GPT-6 Sol karmaşık coding ve agentic workflow’lara, GPT-6 Luna ise yüksek hacimli düşük maliyetli görevlere odaklanıyor; GPT-6 Astra ailenin en güçlü modeli olarak kalıyor.
OpenAI, GPT-6 model ailesini GPT-6 Sol ve GPT-6 Luna ile genişletti.
22 Eylül 2026 tarihinde kullanıma sunulan iki yeni model, GPT-6 Astra ile başlayan yeni nesil model ailesine farklı performans ve maliyet seçenekleri ekliyor.
Ancak Sol ve Luna aynı işi yapan iki farklı hız seçeneğinden ibaret değil.
OpenAI, GPT-6 Sol’u karmaşık kodlama ve agentic workflow’lar için konumlandırırken GPT-6 Luna’yı odaklı, tekrarlanabilir ve yüksek hacimli görevler için en verimli GPT-6 seçeneği olarak tanımlıyor.
GPT-6 Astra ise en zor uçtan uca görevler için geliştirilen ailenin en yüksek kapasiteli modeli olmayı sürdürüyor.
Üç model arasındaki fark yalnızca yapay zekâ performansıyla da sınırlı değil.
API maliyetleri arasında oldukça büyük fark bulunuyor.
Standart kısa context fiyatlandırmasında 1 milyon token başına:
fiyatlandırması uygulanıyor.
Bu fark özellikle milyonlarca token işleyen API uygulamalarında model seçimini teknik bir tercihten aynı zamanda maliyet optimizasyonu problemine dönüştürüyor.
Peki GPT-6 Sol ve GPT-6 Luna nedir? GPT-6 Astra’dan farkları neler? Context window ne kadar? Codex’te kullanılabiliyorlar mı? Responses API desteği var mı? Reasoning seviyeleri nasıl çalışıyor ve hangi projede hangi modeli seçmek daha mantıklı?
OpenAI’nin güncel resmi dokümantasyonu üzerinden ayrıntılı bakalım.
GPT-6 Sol, OpenAI’nin özellikle karmaşık kodlama ve agent tabanlı iş akışları için geliştirdiği GPT-6 modelidir.
OpenAI model dokümantasyonunda Sol’u doğrudan:
“Complex coding and agentic workflows”
için geliştirilmiş bir model olarak tanımlıyor.
Bu nedenle GPT-6 Sol özellikle şu kullanım alanlarında öne çıkıyor:
Sol’un konumlandığı yer özellikle önemli.
Model, Astra’nın maksimum kapasitesine ihtiyaç duyulmayan fakat Luna’nın hedeflediği daha hafif ve yüksek hacimli işlerden daha fazla reasoning gerektiren görevler için güçlü bir ara seçenek oluşturuyor.
GPT-6 Luna, GPT-6 ailesinin maliyet ve yüksek hacimli kullanım tarafına odaklanan modeli.
OpenAI Luna’yı:
“Focused, high-volume tasks”
için en verimli modeli olarak tanımlıyor.
Bu konumlandırma Luna’yı özellikle:
için dikkat çekici hale getiriyor.
Luna’nın en önemli avantajlarından biri API fiyatı.
Standart kısa context fiyatlandırmasında 1 milyon input token 0,10 dolar, 1 milyon output token ise 0,50 dolar.
GPT-6 Astra, OpenAI’nin GPT-6 ailesindeki en yüksek kapasiteli modeli.
OpenAI Astra’yı “en zor uçtan uca işler” için geliştirdiği model olarak konumlandırıyor.
Özellikle:
Astra’nın hedef kullanım alanları arasında.
GPT-6 Astra’yı daha önce ayrı bir yazıda ayrıntılı olarak incelemiştim.
GPT-6 Astra Nedir? ChatGPT, Coding ve API Özellikleri
yazısında Astra’nın özelliklerine ayrıca göz atabilirsiniz.
