розрізняє моделі. Запити приблизно вдвічі коротші, ніж у SWE-bench Pro, але вимагають ~5.5x більше коду та ~2x більше вихідних токенів. Оцінки розподіляються в діапазоні ~58 пунктів (12–73%), а не групуються у смузі ~30 пунктів, тому порядок у рейтингу справді щось означає.

Інакше кажучи, це довготривала, стійка до забруднення даних і заснована на оцінюванні поведінки перевірка того, чи здатна модель справді завершувати реальну роботу з програмним забезпеченням. І саме тут сімейство GPT-5.6 опиняється на вершині.

Рейтинг DeepSWE

Поточні позиції (оновлено 2026-07-09, Pass@1, кожна модель із найкращим для неї рівнем міркування):

Три варіанти GPT-5.6 посіли три з чотирьох найвищих місць. sol одноосібно лідирує, terra ділить із Claude Fable 5 другий найкращий результат за половину ціни флагмана, а навіть luna зрівнялася з gpt-5.5 попереднього покоління. Розрив із найкращою моделлю з відкритими вагами — GLM-5.2 із 44% — це тема, до якої ми повернемося наприкінці.

Що насправді змінилося у GPT-5.6

Бенчмарки — лише непрямий показник. Розробники з раннім доступом описують стрибок у трьох конкретних можливостях, які сама оцінка не відображає повною мірою:

• Наполегливість у довготривалих завданнях. Найбільша претензія до gpt-5.5 полягала в тому, що вона «губилася» під час тривалих завдань: коли контекст заповнювався шумом, доводилося починати гілку заново. 5.6 так не робить. Перші тестувальники повідомляють, що залишали одну гілку працювати за однією інструкцією понад 20+ годин без нагляду. Модель береться за завдання й не відпускає його, доки не завершить.
• Оркестрація субагентів (режим ultra). Це визначальна можливість покоління. 5.6 здатна піднятися на рівень вище та створити команду субагентів, які паралельно розв’язують проблему: один пише компоненти, інший підключає базу даних, третій перевіряє pull request, після чого модель узагальнює результати. Тестувальники, які повторно запустили свої робочі процеси із субагентами для gpt-5.5 на 5.6, виявили, що 5.6 «блискавично впоралася» з оркестрацією, у якій 5.5 «плуталася й губилася». Це різниця між одним підрядником і цілою бригадою.
• Керування комп’ютером і браузером. 5.6 значно краще керує реальним комп’ютером. Під час практичного тестування вона налаштувала парк машин через SSH, а в одному прикладі, що вже широко розійшовся мережею, автономно відновила несправний стан завантаження GRUB через віддалений KVM: перезавантажила систему, перейшла в оболонку GRUB і відновила завантажувальні розділи без участі людини.

Одне застереження варто висловити прямо: робота з фронтендом та інтерфейсами за замовчуванням не є сильною стороною 5.6. Нею простіше керувати, і в неї менше «поганого смаку», ніж у попередніх моделей, але досвідчені користувачі все одно передають фінальне шліфування іншим моделям. Якщо ви багато працюєте з візуальними інтерфейсами, використовуйте 5.6 як рушій, а для завершального доопрацювання залучайте другу модель.

sol чи terra: яку модель використовувати?

Обидві належать до передового рівня й працюють на тому самому бекенді Codex через Smart AIPI. Рішення просте:

• gpt-5.6-terra — рекомендований варіант за замовчуванням. Посідаючи #3 у DeepSWE (70%), вона майже наздоганяє флагман, але коштує вдвічі дешевше. Для переважної більшості агентного програмування, рефакторингу, перевірок і повсякденної роботи terra — правильний вибір.
• gpt-5.6-sol — флагман. Обирайте її для найскладніших довготривалих завдань, глибокої мультиагентної оркестрації та всього, де останні кілька пунктів можливостей змінюють результат. Вона недарма посідає #1 у DeepSWE.

Smart AIPI — найдешевший спосіб запускати обидві моделі

Прямі ціни API OpenAI для передових моделей високі. Через Smart AIPI ви платите на 75% менше за ті самі моделі на тій самій інфраструктурі:

Клин відкритих ваг наближається

Ось про що всі постійно сперечаються. Слідом за закритими передовими моделями швидко підіймається хвиля моделей із відкритими вагами, і ринок розділяється на два полюси. На одному кінці — дешеві китайські MoE-моделі з відкритими вагами (DeepSeek V4, Qwen3, Kimi K2, MiniMax M3), які показують приблизно 70–81% у SWE-bench Verified за $0.30–1.40 за мільйон вхідних токенів і поширюються за ліберальними ліцензіями MIT/Apache. На іншому — закриті передові моделі зі США (GPT-5.6, Claude Fable/Opus, Gemini), що коштують у 5–20x разів дорожче за останні кілька пунктів можливостей. Найцікавіше відбувається у клині посередині: це моделі, які пропонують майже передову якість за частку ціни передових моделей.

