Opus 5.5 ve GPT-6 Sol Artık Sadece Skorla Değil, Görev Başı Maliyetle Yarışıyor

Anthropic 22 Eylül'de Claude Opus 5.5'i yayınladı. OpenAI de aynı gün GPT-6 Sol ve GPT-6 Luna'yı çıkardı. İki duyuru da aynı vaadi öne çıkarıyor: benzer ya da daha iyi sonuçlar, üstelik görev başına çok daha düşük maliyetle. Günde saatlerce kodlama ajanı çalıştıran ekipler için bu çerçeve daha kullanışlı. Varsayılan modeli değiştirmeden önce neyi ölçmeniz gerektiğini de değiştiriyor.

Gerçekte ne çıktı#

Anthropic tarafında:

• Opus 5.5, Claude 5.5 ailesinin ilk modeli. Sonnet 5.5 ve Haiku 5.5'in önümüzdeki haftalarda gelmesi bekleniyor.
• Anthropic'e göre model çoğu işte Claude Fable 5.1 seviyesinde performans gösteriyor. Varsayılan ayarlarda ise tipik iş yüklerinde Opus 5'ten %40 daha ucuz.
• Fiyatı milyon input token başına $4, milyon output token başına $20 (Opus 5'te $5 ve $25). Cache okuma $0.50'den $0.20'ye, cache yazma $6.25'ten $5'e iniyor. Output %30'dan fazla hızlanmış.
• AWS, Google Cloud ve Azure dahil tüm platformlarda erişilebilir. Claude Platform'daki model ID'si claude-opus-5-5. Claude Code 2.1.280 changelog'una göre 1M context ile varsayılan Opus modeli artık bu.

OpenAI tarafında:

• GPT-6 Sol ve Luna, GPT-6 Astra'nın bir alt kademesinde konumlanıyor. API'de gpt-6-sol ve gpt-6-luna olarak geçiyorlar. ChatGPT Work ve Codex'te Plus, Pro, Business, Enterprise ve Edu kullanıcılarına kademeli olarak açılıyorlar.
• Sol ve Luna'nın API fiyatları, GPT-5.6'nın promosyon fiyatlarından %50 daha düşük.
• OpenAI, GPT-6 Sol'un max effort'ta DeepSWE v1.1'de %68.8 aldığını açıklıyor. Ayrıca şirket içi bir doğruluk (factuality) değerlendirmesinde Sol'un bir önceki modele göre yaklaşık yarı yarıya daha az hata yaptığını söylüyor.

Asıl önemli kalem cache okuma#

Anthropic'in duyurusundaki kilit cümle parantez içinde duruyor: cache okumaları "ajan tabanlı işlerin ve kodlama işlerinin maliyetinin büyük kısmını oluşturuyor." Uzun bir çalışmanın her turunda system prompt, tool tanımları, repo context'i ve o ana kadarki konuşma yeniden gönderiliyor. Her turda eklenen yeni token sayısı az, tekrar okunan prefix ise büyük.

Opus 5.5'te bir cache okuması, sıfırdan gönderilen bir input token'ın %5'ine mal oluyor ($4'a karşı $0.20). Opus 5'te bu oran %10'du. OpenAI ise duyurusunda caching'e koca bir bölüm ayırmış:

• varsayılan olarak daha yüksek cache hit oranları
• cache'lenmiş input okumalarında %90 indirim
• bir caching dashboard'u ve bir diagnostics aracı
• cache'lenen prefix'in nerede biteceğini kendiniz seçebilmeniz için explicit breakpoint'ler
• reasoning effort'u değiştirmek ya da tool'ları açıp kapatmak artık cache'i bozmuyor

İndirim yalnızca cache hit olduğunda geçerli. Aynı Claude Code sürümü, Claude çalışırken host uygulamadan model değiştirildiğinde bir sonraki prompt'ta cache miss oluşmasına yol açan bir bug'ı düzeltiyor. Ayrıca resume edilen fork subagent'ların tool listesini yeniden oluşturmasını, dolayısıyla caching'lerinin bozulmasını da düzeltiyor. Olgun bir harness bile bu tür bug'larla çıkıyorsa, şirket içinde yazılmış agent loop'larında da muhtemelen benzerleri vardır. Ben olsam liste fiyatından önce bakacağım ilk sayı hit oranı olurdu.

