GPT-5.6 для кода: Sol, Terra, Luna против Claude и Gemini

Вывод

Спрашивайте не только, какая модель умнее, а где запускается задача, сколько она длится и к чему имеет доступ. Sol лидирует в опубликованном сравнении terminal-agent, Claude остаётся сильным для длинных сессий Claude Code, Gemini недорого читает огромные репозитории. Это разделение ролей, а не обязательная миграция.

Спрашивайте не только, какая модель умнее, а где запускается задача, сколько она длится и к чему имеет доступ. Sol лидирует в опубликованном сравнении terminal-agent, Claude остаётся сильным для длинных сессий Claude Code, Gemini недорого читает огромные репозитории. Это разделение ролей, а не обязательная миграция.

Почему выбор сложнее

Выбор усложнился: возможности разделены на уровни, одна и та же модель получает разные инструменты и права в IDE, CLI и API, а у разных бенчмарков разные лидеры. Делать Sol моделью для всего — платить за ненужное рассуждение; стандартизироваться на одной модели — потерять ценность существующего процесса.

Read the OpenAI GPT-5.6 announcement and the latest-model guide as versioned product references. Model availability, price, and tool policy change; an engineering decision must retain its date and test conditions.

Классы моделей

Sol — флагман для сложных multi-tool агентов с reasoning от high до max. Terra — практичный стандарт для ревью, тестов и средних рефакторингов. Luna — быстрая batch-модель примерно по $1/$6 за миллион входных/выходных токенов. Mythos 5 близка к Sol в Terminal-Bench и особенно полезна там, где уже работают Claude Code Skills, Hooks и MCP. Gemini 3.1 Pro хороша для большого контекста и анализа на чтение, но reference-результат 70,7% для terminal-agent не делает её хорошим стандартом для двухчасового автономного ремонта.

In an IDE, the host determines repository access, terminal execution, approval prompts, and the context passed to a model. Cursor model documentation is therefore operationally relevant: changing a model without preserving the host and permission boundary is not a clean A/B test.

Сравнение по пяти осям

Сравнивайте по единым критериям: точка входа, запуск инструментов, доступный контекст, цена, граница прав и роль оператора. Публичные баллы — моментальный ориентир, а не гарантия для вашего репозитория.

Benchmark figures are the published comparison values referenced by the GPT-5.6 release material. Validate them against a fixed commit, tool policy, and time budget before treating them as procurement evidence.

Sol is faster and more token-efficient on command-line agent benchmarks (Artificial Analysis Coding Agent Index 80, roughly half the output tokens of Fable 5), while Mythos 5 still leads on real PR repair tasks. That is why replacing Claude or Gemini is not a binary choice.

Матрица решений

Для двухчасового shell-агента начните с Sol high/max и держите Mythos 5 для сравнения. Для UI в Cursor выбирайте Terra или Sol, проверенные Claude Code Hooks не заменяйте без теста. Gemini читает монорепозитории от 500K токенов, Luna делает CI-теги и changelog, а iOS-сборке нужен настоящий macOS-узел.

Рекомендуемый стек

Личный сбалансированный стек: Terra в Cursor, Sol для эскалаций, Gemini для архитектурных вопросов только на чтение и Cloud Mac M4 с изолированными worktree. Claude-команда оставляет Mythos 5 + Skills, вызывает Sol только для трудных diff и отправляет повторяющийся CI в Luna. Команда с жёстким бюджетом назначает Terra стандартом IDE и лимитирует Sol помесячно.

Stack A — individual
Cursor: GPT-5.6 Terra
Escalation: GPT-5.6 Sol (reasoning: high)
Repository reading: Gemini 3.1 Pro
Execution: Cloud Mac M4, isolated worktree

Stack B — Claude-native
Default: Claude Mythos 5 + Skills
Hard diff: GPT-5.6 Sol comparison
CI batch: Luna tagging + Terra PR repair

Keep the model runner and the execution node separate when useful: Cloud Mac Claude Code and Everything Claude Code (ECC) explain that operating boundary. For dual-agent isolation see dual-agent architecture.

Ошибки

• Делать Sol стандартом из-за одного terminal benchmark.
• Заменять Claude Code без повторной проверки Hooks, Skills и запросов прав.
• Принимать большой контекст Gemini за способность долго автономно менять код.
• Запускать долгого агента на ноутбуке со сном или сменой сети.
• Игнорировать нелинейность цены и качества reasoning.effort.

Семь шагов

1. Инвентаризировать Cursor, Claude Code и прямой API.
2. Выбрать типовые UI-, refactoring- и terminal-agent задачи.
3. Запустить их в одном изолированном worktree Cloud Mac.
4. Сравнить Terra/Fable 5 и Sol/Mythos 5.
5. Записывать успех, токены, реальное время и вмешательства человека.
6. Описать правила default, escalation и запрета.
7. Ежеквартально пересматривать их по changelog поставщиков.

FAQ

Какой GPT-5.6 выбрать?

Sol — для самых трудных длинных агентов, Terra — для ежедневной работы, Luna — для простого потока.

Отказаться от Mythos 5?

Нет. Разница 0,8 пункта, а экосистема Claude Code может быть важнее.

Gemini заменит GPT-5.6?

Это дополнение для большого контекста и извлечения, не основной сложный агент.

Зафиксировать одну модель Cursor?

Переключайте по задаче: Sol для эскалаций, Terra ежедневно, Claude в терминале, Gemini для поиска.

Обновиться с 5.5 сейчас?

Сначала проведите недельный A/B на стабильной среде.

Итог

Спрашивайте не только, какая модель умнее, а где запускается задача, сколько она длится и к чему имеет доступ. Sol лидирует в опубликованном сравнении terminal-agent, Claude остаётся сильным для длинных сессий Claude Code, Gemini недорого читает огромные репозитории. Это разделение ролей, а не обязательная миграция. Личный сбалансированный стек: Terra в Cursor, Sol для эскалаций, Gemini для архитектурных вопросов только на чтение и Cloud Mac M4 с изолированными worktree. Claude-команда оставляет Mythos 5 + Skills, вызывает Sol только для трудных diff и отправляет повторяющийся CI в Luna. Команда с жёстким бюджетом назначает Terra стандартом IDE и лимитирует Sol помесячно.

A stable rented Cloud Mac makes results reproducible: it keeps macOS tools, Xcode builds, sessions, and isolated worktrees available while the local computer is offline. Model choice then becomes an observable engineering parameter rather than a brand argument.