GPT-6 ailesini en basit şekilde şöyle ayırabiliriz:
GPT-6 Astra → En zor ve en kapsamlı işler
GPT-6 Sol → Güçlü reasoning, coding ve agentic workflow’lar
GPT-6 Luna → Hızlı, tekrarlanabilir ve yüksek hacimli düşük maliyetli işler
Ancak yalnızca bu üç cümle üzerinden model seçmek yeterli değil.
Context window, reasoning ayarları, tool desteği ve API maliyeti gibi teknik ayrıntılar da karar üzerinde doğrudan etkili.
| Özellik | GPT-6 Astra | GPT-6 Sol | GPT-6 Luna |
|---|---|---|---|
| Ana kullanım alanı | En zor uçtan uca görevler | Karmaşık coding ve agentic workflow | Odaklı ve yüksek hacimli görevler |
| Context Window | 1.050.000 token | 1.050.000 token | 1.050.000 token |
| Maksimum Output | 128.000 token | 128.000 token | 128.000 token |
| Image Input | Var | Var | Var |
| Function Calling | Var | Var | Var |
| Structured Outputs | Var | Var | Var |
| Reasoning none | Yok | Var | Var |
| Standart Input / 1M | $10 | $2 | $0,10 |
| Standart Output / 1M | $50 | $10 | $0,50 |
OpenAI API değişiklik kayıtlarına göre GPT-6 Sol ve GPT-6 Luna 22 Eylül 2026 tarihinde kullanıma sunuldu.
API model kimlikleri:
gpt-6-sol
gpt-6-lunaşeklinde.
Her iki model de metin ve görüntü girdilerini kabul ediyor ve metin çıktısı oluşturabiliyor.
Evet.
Her iki model de OpenAI API üzerinden kullanılabiliyor.
Desteklenen temel API endpoint’leri arasında:
bulunuyor.
Özellikle reasoning ve araç kullanımını aynı workflow içerisinde birleştiren yeni projelerde OpenAI, Responses API kullanımını öne çıkarıyor.
Burada standart ChatGPT sohbeti ile ChatGPT Work deneyimini birbirinden ayırmak gerekiyor.
OpenAI Help Center’a göre GPT-6 Sol ve GPT-6 Luna, ChatGPT Work ve Codex için sunulan modeller.
Standart ChatGPT sohbetlerinde normal model olarak seçilemiyorlar.
Kullanılabilirlik:
göre değişebiliyor.
Evet.
OpenAI iki modeli de Codex kullanımına sundu.
Bu özellikle GPT-6 Sol açısından önemli.
Çünkü Sol doğrudan karmaşık coding ve agentic workflow’lara yönelik olarak tasarlanmış durumda.
Codex gibi repository üzerinde çalışan bir agent ortamında model:
GPT-6 Astra, Sol ve Luna’nın üçünde de 1.050.000 token context window bulunuyor.
Bir milyondan fazla token’lık context kapasitesi, modelin tek bir çalışma bağlamında oldukça büyük miktarda bilgiyle çalışabilmesini sağlıyor.
Örneğin:
aynı görev içerisinde değerlendirilebilir.
Ancak burada önemli bir maliyet ayrıntısı bulunuyor.
Bir modelin 1,05 milyon token context desteklemesi, bu kadar büyük prompt’ları sürekli kullanmanın aynı fiyatla ücretlendirileceği anlamına gelmiyor.
OpenAI, 272.000 input token’ın üzerindeki prompt’ları uzun context olarak fiyatlandırıyor.
GPT-6 Sol ve Luna model belgelerine göre 272K üzerindeki isteklerde:
çıkıyor.
Bu katsayılar yalnızca 272K sınırını aşan bölüme değil, ilgili isteğin tamamına uygulanıyor.
Dolayısıyla büyük context window özellikle gerektiğinde kullanılmalı.
