GPT-5.6 İncelemem: İkincilik Hiç Bu Kadar İyi Olmamıştı

TL;DR

• GPT-5.6'yı 27 Mayıs'tan beri test ediyorum. İlk iki hafta boyunca kullandığım en etkileyici modeldi. Hedef modu ile bu model tam bir büyü. Bana çalışan bir metro sistemine sahip voxel tabanlı bir Manhattan simülasyonu ve Teardown tarzı bir yıkım oyunu inşa etti, çoğunlukla kendi kendine, günler süren çalışmalar boyunca.

• Sonra Claude Fable çıktı ve neredeyse bir gecede GPT-5.6'yı kullanmayı bıraktım, çünkü Fable benim görevlerim için çok daha iyi.

• Kıyaslamalarda ikisi birbirine yakın görünüyor. Gerçek dünyada ise değiller. Fable'da büyük model kokusu var. GPT-5.6, inanılmaz derecede iyi RL (pekiştirmeli öğrenme) uygulanmış daha küçük bir model gibi hissettiriyor ve bu fark, normal kodlama işlerinin ötesine geçtiğinizde hemen ortaya çıkıyor. Güven konusunda da kendini gösteriyor: doğru önlemler ve kurulumla Fable'ın kodunu kontrol etmem gerekmiyor. 5.6'nın kodunu hâlâ kontrol etmem gerekiyor.

• GPT-5.6 ile iddialı bir iş yapmak için onu yönlendirmeniz gerekiyor, oysa Fable ile sadece nihai hedefi bir kez tanımlıyorsunuz ve genellikle oraya özerk bir şekilde ulaşıyor.

• GPT-5.6 hâlâ birkaç önemli alanda Fable'ı geçiyor: limitler, arayüz ve güvenlik işlerini yapmaya istekli olması. Artık benim ana modelim değil, güvenlik denetçim ve ikinci çift gözüm.

• Fable dışında, GPT-5.6 kullanabileceğiniz en iyi model. Ve onu hedef modunda çalıştırmak, OpenAI'in şimdiye kadar çıkardığı en iyi ajan kurulumu.

İyi Yönleri

• Hedef modu. /goal yazın ve model hedef gerçekten tamamlanana kadar durmaz. Bu, OpenAI'in gerçekten çalışmak istediğim şekle en çok yaklaştığı nokta.

• Takıntılı ve bir görevi tamamlamak için günlerce çalışabilir. En uzun hedef çalışmalarım, tek bir hedef için, büyük ölçüde gözetimsiz olarak neredeyse bir hafta sürdü.

• Önceki herhangi bir GPT modelinden çok daha az rehberlik gerektiriyor. Belirsizlik altında makul kararlar alıyor ve ilerlemeye devam ediyor. 5.6'yı denedikten sonra GPT-5.5'e dönmek bu açıdan büyük bir gerileme gibi hissettirdi.

• Güvenlik çalışmaları gerçekten güçlü ve bunu yapmaya Fable'dan çok daha istekli.

• Tasarım, önceki GPT modellerinden çok daha iyi.

• Limitler, her zamanki gibi Anthropic'inkinden çok daha cömert.

• Codex uygulaması, özellikle telefondan ajan çalıştırmak için hâlâ en iyi arayüz.

• 5.6'yı önceki modelleri kodlama için kullandığınız gibi kullanırsanız, bu modeli seveceksiniz. Fable aynı iş için daha pahalı ve daha yavaş. Ancak daha iddialı bir şekilde prompt yazıyorsanız, a'dan z'ye tek seferde gitmeye çalışıyorsanız veya daha alışılmadık görevler üzerinde çalışıyorsanız, Fable çok daha iyi.

Pek de İyi Olmayan Yönleri

• Fable değil. Açıkçası bu incelemenin çoğu bu.

• Tasarım hâlâ Fable'ın eline su dökemez. Opus 4.8'in bile eline su dökemez.

• İddialı yaratıcı çalışmalar Fable'dan çok daha fazla rehberlik gerektiriyor ve çok fazla rehberlikle bile Fable'ın tek seferde yapabileceklerine ulaşamıyor. Eski modellerden daha az, ancak fark gerçek.

• Tetikçi olabiliyor. Bir keresinde bir şartname yazmasını istedim ve makinemde belli belirsiz alakalı bazı dosyalar bulup onları düzenlemeye başladı, bu can sıkıcıydı.

• İşiniz basit mühendislik görevleriyse, yükseltmeyi hissetmekte zorlanabilirsiniz. Önceki nesil çoğu için zaten yeterince iyiydi. Modeli daha zor görevlerde zorladıkça veya aynı anda daha fazlasını yapmasını istedikçe, yükseltmeyi daha çok hissedeceksiniz.

