Claude Opus 5.5 vs GPT-6 Sol: Ekibinizin Varsayılan Runtime Seçimi

Tek bir yapılandırma dosyasındaki tek bir satır, bu çeyrek ekibinizin tokenlarının çoğunun nereye gideceğini belirliyor. 2026-09-22'de o satırın iki adayı da aynı anda değişti: Anthropic Claude Opus 5.5'i, OpenAI ise GPT-6 Sol ve GPT-6 Luna'yı yayımladı. Arka planda paralel olarak birkaç kodlama ajanı çalıştırıyorsanız soru, hangi modelin daha akıllı olduğu değil. Soru, Agent'larınızın varsayılan olarak hangisini kullandığı ve bunun, birinin onaylamasını bekleyen iş kuyruğuna ne yaptığı.

Kanıtlarda bir pürüz var; iki lansman yazısından herhangi birini okumadan önce bunu bilmekte fayda var. OpenAI, Sol'u Claude Opus 5'e karşı benchmark'tan geçirdi. Opus 5.5'e karşı değil. O yazı kaleme alındığında Opus 5.5 diye bir şey yoktu ve saatler sonra, Opus 5'in milyon girdi tokenı başına $5 fiyatına karşılık $4 ile piyasaya çıktı. Dolayısıyla OpenAI'nin yazısındaki her "Opus 5'i maliyetin çok altında yeniyor" ifadesi, aynı gün yerini başka bir modele bırakmış bir modele karşı ölçülmüş durumda. Bu, rakamları yanlış yapmaz. Sadece güncel rakamlar yerine en son yayımlanmış rakamlar haline getirir.

TL;DR

Varsayılan Runtime, kimse aksini seçmediğinde Agent'larınızın kullandığı modeldir; pratikte bu, çalıştırmaların çoğu demektir. Bunu üç eksende seçin: tamamlanan görev başına maliyet, bir görevi size ihtiyaç duymadan ne kadar süre elinde tuttuğu ve tıkandığında ne yaptığı. Yayımlanan rakamlara göre Sol, tamamlanan görev başına daha ucuz; ancak yayımlanmış tek karşılaştırma Opus 5'e karşı ve uzun bir görevde durmadan devam eden taraf da Opus 5.5. İkisini ortak bir test düzeneğinde kimse birbirine karşı çalıştırmadı; o yüzden her iki lansman yazısını da satıcı iddiası olarak görün ve kararı kendi deponuzda verin.

Her satıcı aslında ne yayımladı

Anthropic, Opus 5.5'in çalıştırma maliyetinin Opus 5'ten %40 daha düşük olduğunu, çıktıyı yaklaşık %30 daha hızlı ürettiğini ve bir görev üzerinde 18 saat veya daha fazla kaldığını belirtiyor. Maksimum çıktı 128 bin token ve hızlı mod ayrı olarak $8 / $40 fiyatlandırılıyor.

OpenAI, Sol ve Luna'nın her birinin GPT-5.6 promosyon fiyatlandırmasından %50 daha ucuz olduğunu belirtiyor. "Promosyon" kelimesi OpenAI'nin kendisine ait ve önemli: karşılaştırma indirimli bir orana karşı yapılıyor, GPT-5.6'nın liste fiyatına karşı değil. OpenAI ayrıca GPT-6 Astra'nın "her alanda en iyi modelimiz olmayı sürdürdüğünü" söylüyor; bu da Sol'un kendi ailesinin amiral gemisi değil, fiyat-performans segmenti olduğunu hatırlatan faydalı bir not.

Eksen 1: milyon token başına maliyet değil, tamamlanan görev başına maliyet

Token fiyatı, gerçekte ödediğiniz rakamın yalnızca bir göstergesidir. Yarı fiyata çalışan ama üç deneme gerektiren bir model, işi tek seferde bitiren bir modelden daha pahalıya gelir. OpenAI, skorun yanında görev başına maliyeti de yayımlıyor; bu da alışılmadık ölçüde doğrudan bir yaklaşım.

İnsanların alıntıladığı satır ilk satır. extra-high akıl yürütmede Sol, max akıl yürütmedeki Claude Opus 5'ten daha yüksek puan alıyor ve bunu Opus 5'in görev başına maliyetinin yalnızca yaklaşık %9'uyla yapıyor. $0,27'yi 11,1 ile çarptığınızda, max ayarındaki Opus 5 o test düzeneğinde görev başına yaklaşık $3'e denk geliyor; bu, OpenAI'nin yayımladığı bir sayı değil, onların verdiği iki rakamdan bizim yaptığımız hesap.

