OpenAI, 26 Haziran 2026'da, kusursuz bir kayıt gibi görünen bir dizi karşılaştırma testi (benchmark) numarasıyla GPT-5.6 Sol'u duyurdu. Terminal-Bench'te son teknoloji, Agent's Last Exam'in kod modunda %50'yi geçen tek model, token'ların üçte birinde önde gelen bir rakiple eşleşen siber değerlendirmeler. Önce okumanız gereken püf nokta: hiçbirini çalıştıramazsınız. Sol, yalnızca OpenAI API ve Codex aracılığıyla, ABD hükümeti tarafından adları tek tek onaylanmış yaklaşık 20 ortakla sınırlı, hükümet kontrollü kısıtlı bir önizleme olarak sunuluyor. ChatGPT'de mevcut değil ve bugün kaydolmak için hiçbir şey yok.
Bu nedenle karşılaştırma testleri satın alma tavsiyesi değildir. Tek bir soruyu yanıtlıyorlar, sadece bir tanesini: GPT-5.6 Sol beklemeye değer mi, yoksa zaten kullanabildiğiniz bir modelle yolunuza devam etmeli misiniz? Bu yazı bunu açıklığa kavuşturuyor. Her manşet karşılaştırma testinin neyi ölçtüğünü inceliyoruz, her sayıyı zaten sahip olduğunuz GPT-5.5 ve Claude Mythos 5 temel seviyesinin yanına koyuyoruz ve dürüst bir 'bekle ya da devam et' kararıyla bitiriyoruz. Buradaki her rakam, bizim yaptığımız bir testten değil, OpenAI'ın kendi açıklamalarından ve erken ikincil haberlerden gelmektedir.
Kısaca
- GPT-5.6 Sol sınırlı bir önizleme aşamasında: Yalnızca OpenAI API ve Codex üzerinden erişilebilir, ChatGPT'de değil, yaklaşık 20 hükümet onaylı ortakla sınırlı. OpenAI'a göre genel erişim "önümüzdeki haftalarda" sağlanacak.
- Bildirilen puanlar güçlü ancak ikincil kaynaklara dayanıyor. Model halka açılana kadar bunları OpenAI'ın iddiaları olarak değerlendirin, ölçülmüş sonuçlar olarak değil.
- Başlık rakamları (OpenAI / erken haberlere göre): Terminal-Bench 2.1 SOTA, Agent's Last Exam kod modunda %50'nin üzerinde, ExploitBench çıktının yaklaşık üçte birinde eşdeğerlik.
- İşiniz ajan kodlama, uzun terminal görevleri veya savunma amaçlı güvenlikse ve birkaç hafta bekleyebilirseniz bekleyin.
- Şu an üretimde bir modele ihtiyacınız varsa beklemeye zahmet etmeyin. Bugün test edebileceğiniz alternatifler, çoğu açığı kapatıyor.
Puanları Okumadan Önce Bunu Okuyun
Karşılaştırma testleri, bir modelin neler yapabileceğini gösterir. Ancak onu kullanıp kullanamayacağınızı söylemezler. GPT-5.6 Sol için bunlar iki farklı gerçektir ve şu anda ikincisi daha baskındır.
Lansman, yeni yapay zeka modelleri için karşılaştırma ve değerlendirmeyi belirleyen 2 Haziran 2026 tarihli bir başkanlık kararnamesi uyarınca ABD yönetimi tarafından kısıtlanmıştır. OpenAI bunu geçici bir adım olarak kabul etti. MacRumors'un aktardığı gibi, "Daha geniş erişilebilirliğe giden en güçlü yolun önümüzdeki haftalarda olacağına inandığımız için bu kısa vadeli adımı atıyoruz." OpenAI, ChatGPT, Codex ve API'de genel erişimin önümüzdeki haftalarda geleceğini söylüyor. O zamana kadar, puanlar satın alamayacağınız bir şeyin önizlemesidir.
Bu çerçeve, makalenin geri kalanını nasıl okuduğunuzu etkiler. Eğer devreye alabiliyorsanız, 4 puanlık bir Terminal-Bench liderliği anlamlıdır. Eğer devreye alamıyorsanız, yol haritanızı durdurmak için değil, izlemeye devam etmek için bir nedendir. Sol'un ne olduğu ve neden kilitli olduğu hakkında tam bir resim istiyorsanız, GPT-5.6 Sol açıklayıcımız ailesini ve kısıtlamayı kapsamaktadır. Tam API model tanımlayıcıları henüz yayınlanmadığından, istemeseniz bile bağlantı kurabileceğiniz hiçbir şey yok.
Terminal-Bench 2.1: manşet numarası
Terminal-Bench, bir modelin bir terminalde gerçek görevleri ne kadar iyi tamamladığını ölçer: dosyaları düzenleme, komutları çalıştırma, araçları zincirleme, hatalardan kurtulma. Bu, tek bir istemi yanıtlamak yerine "bu şey ajan kodlama işini baştan sona yapabilir mi" sorusunun en yakın kamuya açık karşılığıdır. Bu yüzden OpenAI buna öncülük etti.