Bu yazdığım en tuhaf inceleme, çünkü bu model hakkındaki fikrim testin ortasında tamamen değişti ve modelin bununla hiçbir ilgisi yoktu.

GPT-5.6'ya 27 Mayıs'ta erişim sağladım. Yaklaşık iki hafta boyunca tamamen büyülendim. Sabah, öğle, akşam çalıştırdım. Bir noktada o kadar çok paralel hedef modu çalışması yapıyordum ki, tek bir makinede 17 günde OpenAI'in en yüksek kullanıcısının aylık token'ının 3 katını kullanmıştım. Modellerin inşa edebileceğini düşünmediğim şeyler inşa ediyordum ve neredeyse hiç yazmıyordum.

Sonra Fable çıktı, erişim sağladım ve GPT-5.6'yı neredeyse hemen kullanmayı bıraktım.

Nereden geldiğimi bilmelisiniz. Önceki incelemelerimi okuduysanız, genellikle bir GPT insanı olduğumu bilirsiniz. Çok fazla frontend veya UX işi yapmam. Çoğunlukla backend, sistem ve ajan işleri yaparım ve GPT modelleri tarihsel olarak benim için orada daha iyi olmuştur. İstediğim değişikliği ve başka hiçbir şeyi yapmama eğilimindedirler. Bu yüzden size bir Claude modelinin sevdiğim bir GPT modelini terk etmeme neden olduğunu söylediğimde, bunun alışılmışın dışında olduğunu anlayın.

Her iki kısmı da açıklayayım: GPT-5.6'nın beni neden büyülediği ve şimdi neden neredeyse hiç kullanmadığım.

Hedef Modu Tam Bir Büyü

Hedef modunu tanımlaması basit. Codex CLI veya uygulamasında /goal yazarsınız, net tamamlama kriterleri olan bir hedef verirsiniz ve model hedef tamamlanana kadar durmaz. Bir çalışma bittiğinde, hedef modu hedefin gerçekten karşılanıp karşılanmadığını kontrol eder. Karşılanmadıysa, yeni bir çalışma başlatır ve devam eder. Günlerce sürmesi gerekse bile tekrarlar.

Fable prompt yazma rehberimi okuduysanız, içindeki her şey doğrudan burada da geçerlidir, çünkü bu tekniklerin çoğunu ilk olarak GPT-5.6'da geliştirdim. "Bitti"yi bir sıfat değil, bir test haline getirin. Asla bitmesine izin vermeyin. İnşa edenleri ve değerlendirenleri ayrı ajanlar yapın. Telefonunuzdan kontrol edebileceğiniz bir ilerleme sayfası tutmasını sağlayın. GPT-5.6 tüm bunlara yanıt verir.

Hedef moduna özel iki püf noktası:

1. Hedefler 4.000 karakterle sınırlıdır. Sınırla savaşmayın ve her şeyi sıkıştırmaya çalışmayın... bunun yerine gerçek hedefi bir markdown dosyası olarak yazın ve hedefin kendisini tek satır yapın: "goal.md'deki hedefi ve tamamlama kriterlerini tamamla. Bu dosyayı çalışma boyunca kalıcı bilgi kaynağı olarak kabul et." Bonus olarak, çalışma devam ederken dosyayı düzenleyebilirsiniz.

1. Bu hedef dosyası üzerinde uzun zaman harcayın. Bir modelin yazmanıza yardım etmesini sağlayın. Hedef dosyası, normalde bir yöneticinin yapacağı işi yapıyor ve içinde bıraktığınız her belirsizlik, modelin siz olmadan vereceği bir karardır.

Manhattan'ı İnşa Etti

Bunun nasıl göründüğünü size göstermenin en iyi yolu, ne inşa ettiğidir.

Ona özünde şunu söyleyen bir hedef dosyası verdim: gerçek New York City metro sistemi dahil olmak üzere, gerçek şehir gibi görünen, ses çıkaran ve çalışan, keşfedilebilir bir 3D voxel Manhattan rekreasyonu inşa et. Hedefe yazdığım standart basitti: New York'u bilen biri nerede olduğunu anlayabilmeli.

Günler sonra, buna sahiptim.

GPT-5.6 tarafından inşa edilen Manhattan hava görüntüsü

Bu gerçek ada. Silüet uyuyor. Bina şekilleri uyuyor. Coğrafya ve topografya uyuyor. Bunu yapmak için gerçek şehir verilerini çekti, bu yüzden Empire State Binası olması gereken yerde, 40.7485° K, 73.9868° B'de.

