OpenAI sekiz günde üç model yayımladı: 22 Eylül'de GPT-6 Sol ve GPT-6 Luna, 29 Eylül'de ise GPT-6.1 Sol. Bu modeller aynı işi yapmıyor ve birbirlerinin yerine kullanılamazlar.

Bu yazı bu modellerin pratikte gerçekte neler yapabildiğini inceliyor: hangi işleri uçtan uca bitirebiliyorlar, nerede takılıyorlar ve hangi iş için hangisi doğru seçim. Fiyat önemlidir ve buna yazının sonunda değinilmiştir; ancak yetenek her şeyden önce gelmelidir, çünkü yalnızca ucuz olduğu için yanlış modele geçmek işin yarıda kalması anlamına gelir.

Modeller

Kısacası:

• GPT-6 Luna — ucuz ve hızlı. Binlerce kez tekrarlanan basit görevler için: gelen e-postaları kategorilere ayırma, faturalardan bilgi çıkarma, uzun metinleri özetleme, bir listeyi etiketleme.

• GPT-6.1 Sol — günlük ağır işler için tasarlanmış model. Kod yazan ve hata ayıklayan, bir görevi tamamlamak için bilgisayardaki birden fazla uygulama arasında gezinen veya uzun belgeleri okuyup bunlarla ilgili soruları yanıtlayan agent’lar için.

• GPT-6 Sol — 22 Eylül'de yayımlandı ve 29 Eylül'de yerini GPT-6.1 Sol'a bıraktı. Yeni bir projeye başlıyorsanız doğrudan 6.1'e geçin.

• GPT-6 Astra — en zor işler için. Bilimsel analiz, karmaşık iş akışları, üst düzey bilgisayar kullanımı. Eylül başında yayımlandı; bu üçlünün bir basamak üzerindedir.

Bu Modeller Gerçekte Ne Yapabilir?

AI duyurularındaki benchmark adları genellikle pek bir şey ifade etmez. Aşağıdaki tablo, bu yazıda adı geçen her bir benchmark'ın neyi ölçtüğünü sade bir dille açıklamaktadır:

Tablo 1: Bu yazıda bahsedilen değerlendirmeler ve her birinin ölçtüğü yetenek.

Bu benchmark’ların önemli bir ortak noktası var: hiçbiri modelin ne kadar bilgili olduğunu ölçmüyor. Hepsi modelin bir işi kendi başına, uçtan uca bitirip bitiremeyeceğini ölçüyor. Bu nesilde rekabet tam da bu noktaya taşındı.

Kodlama

GPT-6.1 Sol, gerçek yazılım projeleri üzerine kurulu hata ayıklama benchmark'ında 100 görevden 75'ini tamamlıyor. Bu, OpenAI'ın en pahalı modeli olan Astra'nın aldığı 74 puanın üzerinde — üstelik görev başına Astra'nın maliyetinin yedide birine.

Bir önceki sürüm olan GPT-6 Sol, aynı benchmark'ta en fazla 69'a ulaşabilmişti. Yani token fiyatlarında hiçbir değişiklik olmadan, tek bir haftada 6 görevlik bir fark açıldı.

Bilgisayar Kullanımı

Model; ekranı görerek, fareyle tıklayarak ve klavyede yazarak bir görevi tamamlar. GPT-6.1 Sol bu benchmark'ta 100 görevden 71'ini tamamlıyor; Astra ise 74'ünü tamamlıyor. Fark 2–3 görev; maliyet farkı ise yedi kat.

Kurumsal şirketler için bu durum, ekran üzerinden çalışan otomasyonların artık çok daha ucuza inşa edilebileceği anlamına geliyor. Eski ekran kazıma çözümlerinin aksine, arayüz değiştiğinde model bozulmuyor — ekranda gördüklerine dayanarak çalışmaya devam ediyor.

İş Akışları: En Zor Alan Burası

Uçtan uca iş akışlarında tablo daha mütevazı. En iyi model olan Astra, 100 işten 41'ini tamamlayabiliyor; GPT-6.1 Sol 36'sını ve Luna 21'ini tamamlıyor. Başka bir deyişle, bu modellerin hiçbiri çok adımlı bir iş akışının denetimsiz bırakılabileceği bir seviyede değil.

Pratikte çıkarılacak ders: bu gibi iş akışlarında, modeli kendi başına çalıştırmak yerine kritik adımlara insan onayı koymanız gerekir. Yüzde 36, "her üç işten ikisi yarım kalıyor" anlamına gelir.

