AWS با اضافهکردن خانواده مدلهای GPT-5.6 شرکت OpenAI به Kiro، دامنه انتخاب توسعهدهندگان برای ساخت، آزمایش و اصلاح نرمافزار با کمک هوش مصنوعی را گستردهتر کرده است. این مدلها شامل GPT-5.6 Sol، GPT-5.6 Terra و GPT-5.6 Luna هستند و در نسخههای IDE، خط فرمان و وب Kiro در دسترس قرار گرفتهاند.
Kiro فقط یک دستیار تکمیل کد نیست. این سرویس که بر بستر Amazon Bedrock ساخته شده، تلاش میکند فرایند توسعه نرمافزار را از دریافت ایده و نیازمندی تا طراحی، پیادهسازی، تولید مستندات و اجرای تستها پوشش دهد. ورود مدلهای OpenAI به این محیط، رقابت میان مدلهای مختلف را در یک ابزار توسعه واحد جدیتر میکند و به تیمها اجازه میدهد برای هر کار، میان کیفیت، سرعت و هزینه انتخاب دقیقتری داشته باشند.
سه مدل برای سه نوع نیاز توسعهدهنده
خانواده GPT-5.6 در Kiro با یک مدل واحد عرضه نشده است. AWS و OpenAI سه سطح متفاوت از توانایی را ارائه کردهاند تا کاربران بتوانند مدل مناسب را با توجه به پیچیدگی کار انتخاب کنند.
GPT-5.6 Sol؛ گزینه مناسب برای پروژههای پیچیده
Sol قدرتمندترین عضو این خانواده است و برای کارهای چندمرحلهای، بازطراحیهای طولانیمدت در کد، وظایف پیچیده ترمینال و پیادهسازی مبتنی بر مشخصات فنی طراحی شده است. طبق دادههای منتشرشده در مستندات Kiro، این مدل در شاخص Coding Agent Index امتیاز ۸۰ و در آزمون Terminal-Bench 2.1 امتیاز ۸۸٫۸ درصد بهدست آورده است.
Kiro میگوید Sol در این ارزیابیها از Claude Fable 5 عملکرد بهتری داشته و برای رسیدن به نتیجه، کمتر از نصف توکنهای خروجی و کمتر از نصف زمان موردنیاز آن را مصرف کرده است. البته این اعداد به محیط آزمون و روش ارزیابی وابستهاند و نباید آنها را معادل عملکرد قطعی مدل در همه پروژههای واقعی دانست.
GPT-5.6 Terra؛ تعادل میان توانایی و هزینه
Terra در میانه این خانواده قرار میگیرد و برای کارهای روزمره اما چندمرحلهای مناسب است؛ کارهایی مانند افزودن قابلیتهای جدید، اصلاح چند فایل، نوشتن تست و بررسی خطاهای متداول.
امتیاز Terra در Coding Agent Index برابر با ۷۷٫۴ اعلام شده است؛ رقمی که اندکی بالاتر از امتیاز ۷۷٫۲ برای Claude Fable 5 است. هدف اصلی Terra آن است که توسعهدهنده برای بسیاری از وظایف معمول، بدون پرداخت هزینه مدل پرچمدار Sol، از توانایی استدلال و اجرای چندمرحلهای بهره ببرد.
GPT-5.6 Luna؛ سرعت و صرفهجویی برای کارهای پرتعداد
Luna اقتصادیترین مدل این مجموعه است و برای وظایفی طراحی شده که تعداد اجرای آنها زیاد است و سرعت یا هزینه اهمیت بیشتری از بالاترین سطح توانایی دارد. تولید کدهای ساده، اصلاح خطاهای تکراری، ایجاد تستهای اولیه و اجرای عملیات کوتاه در مخزن کد، از نمونههای مناسب برای این مدل هستند.
بر اساس مستندات Kiro، Luna در شاخص Coding Agent Index امتیاز ۷۴٫۶ کسب کرده که بالاتر از امتیاز ۷۲٫۵ برای Claude Opus 4.8 است. Kiro همچنین این مدل را کمهزینهترین گزینه در خانواده GPT-5.6 معرفی میکند.
نکته مهم: هر سه مدل GPT-5.6 در Kiro از پنجره زمینه ۲۷۲ هزار توکنی بهره میبرند؛ بنابراین میتوانند حجم قابلتوجهی از کد، مستندات و اطلاعات پروژه را همزمان در نظر بگیرند. بااینحال، پنجره زمینه بزرگ بهتنهایی تضمینکننده درک کامل یک مخزن نرمافزاری یا تولید کد بدون خطا نیست.
