Claude Sonnet 5.5 vs GPT-6 Sol: Aynı Fiyata İki Farklı Çalışma Zamanı

Anthropic, Claude Sonnet 5.5 modelini 28 Eylül'de milyon girdi tokenı başına 2 dolar ve milyon çıktı tokenı başına 10 dolar fiyatla kullanıma sundu. OpenAI ise GPT-6 Sol'u 22 Eylül'de yine 2 ve 10 dolar seviyesindeki aynı fiyatlandırmayla yayınladı. Aralarında sadece altı gün var, liste fiyatları birebir aynı ve her ikisi de kendi laboratuvarının amiral gemisi modelinin tam bir basamak altında yer alıyor. Kodlama ajanları için varsayılan bir model seçmeye çalışan bir ekip açısından bu fiyat eşitliği hiçbir şeyi netleştirmiyor. Asıl tercih, her iki modeli çevreleyen Çalışma Zamanı (Runtime) olarak Claude Code ve Codex arasındaki rekabette ve her bir ikilinin tamamlanan görev başına ne kadara mal olduğunda yatıyor.

Dürüst bir deneme süreci; iki ayrı Çalışma Zamanı, iki yapılandırma, iki farklı sonuç seti ve hangi terminalin hangi diff'i ürettiğini hatırlamaya çalışan tek bir incelemeci anlamına gelir. Modeli seçmek tek satırlık bir ayardan ibarettir. İkisini kıyaslamak ise tam anlamıyla minyatür bir ajan kaosudur.

TL;DR

Claude Sonnet 5.5 ve GPT-6 Sol token başına aynı maliyete sahip; aralarındaki asıl fark ise bir ekibin bunları genellikle çalıştırdığı Çalışma Zamanında yatıyor: Sonnet 5.5 için Claude Code, Sol için Codex. Anthropic'in lansman tablosunda GPT-6 Sol sütununa yer verilen dört satır bulunuyor. Sonnet 5.5 bunlardan üçünde açık ara önde; dördüncüsü olan FrontierCode ise harcanan efora (effort) göre değişkenlik gösteriyor. Görev başına maliyet ise kıyaslama testine (benchmark) göre taban tabana zıt: FrontierCode'da Sonnet 5.5, Sol'un en iyi sonucunu yaklaşık beşte bir maliyetle yakalıyor; AA-Briefcase testinde ise Sol'un en iyi sonucu görev başına 2,67 dolara mal olurken Sonnet 5.5'inki 29,19 dolar tutuyor. Ancak bu verilerin tek bir sağlayıcının tablosundan ibaret olduğunu unutmamak gerek. Sonnet 5.5 ile GPT-6 Sol arasındaki nihai kararı, aynı Görevi (Task) kendi kod tabanınızda her iki Çalışma Zamanında çalıştırarak ve kabul edilen değişiklik başına harcanan inceleme dakikalarını ölçerek verin. Görev kaydın tek kaynağı olarak kaldığı sürece, her iki modeli birden kullanmaya devam etmek de son derece makul bir çözümdür.

Yayımlanan veriler gerçekte neyi kıyaslamanıza olanak tanıyor?

Dört satır. Claude Sonnet 5.5 lansman yazısı Sonnet 5.5, Sonnet 5, Opus 5.5 ve GPT-6 Sol modellerini karşılaştırıyor ve yalnızca şu satırlarda Sol'a ait bir değer bulunuyor:

Bu tablo tek bir tedarikçinin bakış açısını yansıtıyor. OpenAI'ın Sol duyurusu Sonnet 5.5 piyasaya çıkmadan altı gün önce yayımlandığı için her iki modeli de içeren tek üretici tablosu Anthropic'e ait. Üstelik her iki sütun da birtakım hata payları barındırıyor: Sonnet 5.5'in Artificial Analysis testlerinde, daha sonra düzeltilen yapılandırılmış çıktı hatasına sahip bir sürüm öncesi dağıtım kullanıldı; OpenAI ise Sol'da yakın zamanda bir görsel anlama hatasını giderdi ve Artificial Analysis ile Surge AI puanları bu düzeltmeyi henüz yansıtmıyor olabilir.