OpenAI ve erken haberlere göre, Terminal-Bench 2.1'in yeni "ultra" konfigürasyonunda, Sol Ultra yaklaşık %91.91 puan alırken, standart Sol %88.8 civarında. Bağlam için halihazırda sahip olduğunuz temel seviyeler: Claude Mythos 5 yaklaşık %88 ve GPT-5.5 yaklaşık %83.4. Eğer bunlar doğruysa, Sol'un standart modu yaklaşık olarak Mythos 5 ile eşleşiyor ve Sol Ultra, alandaki diğer modellerin birkaç puan önüne geçiyor.
En yüksek puanda "ultra" kısmı gerçek bir iş yapıyor. OpenAI'ın duyurusuna göre, ultra mod "karmaşık işleri hızlandırmak için alt ajanlardan yararlanarak tek bir ajanın ötesine geçiyor." Dolayısıyla, %91.91, tek bir modelin daha yoğun düşünmesi değil; bir modelin yardımcılar üretmesidir. Bu gerçek bir yetenek değişimidir ve aynı zamanda manşet rakamının tek bir GPT-5.5 çağrısına doğrudan eşleşmediği anlamına gelir. Bugün çalıştırabileceğiniz modeller arasında kafa kafaya bir karşılaştırma için, Sol kilitli kaldığı sürece, Claude Opus 4.8 vs GPT-5.5 vs Gemini 3.5 karşılaştırmamız daha iyi bir referanstır.
Agent's Last Exam: "%50'yi geçen tek model" iddiası
Agent's Last Exam, doygunluğa direnmek için tasarlanmış zorlu bir ajan karşılaştırma testidir: modelin bir insan müdahalesi olmadan plan yapması, araçları kullanması ve görevleri tamamlaması gereken çok adımlı görevler. Kod modu, özellikle yazılım işlerini zorlayan dilimdir.
Erken haberlere göre, GPT-5.6 Sol kod modunda yaklaşık %50.9 puan alıyor ve %50'nin üzerindeki tek model olarak tanımlanıyor. Bu çerçeve, olayın özüdür. Çoğu öncü modelin %40'larda kaldığı bir karşılaştırma testinde, yarısını geçmek, OpenAI'ın lansmanını bağlamak istediği türden bir sıçramadır.
Bu rakamı Terminal-Bench rakamıyla aynı dikkatle okuyun. %50.9, ikincil bir rapordan gelen bir iddiadır, bizim ölçtüğümüz bir sayı değildir ve "%50'nin üzerindeki tek model" diğer laboratuvarların haftalar içinde zorlayacağı bir anlık görüntüdür. Dürüst okuma: İşiniz gerçekten ajanlık, modelin bir görevi tamamlamak için sürüklemesi gereken uzun vadeli kodlamaysa, beklemeyi savunan karşılaştırma testi budur. İşiniz daha kısa istek-yanıt kodlamaysa, halihazırda çalıştırdığınız bir model üzerindeki fark, başlığın önerdiğinden daha küçüktür.
ExploitBench: ham puandan ziyade verimlilik
Üçüncü karşılaştırma testi, bekle ya da devam et kararı için en ilginç olanıdır, çünkü aslında daha yüksek bir puanla ilgili değildir. ExploitBench (ve ilgili ExploitGym), siber güvenlik yeteneğini ölçer. Sol, yazılım güvenlik açıklarını bulmak ve düzeltmeler yazmak için ayarlanmıştır, tam istismar zincirleri oluşturma çabalarına karşı direnç gösterir. Bu saldırgan bir hackleme modeli değil, savunma amaçlı bir duruştur ve OpenAI bunu "bugüne kadarki en sağlam güvenlik yığını" olarak adlandırıyor.
Erken haberlere göre, ExploitBench'te Sol, Anthropic'in Mythos Preview'ı ile rekabet ederken, çıktının yaklaşık üçte birini kullanıyor. Aynı desen bilim tarafında da görülüyor: GeneBench v1'de OpenAI, GPT-5.5'e göre daha az token kullanarak bir iyileşme bildirdi.
Token hikayesi, gerçek bütçe sonuçları olan bir hikaye. Eğer Sol, çıktının üçte biri token ile benzer bir kalite seviyesine ulaşırsa, çözülen görev başına etkili maliyet, milyon token başına 5 dolarlık giriş / 30 dolarlık çıkış oran kartının kağıt üzerinde önerdiğinden çok daha düşer. Bekleme için verimlilik argümanı budur: Sol her istemde daha akıllı olduğu için değil, ayarlandığı iş yüklerinde aynı cevabı daha ucuza alabileceği için. OpenAI dağıtım güvenlik sistemi kartı, güvenlik ve siber çerçevenin belgelendiği yerdir ve herhangi bir siber sayıyı taşıyıcı olarak kabul etmeden önce okumaya değer.
Bu Puanları Temel Seviyenize Göre Nasıl Okursunuz?