GPT-6 Sol’un standart kısa context fiyatlandırması 1 milyon token başına:
| Token Türü | Fiyat |
|---|---|
| Input | $2,00 |
| Cached Input | $0,20 |
| Cache Write | $2,50 |
| Output | $10,00 |
Cached input normal input fiyatının yüzde 10’u seviyesinde.
Cache write ise standart input fiyatının 1,25 katı olarak ücretlendiriliyor.
GPT-6 Luna’nın standart kısa context fiyatlandırması:
| Token Türü | Fiyat |
|---|---|
| Input | $0,10 |
| Cached Input | $0,01 |
| Cache Write | $0,125 |
| Output | $0,50 |
Luna’nın maliyet avantajı özellikle milyonlarca isteğin işlendiği uygulamalarda çok daha belirgin hale geliyor.
GPT-6 Astra’nın standart kısa context fiyatları:
| Token Türü | Fiyat |
|---|---|
| Input | $10,00 |
| Cached Input | $1,00 |
| Cache Write | $12,50 |
| Output | $50,00 |
Astra token başına açık şekilde ailenin en pahalı modeli.
Ancak model seçimini yalnızca token fiyatına bakarak yapmak da doğru değil.
Daha güçlü bir modelin karmaşık bir görevi daha az denemede başarıyla tamamlaması bazı işlerde toplam görev maliyetini düşürebilir.
Aynı 1 milyon input token için standart fiyatları karşılaştırdığımızda:
ödüyorsunuz.
Bu durumda Sol’un input maliyeti Astra’nın beşte biri seviyesinde.
Luna ise Astra’ya göre çok daha büyük bir maliyet farkı oluşturuyor.
Output tarafında da:
fiyatlandırması bulunuyor.
GPT-6 Astra, Sol ve Luna 128.000 token’a kadar maksimum çıktı destekliyor.
Bu kapasite özellikle:
gibi kullanım alanlarında önemli.
Ancak maksimum output kapasitesinin bulunması, her istekte 128K token üretmenin mantıklı olduğu anlamına gelmiyor.
Özellikle output token’larının input’a göre daha pahalı olması nedeniyle gereksiz uzun yanıtlar API maliyetini hızla yükseltebilir.
GPT-6 Sol ve Luna şu reasoning effort seviyelerini destekliyor:
nonelowmediumhighxhighmaxVarsayılan seviye medium.
Reasoning effort arttıkça model daha fazla hesaplama yapabilir ancak bu durum latency ve reasoning token tüketimini de etkileyebilir.
Hayır.
GPT-6 Astra:
reasoning seviyelerini destekliyor.
Sol ve Luna’dan farklı olarak none reasoning effort Astra’da bulunmuyor.
Responses API kullanırken reasoning seviyesi örneğin şu şekilde ayarlanabilir:
from openai import OpenAI
client = OpenAI()
response = client.responses.create(
model="gpt-6-sol",
reasoning={
"effort": "high"
},
input="Bu kod tabanındaki mimari sorunları analiz et."
)
print(response.output_text)Daha basit bir Luna görevi için reasoning kapatılabilir:
from openai import OpenAI
client = OpenAI()
response = client.responses.create(
model="gpt-6-luna",
reasoning={
"effort": "none"
},
input="Bu müşteri yorumunu pozitif, negatif veya nötr olarak sınıflandır."
)
print(response.output_text)GPT-6 Sol ve Luna hem Responses API hem de Chat Completions API üzerinden kullanılabiliyor.
Ancak özellikle reasoning ve tool kullanan yeni uygulamalarda Responses API daha uygun.
Bunun önemli nedenlerinden biri function calling davranışı.
GPT-6 Sol ve Luna, Chat Completions üzerinde function calling’i yalnızca:
reasoning_effort: "none"kullanıldığında destekliyor.
Reasoning ile birlikte araç çağırmak istiyorsanız Responses API kullanmak gerekiyor.