Bir yazılım ekibinin asıl dikkatle incelemesi gereken satır FrontierCode'dur; çünkü bu test halihazırda bir Çalışma Zamanı karşılaştırması sunar: %49,3'e karşı %52,1'lik sonuç, pratikte dağıtıma alacağınız ikili olan Sol üzerindeki Codex CLI'a karşı Sonnet 5.5 üzerindeki Claude Code'un performansıdır. Maksimum puana ilişkin dipnot da en az bunun kadar önemlidir. FrontierCode, görev kapsamı dışındaki değişiklikleri cezalandırır ve maksimum efor seviyesinde Sonnet 5.5, Claude Code'un çok sayıda alt ajana dağılan kod inceleme becerisini daha sık devreye sokmuştur. Cognition'ın incelediği iki senaryoda bu durum zaman aşımına veya görevin kapsamı dışına çıkan düzenlemelere yol açmıştır. Daha fazla efor, daha geniş bir diff ve dolayısıyla daha fazla inceleme süresi demektir.

Sayfadaki diğer hiçbir metrikte Sol'a ait bir değer yer almıyor. Terminal-Bench 4.0 ve CursorBench 4.0 efor grafiklerinde ise hiçbir GPT-6 Sol verisi yayımlanmadığı için GPT-5.6 Sol değerleri grafiğe dökülmüş durumda.

Mevcut tek bağımsız toplu değerlendirme üçüncü taraf bir kaynaktan geliyor. Artificial Analysis, 29 Eylül itibarıyla Sonnet 5.5'in maksimum efor uç noktasını Zekâ Endeksi'nde 216 model arasında 3. sıraya yerleştirerek 56 puan veriyor. En son kaydettiğimiz 23 Eylül tarihinde Sol ise 48 puandaydı. İki farklı tarih, sürekli değişen bir endeks ve her iki rakamın da doğrudan sizin kod deponuzu ölçmediği gerçeği.

Token başına değil, tamamlanan görev başına maliyet

Birebir aynı token fiyatları ay sonunda gelecek fatura hakkında pek bir şey söylemez; zira görev başına harcanan token miktarı modele, efor seviyesine ve Çalışma Zamanına bağlıdır. Anthropic'in lansman sayfası, ortak satırlardan ikisi için efor seviyelerine göre puanı ve görev başına maliyeti şu şekilde listeliyor:

Öncelikle FrontierCode sonuçlarını inceleyelim. Sonnet 5.5 high seviyesinde görev başına 0,42 dolar maliyetle %49,4 puan alarak, Sol'un 2,07 dolarlık en iyi sonucu olan %49,3 ile başa baş bir performans sergiliyor; Anthropic'in özetiyle bu, "görev başına yaklaşık beşte bir maliyet" anlamına geliyor. Asıl dikkat edilmesi gereken detay ise tablonun alt kısımlarında saklı: medium seviyesinde Sonnet 5.5 %36,5 puan alıyor ki bu, Sol'un low seviyesindeki performansının bile gerisinde. Üstelik medium, Claude Code'un Sonnet 5.5 için varsayılan efor ayarı. Anthropic'in prompt kılavuzu, başlangıç için high seviyesini veya gereksinimleri net biçimde tanımlanmış görevlerde ajantik kodlama için medium seviyesini öneriyor. Kimsenin dokunmadığı bir ayar, tüm karşılaştırmanın kaderini belirleyebilir.

Bir bilgi işçiliği testi olan AA-Briefcase'te ise durum tam tersine dönüyor. Sol'un en iyi sonucu görev başına 2,67 dolara mal olurken, Sonnet 5.5'in daha yüksek puan alan en iyi sonucu yaklaşık on bir katına, yani 29,19 dolara mal oluyor. Maliyet açısından Sol'un max ayarına en yakın Sonnet 5.5 ayarı olan 1,64 dolarlık medium seviyesi, 1483'e karşı 1461 puan elde ediyor. Aynı iki model, ancak elde edilen sonuca göre hangisinin daha hesaplı olduğu konusunda taban tabana zıt bir tablo.