Üç karşılaştırma testini bir araya getirin ve bir şekil belirir. Sol'un durumu, uzun, ajanlık, araç ağırlıklı işlerde en güçlüsüdür: terminal görevleri, çok adımlı kodlama, savunma amaçlı güvenlik taramaları. Bunlarda, Mythos 5'e göre birkaç puanlık bir fark ve GPT-5.5'e göre daha geniş bir fark ve ayrıca token-verimliliği avantajı iddia ediyor.
Karşılaştırma testlerinin göstermediği şeyler de bir o kadar önemlidir. Yayınlanmış bir maksimum çıktı token sınırı, belirtilmiş bir bilgi kesme noktası, onaylanmış bir modalite listesi yoktur. Bağlam penceresi bir kaynak tarafından yaklaşık 1.5M token olarak rapor edilirken, diğeri tarafından "belirtilmemiş" olarak bildirilmiştir, bu yüzden onaylanmamış olarak kabul edin.
Karar: bekle ya da devam et
İşte dürüst özet.
Şu durumlarda bekleyin: Temel iş yükünüz ajanlık kodlama, uzun terminal oturumları veya savunma amaçlı güvenlikse ve birkaç hafta bekleyebilirseniz. Terminal-Bench liderliği, Agent's Last Exam sonucu ve ExploitBench token verimliliği tam olarak bu profile işaret ediyor. Bu görevlerdeki birkaç yüzdelik puan ekonominizi değiştiriyorsa, Sol'u yakından izlemeye değer. Genel erişilebilirliği ve daha da önemlisi, lansman rakamlarını onaylayacak veya düşürecek bağımsız karşılaştırma testlerini bekleyin.
Şu durumlarda beklemeye zahmet etmeyin: Şu an üretimde bir modele ihtiyacınız varsa veya işiniz daha kısa istek-yanıt kodlama, sohbet, özetleme veya sınıflandırma ise. Sol'u bugün alamazsınız, model kimlikleri bile yayınlanmadı ve şu anda çalıştırabileceğiniz alternatifler, günlük işlerdeki boşluğun çoğunu kapatıyor. Bugün sahip olduğunuz bir sorunu çözmeden önce kilitli bir modelin piyasaya sürülmesini beklemek yanlış bir karardır. Daha akıllıca olanı, gerçekten kullanabileceğiniz öncü bir model seçmektir; bugün kullanabileceğiniz öncü modeller özetimiz, her birini Sol'un abartıldığı işe eşleştiriyor.
Bir diğer dürüst not: genel erişim sağlandığında bile, ilk dalga sadece Sol değil, Terra ve Luna dahil olmak üzere tüm kademe genelinde GPT-5.6 olacaktır. Terra, GPT-5.5'ten yaklaşık 2 kat daha ucuz ve benzer performansla konumlandırılmıştır ki çoğu ekibin kullanacağı kademe budur. Yani "Sol'u beklemek", aslında doğru kademeyi seçmek için beklemek anlamına gelebilir ve bu, karşılaştırma testlerinin başlıklarının ima ettiğinden daha sakin bir karardır.
Beklerken Apidog Nereye Uyar
Sol'u henüz test edemezsiniz. Bu arada ulaşabileceğiniz her şeyi test edebilirsiniz. Mythos 5, GPT-5.5, Gemini ve diğerleri, OpenAI uyumlu veya standart HTTP API'lerini sunar ve bunları bugün Apidog'da kullanabilir, yanıtları üzerinde kontrol yapabilir ve davranışlarını karşılaştırabilirsiniz. Bir istek ayarlayın, her modelin uç noktasına yönlendirin ve bu makalenin konusu olan karar için tekrarlanabilir bir altyapıya sahip olun.
Bu altyapı aynı zamanda Sol için ilk gün hazırlığınızdır. Önizleme erişiminiz geldiğinde veya genel erişim açıldığında, uç noktayı ve model kimliğini değiştirip daha önce oluşturduğunuz senaryoları çalıştırabilirsiniz. Yeni bir araç gerekmez, telaşlanmaya gerek kalmaz. Kısıtlı olan açıldığında hazır olmak için Apidog'u indirin ve şimdi kullanabileceğiniz modellere karşı bu testleri oluşturun.
Sonuç
GPT-5.6 Sol'un karşılaştırma testleri güçlüdür, özellikle ayarlandığı ajanlık ve güvenlik çalışmalarında öne çıkar, ancak bugün geçemeyeceğiniz bir hükümet kısıtlaması altında hala sadece iddialardır. Eğer bu öncü profil sizin işinizse ve birkaç hafta bekleyebilirseniz bekleyin. Aksi takdirde, şimdi kullanıma sunabileceğiniz bir modelle devam edin ve Sol bağımsız sonuçlar ve genel bir uç noktaya sahip olduğunda tekrar gözden geçirin.
Erişiminiz açıldığı gün Sol'u test etmeye hazır olmak için, Apidog'da bugün kullanabileceğiniz modellere karşı değerlendirme altyapınızı oluşturun.