Responses API içerisinde GPT-6 Sol ve Luna geniş bir tool setini destekliyor.
OpenAI’nin model belgelerinde desteklenen araçlar arasında:
bulunuyor.
Bu araçlar özellikle GPT-6 Sol’un agentic workflow kullanımında önemli hale geliyor.
Evet.
GPT-6 Sol ve GPT-6 Luna function calling destekliyor.
Bu sayede model yalnızca metin yanıtı üretmek yerine uygulamanın tanımladığı fonksiyonları çalıştırmak üzere çağrı oluşturabiliyor.
Örneğin:
gibi görevlerde kullanılabilir.
Evet.
Her iki modelde de Structured Outputs desteği bulunuyor.
Bu özellik model cevabının önceden belirlenen JSON schema yapısına uymasının önemli olduğu uygulamalarda özellikle faydalı.
Örneğin binlerce üründen:
gibi alanları çıkarmak gerekiyorsa Luna gibi düşük maliyetli bir model büyük ölçekte avantaj sağlayabilir.
Evet.
Her iki model de görüntü girdisi destekliyor.
Bu sayede:
mümkün.
Modeller görüntü girdisi kabul ediyor ancak doğrudan ses veya video girdisi desteklemiyor.
GPT-6 Sol ve Luna’nın yayınlanmasından yalnızca üç gün sonra OpenAI önemli bir düzeltme yayımladı.
25 Eylül 2026 tarihli API changelog kaydına göre image encoding tarafındaki bir hata Sol ve Luna’nın görüntü anlama performansını olumsuz etkiliyordu.
OpenAI bu problemi düzeltti.
Düzeltmenin özellikle:
iyileştirdiği belirtiliyor.
OpenAI, image input kullanan geliştiricilere daha önceki evaluation’larını yeniden çalıştırmalarını öneriyor.
Dolayısıyla 22-25 Eylül arasında:
üzerinde Sol veya Luna test ettiyseniz sonuçların bugünkü model davranışını tam olarak temsil etmeme ihtimali bulunuyor.
OpenAI model sayfasına göre GPT-6 Sol’un knowledge cutoff tarihi 20 Nisan 2026.
Bu tarih modelin eğitim sırasında sahip olduğu yerleşik bilginin sınırını ifade ediyor.
Ancak GPT-6 Sol, Responses API üzerinden Web Search kullanabildiği için güncel bilgi gereken uygulamalarda web aramasıyla birlikte çalıştırılabilir.
GPT-6 Luna’nın resmi model sayfasında knowledge cutoff tarihi 18 Mayıs 2026 olarak belirtiliyor.
Luna da Web Search tool’u kullanabildiği için gerektiğinde güncel web verisiyle çalışabilir.
GPT-6 Astra’nın knowledge cutoff tarihi ise 30 Nisan 2026.
Knowledge cutoff ile web erişimini birbirine karıştırmamak gerekiyor.
Cutoff, modelin yerleşik bilgisinin tarihini ifade ediyor. Web Search kullanıldığında model daha yeni kaynaklara erişebilir.
Uzun system prompt’ları veya aynı dokümanları tekrar tekrar gönderen API uygulamalarında prompt caching maliyeti ciddi biçimde azaltabilir.
GPT-6 Sol’da:
Normal input: $2 / 1M → Cached input: $0,20 / 1M
GPT-6 Luna’da:
Normal input: $0,10 / 1M → Cached input: $0,01 / 1M
fiyatlandırması bulunuyor.
Yani uygun durumda cached input, normal input fiyatının yüzde 10’u seviyesinde.
Evet.
OpenAI’nin model belgelerine göre GPT-6 Sol ve Luna için Batch ve Flex işleme, Standard fiyatların yüzde 50’si seviyesinde ücretlendiriliyor.
Bu nedenle işlemin anında tamamlanması gerekmeyen:
gibi görevlerde ek maliyet avantajı sağlanabilir.