Belge Okuma ve Bilimsel Analiz

Uzun ve karmaşık PDF'lerde GPT-6.1 Sol ve Astra fiilen berabere: 32,0'a karşı 32,2. Ancak maliyet farkı beş kattan fazla. Sözleşmeleri, raporları ve teknik belgeleri okumak için pahalı modele gerek yok.

Ancak bilimsel analizde aradaki fark net: Astra 68, GPT-6.1 Sol 57. Veri analizi ve simülasyon ağırlıklı işlerde Astra hâlâ yerini koruyor.

Hangi Model Neyi, Ne Kadar İyi Yapıyor?

Tablo 2: Her modelin kendi en iyi ayarındaki, 100 görevlik ölçeğe yuvarlanmış sonucu. Tüm puanlar sağlayıcı tarafından bildirilen değerlerdir. Son satırda düşük olması daha iyidir.

Tablodan çıkarılacak tek cümlelik özet: kodlama ve belge işlerinde orta segment model artık en pahalı modelle başa baş; bilgisayar kullanımında ise çok yakın; anlamlı bir fark yalnızca iş akışlarında ve bilimsel analizde kalmaya devam ediyor.

Luna Gerçekten Kullanışlı mı?

Ucuz modeller genellikle "ne kadar ekmek o kadar köfte" denilerek bir kenara atılır. Luna'nın sonuçları bu kalıbı kısmen yıkıyor: en yüksek ayarında kodlama benchmark'ında 67 puan alıyor — yani maliyetin beşte birine, bir önceki orta segment modelin yüksek ayarındaki sonucunun birebir aynısı.

Yine de bir sorun var: düşük ayarlarda, agent gerektiren görevlerde tamamen çöküyor. En düşük seviyede kodlama benchmark'ında 100 görevden yalnızca 2'sini ve iş akışı benchmark'ında sadece 1'ini tamamlayabiliyor. Tasarruf etmek için Luna'nın ayarlarını düşürmenin hiçbir anlamı yok; en yüksek ayarı bile görev başına en fazla 30 sente mal oluyor. Luna'yı her zaman en yüksek ayarında çalıştırın.

Zekâ tarafında ise Luna bir sıçrama sayılmaz: bağımsız değerlendirmelerde selefiyle neredeyse aynı seviyede yer alıyor ve kodlama agent indeksinde biraz gerileme gösteriyor. Luna'nın hikâyesi yetenekle ilgili değil; aynı yeteneği yarı fiyatına elde etmekle ilgili.

Daha Yüksek Bir Sürüm Numarası Her Zaman İyileşme Anlamına Gelmez

GPT-6 Sol'un duyurusunda görünmeyen bir ayrıntı var: en yüksek ayarında bu model, selefi GPT-5.6 Sol'un gerisinde kalıyor. Kodlamada 73'e karşı 69, bilgisayar kullanımında 66'ya karşı 64.

Daha alt seviyelerde ise aynı sonuçları çok daha ucuza sunarak ve yanlış bilgi oranını yarıya indirerek bunu fazlasıyla telafi ediyor. Ancak çıkarılacak ders açık: yeni bir nesil, her ölçümde daha iyi olunduğu anlamına gelmez. Bir modeli canlı ortamda belirli bir ayarda kullanıyorsanız, geçiş yapmadan önce yenisini kendi iş yükünüzde test etmeniz gerekir.

Bir hafta sonra gelen GPT-6.1 Sol bu açığı kapattı; OpenAI'ın yayımladığı altı grafiğin tamamında daha iyi sonuçlar sunuyor.

Fiyatlandırma

Tablo 3: Milyon token başına standart fiyatlar. Sol ve Luna artık GPT-5.6 muadillerinin yarı fiyatına mal oluyor. Toplu işleme (batch processing) yarı fiyatınadır; hızlı modlar iki ila altı kat daha pahalıdır.

Yalnızca token fiyatına bakmak yanıltıcı olabilir, çünkü daha güçlü bir model aynı işi daha az denemede bitirebilir. Gerçek karşılaştırma, bir görevi tamamlamanın maliyetinin ne kadar olduğudur:

Tablo 4: Her modelin en iyi sonucu ve buna ulaşmak için görev başına harcanan ortalama tutar (OpenAI'ın kendi tahminleri).