Şimdi o pürüzü hesaba katın. Anthropic, Opus 5.5'in çalıştırma maliyetini Opus 5'ten %40 düşük gösteriyor, yani bu $3 rakamı güncelliğini yitirmiş durumda. Üstelik basitçe aynı %40 oranında da düşmüyor; çünkü görev başına maliyet, tek başına liste fiyatıyla değil, modelin oraya varana kadar yaktığı token miktarıyla değişiyor. Yayımlanan fark büyüktü, farkın bir tarafı aynı gün belirtilen bir oranda aşağı kaydı ve karşılaştırmayı kimse yeniden çalıştırmadı. Bu rakamı kendi kod tabanınız için istiyorsanız, bir laboratuvarın sizin adınıza çalıştırmasını beklemek yerine karşılaştırmayı kendi deponuzda yapın.

Ölçek fikri vermesi açısından: OpenAI, araştırmacılarının medyanının kodlama ajanlarına günde $600'ün üzerinde harcadığını, 90. yüzdelik dilimin ise günde $7.000 olduğunu bildiriyor. Görev başına maliyet, soyut bir kavram olmaktan hızla çıkıyor.

Eksen 2: görevi ne kadar süre elinde tutuyor

İki satıcı aynı soruya farklı yerlerde yanıt verdi.

Anthropic yanıtı modelde verdi. Opus 5.5 bir görev üzerinde 18 saat ya da daha fazla kalıyor. Çalışma gününüzden daha uzun süren bir çalıştırma, gözetim biçimini değiştirir: onu izlemeyi bırakıp geri dönmeye başlarsınız; bu da ancak çalıştırma, kapattığınız bir terminalin dışında bir yere rapor veriyorsa işe yarar.

OpenAI ise yanıtı önbellekte verdi. GPT-6, önbelleğe alınmış girdi okumalarında %90 indirim yapıyor, isabet oranlarını varsayılan olarak yükseltiyor ve ajan işleri açısından önemli olan bir noktayı da beraberinde getiriyor: artık akıl yürütme eforunu ya da kullanılabilir araç kümesini değiştirdiğinizde önbellek bozulmuyor. Açık kesme noktaları, önbelleğe alınmış bir önekin nerede bittiğini seçmenize olanak tanıyor. GitHub, milyarlarca istek genelinde taze işlenmesi gereken prompt token sayısında %50'den fazla azalma bildiriyor. Uzun bir ajan çalıştırması çoğunlukla aynı bağlamın defalarca okunmasıdır; dolayısıyla bu, süreyi değil sürenin maliyetini düzelten bir çözüm.

Tipik Task'ınız bir migrasyon, geniş kapsamlı bir refactor ya da yarıda kalmanın tokenlardan daha pahalıya mal olduğu bir işse Opus 5.5'i varsayılan olarak kullanın. Tipik Task'ınız sınırları belli, günde birçok kez tekrarlanan ve yeniden denemesi ucuz bir işse Sol'u varsayılan olarak kullanın. Çoğu ekipte her iki tür de bulunur; bu yüzden varsayılan, istisnalar konusunda bilinçli olmaktan daha az önemlidir.

Eksen 3: tıkandığında ne yapıyor

Bu eksenin bir benchmark'ı yok ve destek taleplerini üreten de tam olarak bu.

Her iki satıcıdan bağımsız bir üçüncü taraf olan Artificial Analysis, "max" akıl yürütme varyantlarını ölçtü: Sol için ilk token'a 102,15 saniyede ulaşırken saniyede 115,2 çıktı tokenı, Luna için ise 124,23 saniyede saniyede 153,9 token. Bunlar max efor yapılandırmaları; üzerine bahis oynamadan önce güncel listeyle doğrulamanız iyi olur. Önemli olan biçim: yüksek akıl yürütme eforunda, ucuz modeller hızlı başlayan modeller değildir.

102 saniye boyunca düşünen bir ajan ile takılıp kalmış bir ajan terminalde tıpatıp aynı görünür. 40 dakika önce işi bitmiş bir ajan ile kimsenin görmediği bir soruyu sormak için durmuş bir ajan da öyle. Hiçbir model sürümü bunu çözmez. Bunu çözen şey, Task'a geri dönen bir durumdur: In Progress, Waiting for human, Failed, Ready for release; yanında log ve soruyla birlikte. Agent'lar araştırır, yürütür, test eder ve raporlar. İnsanlar yön belirler, yetki verir ve sonucu kabul eder.