Düşük latency’nin önemli olduğu senaryolarda Fast mode kullanılabiliyor.
GPT-6 Sol ve Luna belgelerinde Fast mode’un uygulanabilir fiyatın 2 katı üzerinden ücretlendirildiği belirtiliyor.
Bu nedenle Fast mode’u bütün API isteklerinde kullanmak yerine kullanıcının gerçekten cevap beklediği düşük latency gerektiren endpoint’lerde değerlendirmek daha mantıklı olabilir.
OpenAI’nin mevcut model belgelerine göre GPT-6 Sol ve Luna için fine-tuning desteği bulunmuyor.
Model davranışını özelleştirmek için bunun yerine:
kullanılabilir.
Luna’nın amacı her görevde maksimum reasoning kapasitesi sağlamak değil.
Model, çok sayıda benzer veya daha odaklı görevi düşük maliyetle yerine getirmek üzere konumlandırılıyor.
Bir SaaS uygulamasında günlük yüz binlerce:
üretiliyorsa model başına küçük görünen fiyat farkı aylık API faturasında çok büyük bir fark oluşturabilir.
Sol özellikle bir görevin Luna için fazla karmaşık fakat Astra için gereksiz pahalı olduğu durumlarda anlam kazanıyor.
Örneğin:
GPT-6 Sol’un hedef kullanım alanlarına daha yakın.
Evet.
Luna’nın yüksek hacimli görevler için tasarlanmış olması coding yapamadığı anlamına gelmiyor.
Özellikle:
gibi görevlerde Luna ekonomik bir alternatif olabilir.
Ancak çok sayıda dosyaya yayılan ve kapsamlı reasoning gerektiren repository değişikliklerinde Sol daha doğal bir başlangıç noktası.
Astra’nın maliyeti yüksek olduğu için her API isteğini Astra’ya göndermek mantıklı olmayabilir.
Ancak görev gerçekten zorsa veya yanlış sonucun maliyeti yüksekse Astra’nın daha yüksek kapasitesi anlamlı hale gelebilir.
Örneğin:
Astra’nın hedef alanına daha yakın.
Sol’un resmi olarak karmaşık coding ve agentic workflow’lar için konumlandırılması modeli coding agent geliştirmek için doğal seçeneklerden biri haline getiriyor.
Responses API içerisindeki:
gibi yeteneklerle birlikte kullanıldığında model yalnızca kod öneren bir chatbot’tan daha fazlasını yapabiliyor.
Agent:
Bu yapı, son yıllarda AI coding tarafındaki en önemli değişimlerden biri.
Responses API ile GPT-6 Sol kullanımı temel seviyede şu şekilde olabilir:
from openai import OpenAI
client = OpenAI()
response = client.responses.create(
model="gpt-6-sol",
input="Bu Python projesindeki performans sorunlarını analiz et."
)
print(response.output_text)Luna için model kimliğini değiştirmeniz yeterli:
from openai import OpenAI
client = OpenAI()
response = client.responses.create(
model="gpt-6-luna",
reasoning={
"effort": "none"
},
input="Bu metni üç kısa maddede özetle."
)
print(response.output_text)GPT-6 modelleri arasındaki maliyet farkı düşünüldüğünde görev bazlı model routing oldukça mantıklı bir mimari olabilir.
Örneğin:
şeklinde yönlendirme yapılabilir.
Böylece her API çağrısını en pahalı modele göndermek yerine görevin gerektirdiği kapasiteye göre model seçilebilir.
Her zaman değil.
İlk bakışta bütün görevleri Luna ile deneyip yalnızca başarısız olursa Sol veya Astra’ya yükseltmek ekonomik görünebilir.
Ancak görev baştan karmaşıksa bu yöntem:
oluşturabilir.
Daha iyi yöntem görev türünü önceden sınıflandırmak veya temsil edici eval sonuçlarına göre routing kuralları oluşturmaktır.