Цей клин визначають дві назви, і тут варто бути точними:

• GLM-5.2 (Zhipu / Z.ai) — відкритий клин. Справді відкрита MoE-модель за ліцензією MIT (~745B загалом / ~40B активних параметрів, контекст 1M) за приблизно $1.40 за вхідні / $4.40 за вихідні токени. Вона чудова: #9 у DeepSWE з 44%, близька до закритих моделей попереднього покоління, а в деяких завданнях з інтерфейсами навіть перевершує gpt-5.5. У своїй категорії це справді серйозна модель.
• Grok 4.5 (xAI) — дешевий закритий клин. Grok 4.5 часто помилково називають «відкритою», але насправді її ваги закриті (відкрито випускали лише Grok-1 і Grok-2). До клина її відносить агресивна ціна (~$2 за вхідні / $6 за вихідні токени) і надзвичайна ефективність використання токенів — близько 2M токенів на завдання в стилі DeepSWE проти 7M+ у деяких передових моделей. У кількох бенчмарках вона наближається до передового рівня, але помітно слабша в мультиагентній оркестрації, яка визначає покоління 5.6.

То наскільки близько цей клин насправді? Ближче, ніж можна подумати з огляду на заявлені ціни, але далі, ніж стверджують прихильники локальних моделей. Ось три чесні застереження:

• Дешевший токен не означає дешевше завдання. Моделі з відкритими вагами зазвичай витрачають у 2–3x разів більше токенів на виконання тієї самої роботи. У DeepSWE запуск GLM-5.2 із max коштує близько $4 за завдання, тоді як Claude Opus 4.8 із xhigh — близько $8. Розрив становить лише 2x, хоча токен GLM приблизно у ~10x разів дешевший. Реальний рахунок визначає ефективність, а не ціна на етикетці.
• Відкриті ваги не означають локальний запуск. GLM-5.2 займає ~400GB у квантованому вигляді та ~1.5TB із повною точністю. Вона не запускається на споживчому обладнанні: 5090 має 32GB відеопам’яті, а для обслуговування одного екземпляра з прийнятною швидкістю знадобилася б система з кількома GPU за $75,000. Справжня перевага відкритих ваг — конкуренція провайдерів: оскільки GLM-5.2 може розмістити будь-хто, можна порівнювати провайдерів і вибирати найкращі ціну та швидкість. Така конкуренція корисна, і ми раді, що вона існує.
• Можливості все ще обмежують доступ до переднього краю. GLM-5.2 не має зору: вона не може прийняти знімок екрана, а отже, не здатна керувати циклами використання комп’ютера та візуального зворотного зв’язку, які роблять 5.6 настільки ефективною. Реальна агентна робота також передбачає паралельний запуск від 1 до 40 агентів, чого локальне обладнання взагалі не може забезпечити. Клин наближається у разових завданнях із програмування, але ще не в наскрізній агентній оркестрації.

Висновок: якщо ваше навантаження добре працює на відкритій моделі, перенесення на неї часто є розумним і дешевим вибором. Філософія Smart AIPI полягає в тому, що не варто переплачувати за можливості, які вам не потрібні. Але для найскладніших довготривалих, мультиагентних завдань із залученням зору gpt-5.6-sol і gpt-5.6-terra усе ще залишаються переднім краєм, який намагається наздогнати цей клин, а Smart AIPI — найдешевше місце для їх запуску.

Як використовувати GPT-5.6-sol і 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 з максимальним рівнем міркування

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 інтенсивності міркування підтримуються low, medium, high і xhigh (max). Для агентної та довготривалої роботи — завдань, де перевага 5.6 найбільша, — використовуйте high або max.

Початок роботи

1. Зареєструйтеся на smartaipi.com/signup (безкоштовні кредити, без кредитної картки)
2. Створіть ключ API на панелі керування
3. Установіть базову URL-адресу на https://api.smartaipi.com/v1
4. Використовуйте модель gpt-5.6-terra (рекомендовано) або gpt-5.6-sol (флагман)

Моделі #1 і #3 у найскладнішому бенчмарку програмування вже у продакшені — зі знижкою 75%. Той самий API, та сама сумісна з OpenAI структура, ті самі інструменти.