Kiro چگونه از GPT-5.6 استفاده میکند؟
تفاوت اصلی Kiro با بسیاری از ابزارهای کدنویسی مبتنی بر هوش مصنوعی، در رویکرد «توسعه مبتنی بر مشخصات» یا Spec-Driven Development است. در این روش، کاربر فقط یک دستور کوتاه برای تولید کد ارائه نمیکند؛ بلکه Kiro ابتدا هدف محصول و نیازمندیهای فنی را به اسناد ساختاریافته تبدیل میکند.
این فرایند میتواند شامل تعریف نیازمندیها، طراحی فنی، ترسیم مسیر داده، تقسیم کار به وظایف اجرایی و مشخصکردن معیارهای پذیرش باشد. سپس مدل هوش مصنوعی بر اساس همین زمینه، کد را تولید میکند و در مراحل بعدی امکان بازبینی و اصلاح خروجی وجود دارد.
برای مثال، اگر توسعهدهنده بخواهد سامانه احراز هویت جدیدی به یک برنامه اضافه کند، Kiro میتواند ابتدا جریان ورود کاربر، مدیریت نشست، خطاهای احتمالی و تستهای لازم را مشخص کند. بعد از تأیید این مراحل، GPT-5.6 وظیفه تولید یا اصلاح فایلهای مختلف را بر عهده میگیرد. چنین رویکردی در مقایسه با تولید مستقیم چند قطعه کد، احتمال ناهماهنگی میان بخشهای مختلف پروژه را کاهش میدهد؛ هرچند همچنان به نظارت انسانی نیاز دارد.
اجرای وظایف طولانی با دخالت کمتر انسان
Kiro و OpenAI تأکید دارند که GPT-5.6 برای وظایف عاملمحور طولانی ساخته شده است. در این نوع کار، مدل تنها یک پاسخ متنی ارائه نمیدهد؛ بلکه میتواند ابزارهای مختلف را فراخوانی کند، فایلها را بررسی کند، برنامههای کوچک بنویسد و اجرا کند، نتیجه مراحل قبلی را تحلیل کند و بر اساس آن به گام بعدی برود.
در محیط IDE، این قابلیت برای پیادهسازی قابلیتهایی که به چندین فایل و چند مرحله آزمایش نیاز دارند، اهمیت زیادی دارد. در Kiro CLI و نسخه وب نیز مدل میتواند وظایفی مانند جستوجو در پروژه، اجرای دستورات ترمینال، اصلاح چندفایلی و بررسی نتیجه تستها را با رفتوبرگشت کمتر انجام دهد.
بااینحال، «عاملمحور» به معنای بینیازی از مهندس نرمافزار نیست. اجرای دستورات در ترمینال، تغییر فایلهای حساس یا دسترسی به منابع ابری میتواند پیامدهایی جدی داشته باشد. سازمانها باید مجوزها، ثبت رویدادها، محیطهای آزمایشی و نقاط تأیید انسانی را بهدقت تنظیم کنند.
ادعای کاهش ۸۲ درصدی هزینه در یک آزمون
یکی از مهمترین ادعاهای همراه این همکاری، بهبود هزینه اجرای وظایف کدنویسی عاملمحور است. OpenAI اعلام کرده که GPT-5.6 Terra در محیط Kiro و در آزمون Terminal-Bench 2.1، وظایف موفق را با حدود ۸۲ درصد هزینه کمتر تکمیل کرده است.
این عدد به معنای کاهش قطعی هزینه برای همه کاربران یا همه پروژهها نیست. هزینه واقعی به عواملی مانند طول ورودی و خروجی، تعداد دفعات اجرای ابزارها، عمق استدلال، پیچیدگی مخزن کد و تعداد تلاشهای لازم برای رسیدن به نتیجه بستگی دارد. مزیت اصلی Terra در اینجا، ترکیب توانایی مناسب با تعداد کمتر رفتوبرگشت و خطا در یک گردشکار ساختاریافته عنوان شده است.