OpenAI’nin konumlandırmasında Luna verimlilik ve yüksek hacimli kullanım tarafına odaklanıyor.
Ancak gerçek yanıt süresi yalnızca model adına bağlı değil.
Latency üzerinde:
gibi faktörler de etkili.
Bu nedenle gerçek uygulamanız için en doğru model seçimini kendi workload’unuz üzerinde test etmek gerekiyor.
Her görevin uzun reasoning yapmasına gerek yok.
Örneğin:
“Bu müşteri mesajı ödeme, kargo, ürün veya iade kategorilerinden hangisine giriyor?”
gibi bir sınıflandırma görevi için maksimum reasoning kullanmak gereksiz olabilir.
Luna’nın reasoning.effort: none seçeneği bu tür işlemlerde reasoning’i kapatarak daha sade bir çalışma biçimi sağlayabiliyor.
Hayır.
Sol ve Luna’nın max reasoning seviyesini desteklemesi her görevde bu seviyenin kullanılması gerektiği anlamına gelmiyor.
Daha yüksek reasoning:
anlamına gelebilir.
En sağlıklı yaklaşım aynı iş yükünü farklı reasoning seviyelerinde değerlendirip kalite, latency ve maliyet arasındaki dengeyi ölçmek.
Hayır.
Örneğin Luna bir istekte çok ucuz olabilir.
Ancak görev Luna için çok zorsa aynı işi birkaç kez yeniden çalıştırmanız gerekebilir.
Diğer taraftan Sol veya Astra daha pahalı olsa bile görevi tek denemede doğru tamamlayabilir.
Bu nedenle gerçek maliyet hesabında:
birlikte değerlendirilmelidir.
Tek bir doğru model yok.
Başlangıç noktası olarak ihtiyaçları şöyle ayırabiliriz:
| İhtiyaç | Başlangıç Modeli |
|---|---|
| En zor reasoning görevleri | GPT-6 Astra |
| Karmaşık coding | GPT-6 Sol |
| Agentic workflow | GPT-6 Sol |
| Repository çapında değişiklik | GPT-6 Sol |
| Yüksek hacimli API işlemleri | GPT-6 Luna |
| Sınıflandırma ve veri çıkarma | GPT-6 Luna |
| Maliyetin kritik olduğu işler | GPT-6 Luna |
| En karmaşık computer use görevleri | GPT-6 Astra |
| Uzun ve zor profesyonel iş akışları | GPT-6 Astra veya Sol |
Bu tablo kesin kural olarak görülmemeli.
OpenAI de model seçimini reasoning ihtiyacı, latency, maliyet ve gerçek workload üzerinde yapılan değerlendirmelerle belirlemeyi öneriyor.
GPT-6 Sol ve GPT-6 Luna’nın çıkışı, yapay zekâ uygulamalarında model seçiminin giderek daha fazla bir mühendislik problemi haline geldiğini gösteriyor.
Astra, Sol ve Luna’nın üçü de 1,05 milyon token context ve 128K maksimum output sunuyor.
Ancak amaçları ve maliyetleri birbirinden oldukça farklı.
Luna ile rahatlıkla çözülebilecek basit ve yüksek hacimli bir görevi Astra’ya göndermek gereksiz API maliyeti yaratabilir.
Diğer taraftan karmaşık bir agent görevini yalnızca daha ucuz olduğu için Luna’ya vermek daha fazla başarısız denemeye ve toplamda daha yüksek maliyete yol açabilir.
Sol tam olarak bu iki uç arasında önemli bir alan dolduruyor.
Karmaşık coding ve agentic workflow’larda güçlü reasoning sağlarken Astra’ya göre çok daha düşük token fiyatına sahip.
Bu nedenle üretim ortamında GPT-6 ailesiyle çalışan bir geliştiricinin artık yalnızca:
“En güçlü OpenAI modeli hangisi?”
sorusunu sorması yeterli değil.
