GPT-5.6 Sol, Terra, Luna Copilot’ta: Hangisi Sizin İçin?
GitHub Copilot’ta model seçimi artık yalnızca “en güçlü olanı aç” meselesi değil. GPT-5.6 ailesindeki Sol, Terra ve Luna aynı ürün içinde üç farklı çalışma biçimini hedefliyor: Sol karmaşık akıl yürütme, Terra günlük geliştirme dengesi, Luna ise hızlı ve küçük işler için konumlanıyor.
Doğru seçim; görevin kapsamına, bağlamın büyüklüğüne ve ne kadar AI kredisi harcamak istediğinize bağlı. Kısacası bütün gün Sol kullanmak da, büyük bir mimari analizi Luna’ya bırakmak da iyi bir varsayılan değil.
Kısa cevap: Hangisini seçmelisiniz?
- Luna: Küçük ve tekrarlı değişiklikler, kısa açıklamalar, basit testler ve hızlı yanıtlar.
- Terra: Günlük geliştirme, orta ölçekli hata ayıklama, kod inceleme ve çoğu ajan görevi.
- Sol: Büyük kod tabanları, çok adımlı analiz, zor hata ayıklama ve uzun süren ajan çalışmaları.
Kararsızsanız benim pratik başlangıç noktam Terra. Görev yalnızca birkaç dakikalık ve sınırları belliyse Luna’ya inerim; modelin bağlamı kaçırdığı veya çözümün birçok dosyaya yayıldığı yerde Sol’a geçerim.
Sol, Terra ve Luna karşılaştırması
| Model | GitHub’ın tanımladığı ana kullanım | Uygun örnekler | Maliyet sınıfı |
|---|---|---|---|
| GPT-5.6 Luna | Basit veya tekrarlı işler için hızlı yardım | Docstring, küçük test, boilerplate, kısa açıklama | Lightweight |
| GPT-5.6 Terra | Genel amaçlı kodlama ve ajan görevleri | Feature geliştirme, PR inceleme, orta seviye debugging | Versatile |
| GPT-5.6 Sol | Derin akıl yürütme ve debugging | Mimari analiz, büyük refactor, uzun ajan görevi | Powerful |
Bu sınıflandırma kişisel bir tahmin değil. GitHub’ın güncel AI model karşılaştırması Luna’yı hızlı ve maliyet odaklı, Terra’yı dengeli, Sol’u ise büyük kod tabanlarında karmaşık muhakeme için tanımlıyor. Üç model de GitHub’ın desteklenen modeller listesinde genel kullanıma açık, yani GA durumunda.
GPT-5.6 Luna ne zaman mantıklı?
Luna’nın güçlü yanı bekletmeden sonuç vermesi. Görev dar kapsamlıysa daha ağır bir modelin uzun muhakemesine çoğu zaman ihtiyaç yok. Bir fonksiyona açıklama eklemek, birkaç test senaryosu üretmek, değişken adlarını iyileştirmek veya küçük bir regex hazırlamak buna iyi örnekler.
Buradaki kritik nokta görevi net sınırlamak. “Bu modülü düzelt” yerine “bu fonksiyon için üç sınır durumu testi yaz, üretim koduna dokunma” gibi bir istek Luna’dan daha güvenilir sonuç alır.
Luna için uygun görevler
- Tek dosyalık küçük düzenlemeler ve tekrar eden kod işleri
- Docstring, yorum, commit mesajı veya kısa dokümantasyon taslağı
- Basit unit test iskeletleri ve örnek veri üretimi
- Komut, regex ya da kısa kod parçası açıklaması
Ancak görev repository genelinde ilişki kurmayı, belirsiz gereksinimleri çözmeyi veya kritik bir tasarım kararı vermeyi gerektiriyorsa sırf daha ucuz diye Luna’da ısrar etmek ters tepebilir. Aynı isteği birkaç kez yeniden çalıştırmak hem zamanı hem krediyi tüketir.
GPT-5.6 Terra neden iyi bir varsayılan?
Terra günlük yazılım geliştirme akışının ortasına oturuyor. Tek bir fonksiyondan daha geniş, fakat mimari düzeyde ağır muhakeme gerektirmeyen işlerde hız ile doğruluk arasında dengeli bir seçenek.
