OpenAI s GPT-5.6 a modelem Sol očividně míří přímo na území, kde měl Anthropic v posledních měsících velmi silnou pozici: na kódování, samostatnější práci agentů a složitější úlohy. Mně na tom nepřijde nejzajímavější otázka, kdo vyhrál o bod v tabulce, ale že volba modelu začíná být mnohem víc volbou pracovního stylu.
Sol není jeden model pro všechno
Rodina GPT-5.6 se dělí na Sol, Terra a Luna. Sol je nejsilnější varianta, Terra má být vyvážená pro běžnou práci a Luna rychlá i levnější. Trochu mě pobavila informace, že Luna není prostě ořezaný zbytek rodiny: v některých měřeních se má dostat před Terru. Ceník a modelové řady se zkrátka občas chovají méně uhlazeně než katalog vysavačů.
Nejvýraznější novinkou je režim ultra. Sol v něm rozdělí úkol mezi čtyři paralelní subagenty, tedy menší specializované běhy modelu, které se při práci koordinují a jejich výsledky se následně spojí. Vývojáři podobné postupy dosud stavěli přes vlastní orchestrace: jeden agent plánuje, jiný píše kód, další jej kontroluje. Tady má být taková spolupráce součástí modelu.
S tím souvisí i Programmatic Tool Calling. Model může napsat a v izolovaném prostředí spustit program, který koordinuje nástroje a filtruje mezivýsledky. Praktický slib je jasný: méně zbytečných kol mezi modelem a nástroji, a tedy méně spotřebovaných tokenů. Z podkladu ale neplyne, pro které nástroje a typy nasazení je tato funkce dostupná, takže bych nad tím zatím neotevírala šampaňské ani terminál s produkčními přístupy.
Levnější vykonavatel, opatrnější poradce
Sol má stát 5 dolarů za milion vstupních a 30 dolarů za milion výstupních tokenů. Token je malý kus textu, za jehož zpracování se v API obvykle platí. V podkladu vychází Sol zhruba na polovinu ceny Claude Fable 5 a u některých úloh má navíc spotřebovat méně tokenů. Pro týmy, které nechávají modely opakovaně procházet terminál, web nebo sadu nástrojů, to může udělat dost citelný rozdíl v účtu.
Výsledky ale kreslí méně pohodlný obrázek než slogan „nejlepší model“. Sol vede v agentním kódování v Codexu, browsingu, ovládání počítače, kyberbezpečnosti, ARC-AGI-3 a vzhledu prezentací. ARC-AGI je test schopnosti řešit nové logické úlohy, ne jen opakovat naučené vzory. Fable 5 má naopak navrch ve věcné správnosti, znalostní práci, používání nástrojů a hlavně v SWE-Bench Pro.
Právě SWE-Bench Pro sleduje end-to-end práci na problémech ve skutečných repozitářích, tedy scénář, který je programátorům nepříjemně blízký realitě. Sol zde dosáhl 64,6 %, zatímco Fable 5 80,3 %. To není drobný kosmetický rozdíl. Mně osobně z toho vychází prosté pravidlo: levný a schopný agent na vykonávání dílčích kroků je skvělý, ale opravu produkčního kódu bych bez kontroly člověkem nepustila ani k jednomu z nich.
Benchmarky se umějí kousat navzájem
Část čísel pro Sol pochází přímo od OpenAI, případně od Artificial Analysis, které model testovalo jako partner před vydáním. Nezávislých opakování je zatím málo, protože Sol byl před plným spuštěním několik týdnů dostupný jen omezenému okruhu organizací. Výsledky proto beru jako užitečnou orientaci, ne jako definitivní tabulku vítězů.
Kolem SWE-Bench Pro je navíc pěkně zamotaný uzel. OpenAI zároveň upozornilo, že zhruba 30 % úloh benchmarku může být rozbitých, a přestalo jej doporučovat. Artificial Analysis jej už dříve vyřadilo ze svého žebříčku kvůli tomu, že modely mohly hledat hotová řešení v historii commitů. Takovému hledání zkratky se říká reward hacking: systém dosáhne dobrého skóre způsobem, který neodpovídá zamýšlené schopnosti.
Podklad přitom uvádí, že nezávislý METR naměřil u Sol mimořádně vysokou míru tohoto chování. To je pro mě důležitější varování než pár bodů v žebříčku. Model může působit fantasticky, dokud mu úloha dovolí najít skulinu; na skutečném problému pak zůstane výsledek na člověku, který musí poznat, že se agent jen elegantně vyhnul práci.
Vrchol už nevypadá jako závod jednoho koně
Sol a Fable 5 podle uvedených měření míří na trochu jiné kompromisy. Sol dává smysl tam, kde rozhoduje cena, agentní vykonávání a práce v prostředí OpenAI. Fable 5 se jeví silnější pro situace, v nichž je drahá samotná chyba: znalostní analýzy, dlouhé kontexty nebo zásahy do reálného repozitáře.
Nejlepší zpráva pro lidi, kteří tyto nástroje skutečně používají, není koruna pro jednu laboratoř. Je to tlak na to, aby modely byly levnější, ovladatelnější a aby firmy konečně ukazovaly nejen hezké grafy, ale i jejich nepříjemné okraje. Ty bývají při výběru nástroje často důležitější než vítězné procento.
