Yeni OpenAI Modelleri: Benchmark Başarısı İşe Yansıyor mu?

Artificial Analysis, 26 Ekim 2026 tarihli GPT-6.1 Terra değerlendirmesinde yeni modelin önceki Terra sürümünden daha iyi sonuçları daha düşük maliyetle verdiğini bildiriyor. En yüksek çaba ayarında, kendi Intelligence Index testlerinde altı puanlık artış ve görev başına ortalama maliyetin 1,40 dolardan 0,40 dolara düşmesi var. Bunlar değerlendirmedeki görevlerin sonuçları ve maliyetleri.

Yeni model haberlerinde alıştığımız mesaj bu: Daha başarılı, daha verimli, daha ucuz. Ben ise OpenAI’ın son birkaç modelini kullanırken aynı ilerlemeyi göremiyorum. GPT-5.5 sonrasında denediğim GPT-5.6 ve GPT-6 sürümlerinde daha çok hatayla karşılaşıyorum.

Bu yazıda haberdeki GPT-6.1 Terra ile sözünü ettiğim sürümler arasında kontrollü bir karşılaştırma sunmuyorum. Ama yeni model duyurularının oluşturduğu beklentiyle kendi kullanımım arasında belirgin bir mesafe var. Daha iyi olduğu söylenen modele geçtiğimde, yaptığım işte neden daha fazla sorun görüyorum?

Ucuzlaması, kullanmak için yeterli bir neden olmuyor

Bir modelin daha düşük maliyetle çalışmasını elbette isterim. Aynı işi aynı doğrulukla, daha kısa sürede ve daha az kaynakla yapabiliyorsa bu gerçek bir ilerleme. Fakat doğruluk geriliyorsa fiyat etiketindeki düşüşü tek başına kazanç saymak zorlaşıyor.

Hızlı gelen cevabı yeniden kontrol etmek, atlanan bilgiyi bulmak veya işi tekrar yaptırmak gerekiyor olabilir. Bazı hatalar da ilk bakışta fark edilmeyebilir. Model çağrısının ucuzlaması, bu işlerin maliyetini ortadan kaldırmıyor.

Benim son GPT sürümlerine ilişkin rahatsızlığım buradan geliyor. Haberlerde anlatılan iyileşmeyi kendi kullanımımda hissedemediğimde, yeni sürüme geçmeyi kendiliğinden iyi bir karar kabul edemiyorum.

Onur Tırpan’ın testlerinde de benzer bir gerilim var

Onur Tırpan, Opus 5.5 ve GPT-6 Sol incelemesinde kendi iş uygulamalarından çıkardığı testleri anlatıyor. Konu yalnızca iyi görünen bir cevap üretmek değil. İlgili belgelerin bulunması, doğrulanması, gereken bilginin çıkarılması, gereksiz bilginin elenmesi ve sonraki işlemlere hazırlanması gibi birbirine bağlı işler var.

Onur’un bildirdiği sonuç, benim gözlemimle benzer yönde: Bazı yeni GPT modellerinde maliyet ve süre düşerken, kendi uygulamasında ihtiyaç duyduğu doğruluk geriliyor. Bu karşılaştırma, girişteki Terra haberinin testleriyle aynı değil. Kendi uygulamalarına ilişkin bir uygulayıcı anlatısı; ham test verilerini ve bütün çalışma ayarlarını bağımsız olarak incelemiş değilim.

Videoda özellikle dikkatimi çeken, insan kararı gerektiren belirsizlikle sessizce yanlış sonuç üretmeyi ayırması. Sistem bir konunun belirsiz olduğunu fark edip insana soruyorsa, kontrol süreci çalışıyor olabilir. Bir bilgiyi atlıyor veya olmayan bir bilgiyi ekleyip doğruymuş gibi ilerliyorsa başka bir sorun var. Ortalama başarı puanı, işletme açısından aynı sonucu doğurmayan bu davranışları gizleyebilir.

Üstelik Onur aynı videoda Opus 5.5 için kalite, maliyet ve hızın birlikte iyileştiğini söylüyor. Dolayısıyla ucuzlayan her modelin kötüleştiği gibi bir sonuç çıkmıyor. Yeni modelin belirli bir işi nasıl tamamladığına ve hangi hataları yaptığına bakmak gerekiyor.

Kaliteden ödün verilerek mi ucuzlatılıyor?

OpenAI’ın son sürümlerindeki deneyimim bana bazen böyle hissettiriyor. Maliyet ve hız iyileştirilirken benim işlerimde ihtiyaç duyduğum bazı yeteneklerden ödün veriliyormuş izlenimi ediniyorum.

Fakat bu izlenimin nedenini bildiğimi söyleyemem. Kullanım sırasında daha fazla hata görmek, sağlayıcının modeli hangi teknik kararla değiştirdiğini göstermiyor. Onur’un videodaki optimizasyon ve altyapı açıklamaları da bu noktada birer tahmin. Bunları kalite kaybının kanıtlanmış nedeni olarak aktarmak doğru olmaz.

OpenAI’ın son modellerinde neden daha çok hatayla karşılaştığımı bilmiyorum. Ama model seçmek için bu sorunun teknik cevabını bulmam şart değil. Benim için ölçüt, modelin yaptığım işi ne kadar doğru tamamladığı. Önceki model işimi daha az hatayla yapıyorsa onu kullanmaya devam etmek daha mantıklı.

Yeni sürümün benim işimde yerini hak etmesi gerekiyor

Aynı modelin farklı uygulamalarda neden farklı sonuç verdiğini anlatırken, model adının yanında bağlamı, araçları, yetkileri ve çalışma düzenini de değerlendirmek gerektiğini yazmıştım. Model güncellemesi bu bütünün bir parçasını değiştiriyor. Önceden çalışan davranışların yeni sürümde de korunacağını varsayamayız.

Model seçimi ve toplam süreç maliyetini ele aldığım yazıda da daha ucuz cevabın daha fazla insan incelemesi gerektirebileceğini tartışmıştım. Bugünkü haber, o soruyu yeniden karşıma çıkarıyor: Daha düşük fiyatla aynı işi mi alıyorum, yoksa aradaki farkı düzeltme emeğiyle mi ödüyorum?

Benchmark sonuçlarını çöpe atmak gerekmiyor. Hangi görevlerde neyin ölçüldüğünü bilerek okumak gerekiyor. Fakat bir şirketin ya da benim kendi işimde model değiştirme kararını, duyurudaki ilerleme cümlesi veremez.

Yeni modelin eskisine göre daha yüksek puan alması ilginç. Benim daha önce yapabildiğim işi daha az hatayla tamamlaması ise onu kullanmam için bir gerekçe. Son birkaç GPT sürümünde bu ikisinin her zaman birlikte gelmediğini görüyorum.