İki benchmark tablosunu da dikkatli okuyun#

Anthropic'in Terminal-Bench 4.0 tablosunda Opus 5.5 %66.4'te görünüyor. Opus 5 %52.3'te, GPT-6 Astra ise %57.9'da. Tablonun altındaki notlara göre Opus 5.5 xhigh effort'ta çalıştırılmış, Astra rakamı OpenAI'ın kendi raporundan alınmış ve Opus 5.5'in standart hatası ±2.6 puan. Anthropic'in kendisi de bu seviyede benchmark farklarının gerçek dünyadaki farklar için daha az güvenilir bir gösterge haline geldiğini söylüyor.

OpenAI'ın DeepSWE karşılaştırması ise Claude Fable 5'e karşı yapılmış, çünkü Fable 5.1 skorları mevcut değilmiş. Doğruluk değerlendirmesi de kullanıcıların zaten bir olgusal hatayı işaretlediği konuşmaları kullanıyor. OpenAI bunun tipik kullanımı temsil etmediğini kendisi belirtiyor.

Bir not daha: Opus 5.5'in güvenlik önlemleri çoğu siber güvenlik görevini Opus 4.8'e yönlendiriyor. Yine de kendi kodunuzdaki rutin bug düzeltmelerine izin veriliyor. Ayrıca model artık thinking kapalıyken kullanılamıyor. Pipeline'ınız güvenlik işi yapıyorsa ya da token tasarrufu için thinking'i kapatıyorsa, o yolu mutlaka test edin.

Varsayılanı değiştirmeden önce neleri kontrol ederdim#

• Model ID'lerini sabitleyin. Claude Code 2.1.280, Opus 5.5'i varsayılan Opus modeli yaptı. Yani orada "Opus" seçen herkes güncelleme yaptığı anda bu modele geçiyor. Bu geçişi kazara değil, bilerek yapın.
• Kendi eval'lerinizi yeniden çalıştırın, hem de kendi repolarınızdan gerçek görevlerle. Pass rate'i, token'ları, görev başı maliyeti ve gerçek süreyi (wall-clock) ölçün. Anthropic, Terminal-Bench 4.0'da varsayılan effort'taki Opus 5.5'in max effort'taki Opus 5'i maliyetin yaklaşık beşte birine geçtiğini söylüyor. Bunu kendi görevlerinizde test edin.
• Cache hit oranını session bazında loglayın ve prefix'i neyin bozduğunu bulun: session ortasında model değiştirmek, turlar arasında değişen tool listeleri, system prompt'lardaki timestamp'ler.
• Geçmişi yeniden yazma durumunu kontrol edin. Anthropic'in anti-distillation önlemi olan preserved thinking, API kullanıcılarının Claude'un önceki context'ini düzenlemesini engelliyor. Bu kural, 31 Ağustos 2026 ve sonrasında oluşturulan API hesaplarında Opus 5.5 ve Fable 5.1 için geçerli. Yani geçmişi yeniden yazan harness'lerin test edilmesi gerekiyor.

Benim yorumum#

Yarış artık leaderboard'un tepesinde kimin olduğundan, uzun bir agentic çalışmayı işin kalitesinden ödün vermeden en ucuza kimin bitirdiğine kaydı. Ben her gün işleri maliyete göre modeller arasında dağıtıyorum. Planım, Opus 5.5 ve GPT-6 Sol'u aynı diff'ler üzerinde aynı Quorate gate'lerinden geçirmek. Sonra ikisinden biri varsayılan reviewer ya da uzun migration modeli olmadan önce, token başı maliyeti değil, kabul edilen değişiklik başına maliyeti karşılaştıracağım.