Örneğin bir endpoint’e doğrulama eklemek, mevcut testleri anlayıp bug fix hazırlamak, bir pull request’i incelemek veya birkaç dosyaya yayılan orta ölçekli feature geliştirmek Terra için daha doğal görevler. Copilot Chat ile etkileşimli çalışırken de, ajan modunda araç kullandırırken de ilk denemeyi Terra ile yapmak çoğu ekip için makul.
Terra’dan Sol’a geçmeniz gerektiğini gösteren işaretler
- Model aynı noktada dönüyor veya repository içindeki ilişkileri kaçırıyorsa
- Değişiklik birçok paket, servis ya da repository’yi etkiliyorsa
- Hatanın kök nedeni log, test ve mimari akış birlikte incelenmeden bulunamıyorsa
- Planın geri alma, veri migrasyonu veya güvenlik etkileri varsa
GPT-5.6 Sol ne zaman değerini gösterir?
Sol’u günlük her soruya verilen “premium cevap” gibi değil, karmaşıklık yükseldiğinde açılan uzman modu gibi düşünmek daha doğru. GitHub, Sol’u özellikle büyük kod tabanlarında karmaşık akıl yürütme ve uzun süren ajan işleri için öne çıkarıyor.
Legacy bir monolith’i bölme planı, çapraz repository bağımlılık analizi, zor bir yarış durumu, performans darboğazı veya güvenlik açısından hassas bir refactor Sol’un maliyetini hak edebilir. Bu görevlerde modelin yalnızca kod üretmesi değil; kanıt toplaması, alternatifleri tartması, testleri çalıştırması ve sonucu doğrulaması gerekir.
Sol için uygun görevler
- Büyük kod tabanında mimari etki ve bağımlılık analizi
- Çok adımlı, uzun soluklu Copilot ajan görevleri
- Karmaşık debugging, performans ve güvenlik incelemeleri
- Birden fazla çözüm arasındaki teknik ödünleşimlerin değerlendirilmesi
En iyi model tek bir model değildir. En iyi seçim, görevi ilk seferde yeterli doğrulukla tamamlayan en uygun modeldir.
AI kredisi ve token maliyeti nasıl değişiyor?
GitHub Copilot’ta yeni fiyatlama yaklaşımında etkileşim; giriş, önbelleğe alınmış giriş ve çıkış tokenlarına göre hesaplanıyor. GitHub’ın resmî tablosunda 1 AI kredisi 0,01 ABD doları olarak tanımlanıyor. Aşağıdaki rakamlar 1 milyon token başına liste fiyatlarıdır ve kullanım sırasında harcanacak kesin tutar değildir.
| Model | Standart bağlam | Input | Cached input | Output |
|---|---|---|---|---|
| GPT-5.6 Luna | ≤ 200K | $1,00 | $0,10 | $6,00 |
| GPT-5.6 Terra | ≤ 272K | $2,50 | $0,25 | $15,00 |
| GPT-5.6 Sol | ≤ 272K | $5,00 | $0,50 | $30,00 |
Rakamlar GitHub’ın modeller ve fiyatlandırma sayfasındaki güncel listeye dayanıyor. Uzun bağlam eşiği aşıldığında üç modelin de token fiyatı yükseliyor. Bu yüzden bütün repository’yi gereksiz yere bağlama eklemek, yalnızca güçlü model seçmekten bağımsız olarak maliyeti artırabilir.
Basit bir iş için Luna ile başlamak mantıklı; fakat model üç başarısız denemeden sonra hâlâ düzeltme yapamıyorsa ucuz seçenek artık ucuz değildir. Gerçek optimizasyon, yalnızca token birim fiyatına değil başarılı sonuca ulaşma maliyetine bakmaktır.
Kurumsal ekipler için model seçme politikası
Türkiye’de dolar bazlı kullanımın bütçe etkisi ayrıca takip edilmeli. Yine de yönetim politikası “Sol’u kapat” kadar kaba olmamalı. Sağlıklı yaklaşım görevi sınıflandırmak, ekip için varsayılan modeli belirlemek ve yükseltme koşullarını yazılı hâle getirmektir.
- Luna kuyruğu: Tekrarlı, kısa ve düşük riskli işler.
- Terra varsayılanı: Günlük feature, test, inceleme ve debugging.
- Sol yükseltmesi: Büyük bağlam, yüksek risk veya Terra’nın kanıtlı biçimde yetersiz kaldığı işler.