Önbelleğe alma (caching) aradaki farkı hem daraltıyor hem de dengeleri değiştiriyor. Sonnet 5.5, önbelleğe alınmış girdileri milyon token başına 0,10 dolardan okurken, 5 dakikalık önbellek yazma maliyeti 2,50 dolar (Anthropic fiyatlandırması). GPT-6 ise önbelleğe alınan girdi okumalarında %90 indirim uyguluyor; bu da 2 dolarlık tarife üzerinden 0,20 dolara denk geliyor. Dolayısıyla önbellekten okuma Sonnet 5.5'te yarı yarıya daha ucuz. Asıl fark ise önbelleğin ne zaman geçersiz kılındığında ortaya çıkıyor: OpenAI'ın belirttiğine göre akıl yürütme eforunu (reasoning effort) veya kullanılabilir araçları değiştirmek artık önbelleği geçersiz kılmıyor; oysa Anthropic'in Sonnet 5.5 prompt kılavuzu, istekler arasında üst düzey efor ayarını değiştirmenin önbelleği bozduğunu belirterek beta aşamasındaki mesaj başına efor ayarına işaret ediyor. Görevin ortasında efor düzeyini değiştiren ajanlar, bu durumu doğrudan faturalarında hissedecektir.

Bu rakamların hiçbiri, kabul edilen değişiklik başına düşen gerçek maliyetinizi yansıtmaz. İki kez baştan çalıştırılması ve uzun bir inceleme sürecinden geçmesi gereken ucuz bir çalıştırma, aslında en pahalı olanıdır.

Kendi kod tabanınızda nasıl karar verirsiniz?

Aynı Görevi her iki Çalışma Zamanında da çalıştırın ve bir uzmanın sonucu kabul edene kadar harcadığı süreyi ölçün. Değerlendirme kriterlerine kodlama ajanlarını sentetik testlerde değil kendi kod tabanınızda nasıl karşılaştırırsınız başlıklı yazıdan ulaşabilirsiniz; bu iki model için gereken kurulum ise şu şekildedir:

Sharkly model seçimi yapmaz. Agents belgelerinde bu durum açıkça belirtilmiştir: “Ajan, Çalışma Zamanının varsayılan modelini takip eder. Belirli bir model adı taahhüt etmez veya göstermez. Modelleri Ajan üzerinden değil, Çalışma Zamanı veya Computer aracı yapılandırmasından değiştirin.” Dolayısıyla modelle ilgili yapılandırma doğrudan Computer üzerinde gerçekleştirilir:

• claude-sonnet-5-5 üzerinde Claude Code. Claude Code v2.1.284 veya daha yeni bir sürüm gerektirir. Claude Code'un default modeli Pro, Max, Team, Enterprise ve Anthropic API'de Opus 5.5'tir; dolayısıyla bir Computer, birisi ayarı değiştirene kadar Opus çalıştırır ve sonnet takma adı yalnızca Anthropic API üzerinde Sonnet 5.5 anlamına gelir. Modelin tam kimliğini sabitleyin ve söz konusu sunucuda claude --model claude-sonnet-5-5 komutuyla doğrulayın. Sürecin tüm adımlarına Sharkly'de Sonnet 5.5 ajanlarını çalıştırma rehberinden ulaşabilirsiniz.
• gpt-6-sol üzerinde Codex. Modeli o Computer üzerindeki Codex yapılandırmasında belirleyin; uygulanacak adımlar Sharkly'de GPT-6 Sol ajanlarını çalıştırma yazısında açıklanmaktadır.
• Her iki Ajan için geçici çalışma dizini. Her çalıştırma yalıtılmış bir dizine atanır ve depoya bağlı çalıştırmalar temiz bir worktree hazırlayabilir; böylece iki deneme hiçbir zaman aynı checkout'u paylaşmaz.

Ardından, çalıştırmalardan herhangi biri başlamadan önce deneme planınızı kaydedin:

Task:    SH-312, one real Task, same description and starting commit for both runs
Run A:   Claude Code Agent, claude-sonnet-5-5, effort: medium (Claude Code default) or high
Run B:   Codex Agent, gpt-6-sol, effort: whatever Codex on that Computer is set to, written here
Accept:  the same acceptance test for both
Record:  accepted y/n, human review minutes, reruns, files touched outside scope,
         provider cost from your own Anthropic and OpenAI bills
Decide:  after several Tasks of each kind you actually assign, not one

Görevi bir Ajana atayın ve diğerini bir yorumda bahsederek başlatın; Sharkly, atanan kişi olmayan bir Ajanın doğrudan bahsedilerek tetiklenmesine olanak tanır. Her iki çalıştırma da aynı Göreve geri döner; böylece iki diff, iki test çalıştırması ve varsa sorular iki ayrı terminal geçmişi yerine tek bir zaman çizelgesinde toplanır. Puanlama kriterlerini de içeren tek hata senaryosu için aynı hata üzerinde Claude Code ve Codex karşılaştırmasını inceleyebilirsiniz.

