GPT-5.6 model seçim kriterleri: Fiyat 5 kat farklı, kodlama performansı 4,1 yüzde puanı farklı

GPT-5.6’da modeller Sol/Terra/Luna olarak ayrılıyor ve bunlara Max/Ultra modları ekleniyor.
Her iş için hangisini seçmek gerektiği her seferinde kafa karıştırdığı için, yayımlanan benchmark’lara bakarak derledim.

Önce iki ekseni ayırmak gerekiyor

• Model seviyesi (Grade): Sol / Terra / Luna. Zeka seviyesini ve temel maliyeti belirler.
• Çalışma biçimi (Mode): temel çıkarım / Max / Ultra. Hesaplama miktarı ve işleme yapısı burada ayrışır.
• Max’te tek bir ajan bir problemi derinlemesine inceler; Ultra’da ise 4 ajan paralel olarak bölüşüp çalışır.

API fiyatı (1 milyon token başına giriş/çıkış)

• Sol $5 / $30
• Terra $2.5 / $15
• Luna $1 / $6
• En fazla 5 kat fark var. Önbellek okumasında %90 indirim olduğu için tekrarlı işlerde gerçek fark daha da azalır.

Performans fiyat kadar açılmıyor (Terminal-Bench 2.1)

• Sol Ultra %91,9 / Sol %88,8 / Terra %87,4 / Luna %84,7
• Fiyatı 5 kat olan Sol ile Luna arasındaki fark 4,1 yüzde puanı.
• Sol ile Terra arasındaki fark 1,4 yüzde puanı; fiyat ise 2 kat.
• Terra (%87,4), önceki nesil amiral gemisi GPT-5.5’i (%85,6) geride bırakıyor.

Günlük bilgi işlerinde fark daha da daralıyor (Agents' Last Exam)

• Sol %52,7 / Terra %50,4 / Luna %50,3 / GPT-5.5 %46,9
• Terra ile Luna arasında 0,1 yüzde puanı fark var. Basit özetleme veya Q&A için Luna yeterli.

Sol her zaman 1. değil

• SWE-Bench Pro (kod yapısı analizi): Sol %64,6 / Claude Mythos 5 %80,3 / Fable 5 %80,0
• Buna karşılık ortamı doğrudan manipüle eden işlerde Sol önde.
  OSWorld 2.0 (bilgisayar kontrolü): Sol %62,6 vs Claude Opus 4.8 %54,8
  BrowseComp (tarama): Sol Ultra %92,2 / Sol %90,4
• Ayrım, terminal kullanımı mı yoksa kod yapısı analizi mi olduğuna göre değişiyor gibi görünüyor.

Ultra modu beklenenden az yükseltiyor

• Kodlama +3,1 yüzde puanı, güvenlik analizi +3,1 yüzde puanı, tarama +1,8 yüzde puanı
• Bu 2~3 yüzde puanını elde etmek için yaklaşık 3 kat token harcıyor.
• Yalnızca başarısızlık maliyetinin yüksek olduğu veya hassasiyetin mutlaka gerektiği işlerde kullanmak daha doğru görünüyor.

Özetle

• Luna: basit tekrarlar, toplu işleme, hız önceliği
• Terra: çoğu genel amaçlı iş. Fiilen varsayılan seçenek
• Sol: karmaşık mantıksal yapılar, başarısızlık maliyeti yüksek işler
• Max: tek bir problemi derinlemesine ele alma
• Ultra: birden fazla işi paralel yürütme

Rakamların tamamı OpenAI’ın resmi lansman yazısındaki benchmark tablolarına dayanıyor.
https://openai.com/index/gpt-5-6/

Benchmark’lar tekil sonuçlar olduğu için gerçek proje maliyeti veya kullanıcı deneyimiyle farklılık gösterebilir.
Özellikle SWE-Bench Pro gibi sıralamanın tersine döndüğü alanlar olduğu için iş türüne göre farklı
yorumlanabilir. Doğrudan kullanırken deneyiminizin farklı olduğu noktalar varsa merak ediyorum.
Yanlış gördüğüm kısımlar varsa bildirirseniz düzelteceğim.