Doğru Empire State Binası

Ve metro çalışıyor. "Bir metro dokusu var" değil. Gerçek bir caddede yürüyorsunuz, gerçek konumunda bir istasyon girişi buluyorsunuz, yeraltına iniyorsunuz, doğru hatta bir trene biniyorsunuz, tünellerden geçiyorsunuz, gerçekten aktarma yapacağınız yerde aktarma yapıyorsunuz ve şehrin başka bir yerinde gerçek bir çıkıştan çıkıyorsunuz. Hatta gerçek Manhattan'ın gerçek metro tarifelerini eşleştirmenin bir yolunu buldu, böylece dijital trenler gerçek olanla senkronizeydi.

Grand Central-42 St'de biniş

Üzerinde çalıştığı yıkım oyunu da aynı hikayeydi. Hedef: gerçek voxeller ve gerçek yapısal fizik ile Teardown'ın yanında durabilecek birinci şahıs voxel yıkım oyunu. Bir binanın tabanını havaya uçurun ve üstündeki her şey kendi ağırlığı altında çöksün. Bu çalışma beş gün ve yetmişten fazla iterasyon sürdü.

Redline Demolition, GPT-5.6'nın inşa ettiği voxel yıkım oyunu

Oynanışı izleyin

Bu çalışmalardan iki şey aklımda kaldı. Birincisi, kendini dürüstçe değerlendirdi. Manhattan çalışmasının başlarında, kendi ilerleme günlüğü taslağı ilerleme olarak saymayı reddetti: "görünür şekilde Manhattan değil ve bir şehir kilometre taşı olarak kabul edilmiyor." Hedef dosyası izin vermediği için günlerce zafer ilan etmedi. İkincisi, değerlendirmeyi hiç istemediğim şekillerde ciddiye aldı. Yüzlerce rakip alt değerlendirici ajan başlattı ve düzeltilecek tonlarca küçük sorun buldu.

Bir çalışma sırasında Mac'imin diski hedefin ortasında doldu, güvenle silinebileceğini doğrulayabildiği önbellekleri temizledi, ardından bir bulut sanal alan CLI'sı kurdu ve çalışmaya devam etmek için kendini oraya taşıdı. Aynı anda hem etkileyici hem de biraz endişe verici, ki bu bu modelin adil bir özeti.

Yani evet: iki hafta boyunca bunun gelecek olduğunu düşündüm.

Sonra Fable Çıktı

Sonra Fable'ı aldım ve karşılaştırma yakın değildi.

Geri dönüp bazı GPT-5.6 projelerimi adil olmak için yeniden çalıştırdım. En net test, yayınladığım dünyaların arkasındaki türden programatik 3D ve video çalışmasıydı. GPT-5.6'nın çıktısı önceki herhangi bir GPT modelinden daha iyiydi. Aynı zamanda Fable'ın yanına bile yaklaşamıyordu. Sonuçlar çok daha kötü görünüyordu ve hiçbir iterasyon miktarı farkı kapatamadı.

Bu arada, bu benim modeller için yeni referans noktam haline geldi: sıfırdan fiziksel olarak doğru bir voxel motoru inşa etmesini sağlayın ve ne kadar ileri götürebileceğini görün. Acımasız bir test çünkü yaslanacak bir kütüphane yok ve taklit etmenin yolu yok. GPT-5.6'nın motorları, Fable'ın çıtasının çok çok altında kaldı.

Daha derin fark, rehberlik. Fable ile ne istediğinizi söylüyorsunuz ve o hallediyor. GPT-5.6 ile çok şey hallediliyor, ancak iddialı şeyler yönlendirme gerektiriyor. Rotayı düzeltiyor, çıtayı yeniden açıklıyor, daha az muhafazakar olması için zorluyorsunuz. Bu, önceki nesil modellerin ihtiyaç duyduğundan çok daha az bakım. Fable'ın ihtiyaç duyduğundan çok daha fazla, ki Fable'ın yaklaşık olarak hiç ihtiyacı yok.

Güven diğer yarısı. Doğru önlemler ve kurulumla, Fable'ın kodunu artık kontrol etmiyorum. Ona güvenebileceğimi biliyorum. 5.6'nınkini hâlâ, oldukça sık kontrol ediyorum.

GPT-5.6'da inşa ettiğim bazı şeyleri yeniden test etmeye hiç zahmet etmedim bile, çünkü Fable ile birkaç hafta sonra su seviyesinin altında hissettiler.

Büyük Model Kokusu

İşte nedenine dair dürüst yorumum.

Fable'da büyük model kokusu var. Devasa bir şeyle konuştuğunuzu anlıyorsunuz. Genelleme yapıyor. Onu garip bir yere itiyorsunuz ve orada hâlâ akıllı.