En büyük ağırlığı inceleme süresine verin. Anthropic'in prompt kılavuzuna göre Sonnet 5.5 her efor seviyesinde testler, dokümantasyon ve küçük dosyalar eklemekte; low ve medium seviyelerinde uzun görevlerde erkenden durum bildirmekte; xhigh ve max seviyelerinde ise ek inceleme turları veya incelemeci alt ajanlar başlatmaktadır. Sol üzerindeki Codex'in aynı durumlarda ne tepki vereceğini ise yapacağınız deneme gösterecektir. Bunların tümü doğrudan inceleme sürenize yansır ve hiçbiri yapay test puanlarında görünmez.

Neden "her ikisi" de son derece makul bir yanıt?

Yayımlanan kanıtlar herkes için geçerli tek bir kazanan ortaya koymuyor ve sizin yapacağınız deneme de muhtemelen koymayacaktır. Bölünmüş bir sonuç bir başarısızlık değil, somut bir bulgudur.

Deneme süreci inceleme süresi hesaba katıldığında kayda değer bir fark göstermediğinde ya da küçük bir ekip tek bir abonelik ve tek bir yapılandırmayla ilerlemeyi tercih ettiğinde tek bir Çalışma Zamanı seçin. Yalnızca Claude Code kullanıyor ve önceliği terminal olan bir iş akışını benimsiyorsanız, fazladan bir yönetim katmanına hiç ihtiyaç duymayabilirsiniz. Sonuçlar görev türüne göre farklılık gösteriyorsa ya da tüm iş akışını yeniden inşa etmeden gelecek ay varsayılan modeli değiştirebilmek istiyorsanız her ikisini de elinizin altında tutun. Gelecek ay ihtimali varsayımsal bir senaryo da değil: Opus 5.5, Sol ve Luna aynı gün yayımlandı ve sadece altı gün sonra Sonnet 5.5 geldi.

Her iki modeli birlikte tutmak, yalnızca Çalışma Zamanı değil, Görevin kendisi kayıt mercii olduğu takdirde işe yarar. Başka hiçbir model Sonnet 5.5'in düşünce bloklarını okuyamaz; dolayısıyla bir Görev bir Claude Code Ajanından bir Codex Ajanına geçtiğinde, modelin iç muhakemesi geride kalır ve yalnızca Görev üzerine yazılanlar aktarılır. Alınan kararlar, varsayımlar ve ucu açık sorular açıklamada veya yorumlarda yer almalıdır. Sürecin günlük operasyonlardaki işleyişi aynı kod tabanında Claude Code ve Codex'i birlikte çalıştırma yazısında, Claude tarafındaki yönlendirme mekanizması ise Sonnet 5.5 mi yoksa Opus 5.5 mi başlıklı makalede ele alınmaktadır.

Ajanlar araştırır, uygular, test eder ve raporlar. Yönü belirleyen, yetki veren ve nihai sonucu kabul eden ise insanlardır. Çalışma Zamanı her çeyrekte değişebilir; ancak bağlam, ilerleme, engeller, sonuçlar ve insan incelemesi talepten sürüme kadar tek bir yerde görünür kalmalıdır.

Bu sorunun geçen haftaki versiyonu olan Opus 5.5 ve GPT-6 Sol kıyaslaması, bu kanıt probleminin tam ayna görüntüsünü yaşamıştı: OpenAI'ın duyurusu, Sol'u sadece birkaç saat sonra tahtından indirilen bir Claude modeliyle karşılaştırmıştı. Varsayılanınızı belirleyin, bunu kendi kodunuz üzerinde test edin ve Çalışma Zamanını dilediğinizde değiştirebileceğiniz bir ayar olarak tutun. Tek bir ekosisteme bağımlı kalmak yerine birden fazla kodlama ajanını bir arada kullanmaya devam etmek istiyorsanız, Sharkly tam da bu sorunu çözmek için tasarlandı. Tek bir Computer bağlayın, her Çalışma Zamanı için birer Ajan oluşturun ve her ikisine de gerçek bir Görevi teslim edin.