Bu tablo fiyatlandırma tartışmasının asıl nerede yattığını gösteriyor. Kodlamada GPT-6.1 Sol, Astra'dan daha iyi bir sonucu maliyetin yedide birine sunuyor. PDF okumada aynı sonuç beşte bir maliyetle geliyor. Buna karşılık bilimsel analizde Astra'nın 11 puanlık avantajı dört kat maliyetle geliyor — bu farkın buna değip değmeyeceği işin ne kadar kritik olduğuna bağlıdır.

Luna ile Astra arasında 100 katlık bir fiyat farkı var. Bu kadar geniş bir aralık, tek bir modelin tüm işi üstlenmesini ekonomik açıdan savunulamaz kılıyor. Asıl soru "hangi modele geçmeliyiz?" değil, "hangi iş hangi modele gitmeli?" sorusudur. Bir destek talebini sınıflandırmak için Astra'yı çalıştırmak teknik olarak mümkündür, ancak finansal açıdan anlamsızdır.

Bir uyarı: 272.000 token üzerindeki istekler, giriş için iki kat, çıkış için ise 1,5 kat oranında ücretlendirilir ve bu yüksek tarife tüm istek için geçerlidir. Uzun belgelerle çalışıyorsanız liste fiyatı ödediğiniz fiyat olmayacaktır.

Güvenlik Konusunda Son Durum

GPT-6.1 Sol selefine kıyasla belirgin şekilde daha güvenli davranıyor. Kendisine konulan açık bir kısıtlamayı aşma oranı %23,5 — bu oran GPT-6 Sol'un %64,4'lük oranının çok altında, ancak yine de Astra'nın %17,4'lük oranının üzerindedir. Bozuk bir aracı kullanıcıya bildirmeme oranı %2,1 ve bilgisayar kullanımı güvenlik benchmark'ındaki hata oranı %4,3'tür.

Bu benchmark’lar kasıtlı olarak zorlaştırılmış senaryolardır; günlük kullanımdaki hata oranlarını yansıtmazlar. Yine de yaklaşık dörtte birlik bir kısıtlama aşma oranı, modele daha fazla yetki vermeden önce dikkate alınması gereken bir sayıdır.

Daha az tartışılan bir nokta: DevDay'de hiçbir GPT-6.1 Astra yayımlanmadı. Basında çıkan haberlere göre OpenAI, şirket içi testler sırasında ortaya çıkan güvenlik endişeleri nedeniyle bu sürümü rafa kaldırdı. Yani bu turda en üst seviye değil, orta segment ilerleme kaydetti.

Kim Hangisini Kullanmalı?

• Yüksek hacimli, tekrarlayan görevler — sınıflandırma, etiketleme, bilgi çıkarma, özetleme: En yüksek ayarında Luna. Başarısız bir çalıştırmanın maliyeti sentlerle ölçülür.

• Kodlama agent’ları ve belge işleri — Yüksek ayarda GPT-6.1 Sol. Bu iki alanda en pahalı modele geçmek ölçülebilir bir getiri sağlamaz.

• Ekran tabanlı otomasyonlar — Maksimum ayarda GPT-6.1 Sol. Astra'nın iki ila üç görev gerisinde, ancak maliyetin yedide birine.

• Bilimsel analiz ve en zor iş akışları — Astra. Buradaki fark hâlâ anlamlıdır.

• Çok adımlı iş akışlarını denetimsiz bırakmayın. En iyi model bile uçtan uca tamamlamada en fazla %41'e ulaşıyor; kritik adımlarda insan onayına ihtiyacınız var.

Sonuç

Bu üç modelin ortak noktası daha bilgili hale gelmiş olmaları değil. Bir işi kendi başlarına, uçtan uca bitirme oranlarının artmış olmasıdır. Kodlama ve belge okumada orta segment model artık en pahalı modelle aynı seviyede duruyor; bilgisayar kullanımında ise aralarındaki fark birkaç göreve kadar indi.

Geriye iki gerçek sınır kalıyor. İlki uçtan uca iş akışları: En iyi model bile yaklaşık beş işten sadece ikisini tamamlayabiliyor, bu nedenle tam özerklik henüz masada değil. İkincisi, bilimsel analiz Astra'nın fiyatını hak ettiği tek alan olmaya devam ediyor.

Kurumsal şirketler için pratikte çıkarılacak ders: Pilot çalışmanızı "model soruları ne kadar iyi yanıtlıyor?" sorusu üzerine değil, "ona verdiğim işi uçtan uca bitirebiliyor mu?" sorusu üzerine kurun. Bu neslin farkının ortaya çıktığı tek yer burasıdır.