Daha doğru soru şu:
“Bu görevin gerçekten ihtiyaç duyduğu minimum model kapasitesi nedir ve bunu hangi latency ile hangi maliyette çalıştırabilirim?”
GPT-6 Sol ve Luna’nın asıl önemi de burada ortaya çıkıyor.
OpenAI, GPT-6 Sol’u 22 Eylül 2026 tarihinde API ile birlikte ChatGPT Work ve Codex tarafında kullanıma sundu.
GPT-6 Luna da GPT-6 Sol ile birlikte 22 Eylül 2026 tarihinde yayımlandı.
OpenAI GPT-6 Sol’u karmaşık coding ve agentic workflow’lar için geliştirilmiş bir model olarak konumlandırıyor.
GPT-6 Luna odaklı, tekrarlanabilir, yüksek hacimli ve maliyet hassas görevler için geliştirilen GPT-6 modelidir.
Standart kısa context fiyatlandırmasında 1 milyon input token 2 dolar, cached input 0,20 dolar, cache write 2,50 dolar ve 1 milyon output token 10 dolardır.
Standart kısa context fiyatlandırmasında 1 milyon input token 0,10 dolar, cached input 0,01 dolar, cache write 0,125 dolar ve 1 milyon output token 0,50 dolardır.
Standart kısa context fiyatlandırmasında 1 milyon input token 10 dolar ve 1 milyon output token 50 dolardır.
Her iki model de 1.050.000 token context window ve 128.000 token maksimum output destekliyor.
Evet. Her iki model de text ve image input destekliyor.
GPT-6 Sol ve Luna ChatGPT Work ve Codex için sunulan modellerdir. OpenAI Help Center’a göre standart ChatGPT sohbetlerinde normal model olarak seçilemiyorlar. Erişim plan ve workspace durumuna göre değişebilir.
Evet. İki model de Codex’te kullanılabiliyor.
Evet. Responses API üzerinden function calling destekleniyor. Chat Completions tarafında Sol ve Luna için function calling kullanılırken reasoning effort’ın none olarak ayarlanması gerekiyor.
Evet. Her iki model de Structured Outputs destekliyor.
OpenAI’nin mevcut model dokümantasyonuna göre fine-tuning desteklenmiyor.
Bu kullanım senaryosuna bağlıdır. Sol karmaşık coding ve agent görevlerine, Luna ise yüksek hacimli ve maliyet hassas görevlere odaklanıyor.
En zor uçtan uca görevlerde Astra, karmaşık coding ve agentic workflow’larda maliyet ve kapasite dengesi açısından Sol mantıklı bir başlangıç noktası olabilir.
OpenAI 25 Eylül 2026 tarihinde image encoding kaynaklı ve görüntü anlama performansını düşüren bir hatayı düzeltti. OpenAI, image input kullanan geliştiricilerin ilgili evaluation ve workflow’larını tekrar çalıştırmasını önerdi.
Marketten eve geldiniz, aldığınız ürünü dolaba yerleştirirken aynı üründen evde zaten iki tane daha olduğunu…
Google, yapay zekâ modellerinin gerçek Android geliştirme görevlerinde ne kadar başarılı olduğunu ölçmek için geliştirdiği…
Sesli yapay zekâ kullanmak artık şaşırtıcı bir özellik değil. Telefonlarımızdaki asistanlarla konuşabiliyor, yapay zekâ uygulamalarına…
Google Gemini Artık Eşyaların Yerini Hatırlıyor: Find Hub Remembered Nedir? “Pasaportumu nereye koymuştum?”, “Yedek anahtar…
Yeni bir Windows bilgisayar aldığınızda gerçekten kod yazmaya başlamanız ne kadar sürüyor? Visual Studio Code…
1901 yılında Çemişgezek’te doğan bir kız çocuğunun, yıllar sonra Amerika’ya ulaşacağını, hayatını kitaplaştıracağını ve Hollywood’da…