GPT-5.6 daha küçük bir model gibi hissettiriyor. Hâlâ büyük, ancak daha küçük, üstünde inanılmaz miktarda pekiştirmeli öğrenme var. Ve RL tam olarak beklediğinizi veriyor: model, üzerinde eğitildiği iş biçimlerinde son derece iyi ve kıyaslamalar, en çok eğitilen biçim. Bu yüzden puanlar yakın görünüyor. Sonra asfalt yoldan bir adım atıyorsunuz, sıfırdan bir voxel motoruna veya bir 3D render'a ve fark hemen ortaya çıkıyor.

Bu, GPT-5.6'yı kıyaslamaların önerdiğinden daha hedefli bir araç yapıyor.

OpenAI'in gerçekten büyük bir model eğiteceğini içtenlikle umuyorum, çünkü Fable boyutunda bir şeyin üstündeki RL'leri kesinlikle inanılmaz olurdu. Bu model henüz mevcut değil (bildiğimiz kadarıyla... yakında olacak gibi).

GPT-5.6'nın Hâlâ Kazandığı Yerler

Her şey tek yönlü değil ve istisnalar önemli.

Güvenlik. GPT-5.6, siber güvenlik çalışmaları yapmaya Fable'dan daha istekli, ki Fable tehlikeli olarak kalıp eşleşen görevleri reddedebiliyor. Ve gerçekten iyi. Şu anki gerçek iş akışım: Fable kodu yazıyor ve GPT-5.6 denetliyor. Codex exec başsız çalıştığı için, bunu her commit'i denetleyen veya her Fable çalışması bittiğinde tetiklenen bir kancaya bağlayabilirsiniz.

Limitler. OpenAI'in limitleri Anthropic'inkinden çok daha cömert. Bu her zaman doğruydu ve hâlâ doğru. Fable token'larınızı idareli kullanıyorsanız, GPT-5.6 harika bir ikinci seçenek (veya Fable planlarken onu yürütmek için kullanabilirsiniz).

Arayüz. Codex uygulaması, özellikle bir telefondan ajanları çalıştırmak ve yönlendirmek için hâlâ en iyi yol. Bir kez eşleştirin ve iş gönderebilir, farkları inceleyebilir ve her yerden hedef çalışmalarını sürdürebilirsiniz. Eskisinden daha az kullanıyorum çünkü bunu Fable ile yapmanın kendi yolumu buldum: workbench.md üzerinde bir dokümanda çalışmasını sağlıyorum ve güncellemelerini okuyup telefondaki dokümanda bir sohbet bileşeninden doğrudan yönlendirebiliyorum. Ancak bir ürün olarak, OpenAI'in ekibi burada önde olmaya devam ediyor ve aralarındaki fark açık.

Ne Zaman Ne Kullanmalı

• Fable'ı kullanabiliyorsanız: Hemen hemen her şey için Fable. Güvenlik denetimleri için, önemli değişikliklerde ikinci bir çift göz olarak ve maliyetten tasarruf etmek istediğinizde Fable'ın planlarını uygulayan bir uygulayıcı olarak GPT-5.6.

• Kullanamıyorsanız: Hiç tereddüt etmeden GPT-5.6. Başka birinin yaptığı en iyi model, onu hedef modunda çalıştırmak bugün sahip olabileceğiniz en iyi ajan kurulumu ve bu incelemede ılık görünen her şey yalnızca Fable'a kıyasla ılık.

Son Düşünceler

Fable olmasaydı, bu yazdığım en coşkulu inceleme olurdu. Bir hedef dosyasına karşı günlerce çalışabilen, kendi çalışmasını rakipçe değerlendirebilen ve çalışan bir voxel tabanlı Manhattan teslim edebilen bir model küçük bir şey değil. Altı ay önce bilim kurgu olurdu.

Ama Fable var. Ve GPT-5.6'nın dürüst özeti, ikinciliğin hiç bu kadar iyi olmadığı ve hiç bu kadar az önemli olmadığı. Sınır, gümüşün bir değer ifade ettiği bir liderlik tablosu değil. Bir model diğerinin yapamadığını yapabiliyorsa, o modeli kullanırsınız ve şu anki fark, tüm iş akışımı günler içinde yeniden düzenleyecek kadar geniş.

GPT-5.6 harika bir model. Umarım OpenAI'in bir sonraki modeli beni geri döndürür. Daha önce bana bunu yaptılar.

Bunu faydalı bulduysanız, yapay zeka modelleri ve onlardan en iyi şekilde nasıl yararlanabileceğiniz hakkında daha fazla düşüncem için beni X'te takip edin.

Orijinal incelememi buradan okuyun: https://shumer.dev/gpt56review.html