هزینه استفاده از مدلها در Kiro
Kiro هزینه مدلها را با ضریب مصرف اعتبار مقایسه میکند. در زمان عرضه اولیه، ضریب Sol برابر با ۲٫۴، Terra برابر با ۱٫۲ و Luna برابر با ۰٫۶ بود. Kiro در بهروزرسانی ۳۱ ژوئیه ۲۰۲۶ اعلام کرد که ضریب Terra را به ۱٫۰ و ضریب Luna را به ۰٫۱ کاهش داده است؛ Sol همچنان با ضریب ۲٫۴ باقی مانده است.
در نتیجه، Luna برای اجرای پرتعداد و کمریسک جذابتر میشود، درحالیکه Sol باید برای وظایفی استفاده شود که واقعاً به بالاترین سطح استدلال، هماهنگی ابزارها یا بازطراحی گسترده نیاز دارند. Terra نیز میتواند انتخاب پیشفرض مناسبی برای بسیاری از کارهای توسعه روزمره باشد.
البته ضریب اعلامشده، هزینه نهایی هر وظیفه را بهطور کامل تعیین نمیکند؛ تعداد توکنهای تولیدشده و میزان پردازش داخلی مدل نیز اثرگذار است.
دسترسی و محدودیتهای فعلی
GPT-5.6 Sol، Terra و Luna ابتدا با پشتیبانی آزمایشی برای کاربران طرحهای Pro، Pro+، Pro Max و Power عرضه شدند. این مدلها در جغرافیای آمریکا و اروپا ارائه میشوند و Kiro برای آنها از استنتاج میانمنطقهای استفاده میکند. طبق مستندات Kiro، درخواستهای مربوط به GPT-5.6 صرفنظر از منطقه پروفایل کاربر از زیرساختهای ایالات متحده سرویسدهی میشوند.
این نکته برای شرکتهایی که الزامات سختگیرانهای درباره محل پردازش داده یا حاکمیت اطلاعات دارند، اهمیت دارد. مدیران سازمانی باید پیش از فعالکردن مدل، سیاستهای مربوط به دادههای محرمانه، کنترل دسترسی و محل پردازش را بررسی کنند. Kiro برای کاربران سازمانی امکاناتی مانند کلیدهای مدیریتشده توسط مشتری را ارائه میکند، اما تنظیمات امنیتی مناسب همچنان بر عهده سازمان است.
رقابت جدیتر میان مدلهای کدنویسی
ورود مدلهای OpenAI به Kiro از نظر راهبردی نیز اهمیت دارد. Kiro پیشتر مجموعهای از مدلهای Anthropic و مدلهای متنباز را در اختیار کاربران قرار داده بود و اکنون GPT-5.6 را به همان گردشکار اضافه کرده است. کاربران میتوانند مدل را بهصورت دستی انتخاب کنند یا گزینه Auto را فعال کنند تا Kiro بر اساس نوع کار، مدل مناسب را پیشنهاد دهد.
این رویکرد نشان میدهد ابزارهای توسعه هوش مصنوعی بهسمت محیطهایی حرکت میکنند که مدلهای مختلف را پشت یک رابط واحد مدیریت میکنند. در چنین شرایطی، تفاوت میان سرویسها فقط به نام مدل وابسته نیست؛ کیفیت مدیریت زمینه، اجرای ابزارها، تست خودکار، کنترل تغییرات و امکان بازبینی نیز به اندازه مدل پایه اهمیت پیدا میکند.
جمعبندی
اضافهشدن GPT-5.6 به Kiro، انتخابهای بیشتری برای توسعه نرمافزار عاملمحور فراهم میکند. Sol برای پروژههای پیچیده و طولانی، Terra برای تعادل میان کیفیت و هزینه و Luna برای وظایف سریع و پرتعداد طراحی شدهاند. ادعای کاهش هزینه در آزمون Terminal-Bench 2.1 نیز نشان میدهد AWS و OpenAI تلاش دارند رقابت را از سطح «مدل قدرتمندتر» به سمت «کار مفیدتر با هزینه کمتر» ببرند.
باوجوداین، نتیجه واقعی به کیفیت مشخصات پروژه، معماری کد، سیاستهای امنیتی و میزان نظارت تیم توسعه بستگی دارد. آنچه باید در ادامه زیر نظر گرفت، گسترش دسترسی عمومی، عملکرد این مدلها در پروژههای واقعی و میزان موفقیت Kiro در تبدیل دستیارهای کدنویسی به عاملهایی قابلاعتماد برای چرخه کامل تولید نرمافزار است.