Her Runtime'ın ilerlemeyi ve hatayı nasıl bildirdiğine benchmark tablosuyla aynı ağırlığı verin. Durumu haftada yüz kez, benchmark'ı ise bir kez okuyacaksınız.

İki benchmark tablosunu yan yana koymayın

İki satıcı da bu hafta bir AutomationBench rakamı yayımladı. OpenAI, extra-high akıl yürütmede Sol'un AutomationBench 1.0.6'da %33,2 aldığını bildirdi. Anthropic ise Opus 5.5'in AutomationBench'te %40,0 aldığını bildirdi. Her ikisi de OSWorld 2.0 sonucunu paylaştı; sırasıyla %60,5 ve %81,8, ve OpenAI'nin rakamı offline set üzerinde.

Bunlar kafa kafaya bir karşılaştırma değil. Farklı akıl yürütme ayarları, en az bir farklı benchmark varyantı, farklı test düzenekleri, paylaşılan bir görev başına maliyet rakamı yok ve her biri bundan çıkar sağlayan taraf tarafından çalıştırılmış. Opus 5.5 ile GPT-6 Astra'yı belirli rakamlar üzerinden karşılaştıran gönderiler tweet, satıcı verisi değil. Artificial Analysis ortak bir endeks yayımlıyor: Opus 5.5'i 58 puanla 212 model arasında birinci sıraya, Sol'u 48'e, Luna'yı 37'ye koyuyor; ama bu, sizin kod tabanınızın ölçümü değil, üçüncü taraf bir toplam.

Bir sonraki lansmandan sağ çıkan karar

Varsayılanı yazıya dökün. Birinin aklında tuttuğu bir tercih olarak değil, Agent'a bağlı bir kural olarak: bu Agent şu Runtime'da çalışır, şu Task'lar ona gider ve rutin olanları üstlenen daha ucuz Agent da şurada. Ekibin okuduğu bir yerde tutulan, şuna benzer bir şey:

Default Runtime: Claude Code on claude-opus-5-5
  Tasks: migrations, wide refactors, anything that fails badly halfway
Second Runtime: Codex on gpt-6-sol
  Tasks: bounded, repeated many times a day, cheap to retry
Escalation: a Sol Task that fails twice returns to the Task for a person,
  it does not silently re-run on the expensive Runtime

İşte hangi modelin hangi görevi alacağını verime dönüştüren budur ve bu, bir sonraki lansmandan sağ çıkar; çünkü yanıt değiştiğinde altı kişiye ne kullandıklarını sormak yerine tek bir kuralı düzenlersiniz. İki laboratuvar en güçlü fiyat-performans segmentini aynı gün piyasaya sürdü ve biri, saatler sonra devreden çıkan bir modeli referans alarak benchmark yaptı. Tek bir yerden değiştirebileceğiniz bir varsayılan Runtime, bu hafta doğru seçim yapmaktan daha değerlidir.

İki lansmanın da değiştirmediği tek şey kuyruk. Tamamlanan görev başına maliyet her iki tarafta da sert biçimde düştü; yani sabit bir bütçe artık geçen haftaya kıyasla birkaç kat daha fazla bitmiş ajan işi satın alıyor. Buna karşılık sıfır ek incelemeci saati satın alıyor. İnceleme kapasitesi tavanı belirler ve bir fiyat indirimi tavanı rahatlatmaz, aksine hacmi o tavana doğru bastırır. Hedefi, çalıştırmayı, engelleri, diff'i ve insan incelemesini talepten sürüme kadar tek bir yerde görünür tutun; böylece varsayılan Runtime bir kumar değil, bir ayar haline gelir.

Sharkly modeli çalıştırmaz ve sizin yerinize seçmez. O, bunu yapan araçların etrafındaki paylaşılan Task, Computer, bağlam ve inceleme katmanıdır. Tek bir ekosisteme bağlanmak yerine birden fazla kodlama ajanı kullanmaya devam etmek istiyorsanız, tasarımı tam da bu sorun üzerine kurulu. Bir Computer bağlayın, her Runtime'da bir Agent oluşturun ve ikisine de aynı sıkıcı Task'ı verin.