- Ölçüm: Kullanıcı ve model bazında AI kredisi, tamamlanma süresi ve yeniden çalışma oranı.
Copilot kullanımını kullanıcı düzeyinde izlemek isteyen yöneticiler için daha önce hazırladığım Copilot AI kredi tüketimi rehberi, API’deki ai_credits_used alanını ve örnek sorguları ayrıntılı biçimde ele alıyor.
Auto seçimi kullanılmalı mı?
GitHub’ın model seçicisindeki Auto seçeneği, kullanılabilirlik ve görev karmaşıklığına göre uygun modeli otomatik seçebiliyor. Model politikalarınız izin veriyorsa ve her görevde elle karar vermek istemiyorsanız iyi bir başlangıç noktası olabilir. GitHub ayrıca ücretli Copilot planlarında Auto kullanımına model maliyeti indirimi uygulanabildiğini belirtiyor.
Buna rağmen güvenlik incelemesi, geniş refactor veya bütçe açısından hassas toplu işler gibi durumlarda modeli bilinçli seçmek daha şeffaf. Auto’yu varsayılan, açık yükseltme kurallarını ise istisna politikası olarak kullanabilirsiniz.
Üç gerçek senaryo
1. Bir fonksiyon için test yazmak
Fonksiyon küçük ve bağımlılıkları belliyse Luna yeterli. Testler başarısız olursa önce prompt’u ve mevcut test bağlamını düzeltin; problem birkaç modüle yayılıyorsa Terra’ya geçin.
2. Orta ölçekli bir API özelliği geliştirmek
Route, servis ve test dosyalarını kapsayan bir geliştirmede Terra iyi başlangıçtır. Ajanın önce mevcut davranışı test etmesini, sonra küçük değişiklik yapıp hedefli test çalıştırmasını isteyin.
3. Legacy sistemi parçalamak
Servis sınırları, veri sahipliği, dağıtım riski ve geri dönüş planı birlikte ele alınacaksa Sol daha uygun. Burada hedef tek seferde kod yazdırmak değil; kanıta dayalı bir migrasyon planı ve doğrulanabilir küçük adımlar üretmektir.
Sıkça sorulan sorular
GPT-5.6 Sol her zaman en doğru sonucu verir mi?
Hayır. Sol daha karmaşık muhakeme için tasarlanmış olsa da sonuç kalitesi verilen bağlama, görevin açıklığına ve doğrulama adımlarına bağlıdır. Küçük bir işte daha yavaş ve pahalı olması ek fayda sağlamayabilir.
Terra’yı varsayılan seçmek mantıklı mı?
Çoğu günlük geliştirme ve ajan işi için evet. Ancak tek dosyalık basit görevlerde Luna, geniş kapsamlı veya yüksek riskli analizlerde Sol daha verimli olabilir.
Luna yalnızca kod tamamlama için mi?
Hayır. Kısa açıklamalar, test taslakları, küçük düzenlemeler ve tekrarlı görevler için de kullanılabilir. Görev büyüdükçe bağlam ve muhakeme ihtiyacını yeniden değerlendirmek gerekir.
Model erişimi herkes için aynı mı?
Hayır. GitHub, kullanılabilir modellerin Copilot planına, model politikalarına ve Copilot’un kullanıldığı yüzeye göre değişebileceğini belirtiyor. Model seçicide görünmüyorsa kuruluş yöneticisinin politikalarını da kontrol edin.
Sonuç
Luna hız ve maliyet, Terra denge, Sol ise derinlik sunuyor. Günlük işlerde Terra ile başlayıp küçük görevleri Luna’ya, gerçekten karmaşık işleri Sol’a yönlendirmek hem bütçeyi hem geliştirici zamanını daha kontrollü kullanır.
Model adından önce görevi sınıflandırın, gerekli bağlamı sınırlayın ve üretilen sonucu testlerle doğrulayın. Copilot’ta asıl verim, en pahalı modeli sürekli açık tutmaktan değil; doğru işi doğru modele vermekten geliyor.
20+ yıl deneyimli Azure Solutions Architect. Microsoft sertifikalı bulut mimari ve DevOps danışmanı. Azure, yapay zekâ ve bulut teknolojileri üzerine Türkçe teknik içerikler üretiyor.
3 comments