GitHub Copilot’ta hangi model hangi görev için? Görev bazlı seçim rehberi

GitHub Copilot’ta tek bir “en iyi model” yok. Görev küçük ve kolay doğrulanıyorsa GPT-5.6 Luna; günlük özellik geliştirme ve birkaç dosyalı işler için GPT-5.6 Terra ya da Claude Sonnet 5; belirsiz hata ayıklama ve mimari inceleme için GPT-5.6 Sol ya da Claude Opus; uzun süre kendi başına ilerlemesi gereken ajan işi için GPT-6 Astra veya Claude Fable 5.1 daha mantıklı başlangıçlar.[1] Bu öneriler benim benchmark sonucum değil, GitHub’ın güncel görev sınıfları ve fiyat tablosundan çıkardığım seçim reçetesi.[1][4]

Göreve göre kısa karar tablosu

• Küçük düzeltme, docstring, regex, utility fonksiyonu: GPT-5.6 Luna. Alternatif: Claude Haiku 4.5 veya Gemini Flash.[1]
• Günlük feature, test ekleme, birkaç dosyalı refactor: GPT-5.6 Terra veya Claude Sonnet 5.[1]
• Kök nedeni belirsiz bug, mimari trade-off, büyük kod tabanı analizi: GPT-5.6 Sol veya Claude Opus.[1]
• Uzun süren repo araştırması, feature’ın uçtan uca uygulanması, çok aşamalı ajan işi: GPT-6 Astra veya Claude Fable 5.1.[1]
• Ekran görüntüsü, diyagram veya UI hatası: Görsel girdi desteği olan modeli ve bunu destekleyen Copilot istemcisini seç.[1][2]

GitHub’ın model karşılaştırması Luna’yı küçük ve hızlı işler, Terra’yı dengeli günlük kodlama, Sol’u büyük kod tabanlarında zor reasoning, Astra’yı ise sürekli planlama ve bağımsız doğrulama isteyen uzun ufuklu görevler için konumluyor.[1] Aynı tablo Haiku’yu hızlı işler, Sonnet’i genel kodlama ve ajan görevleri, Opus’u derin reasoning, Fable 5.1’i uzun süren karmaşık ajan akışları için öneriyor.[1] Bunlar GitHub ve model sağlayıcılarının ürün iddialarıdır; senin depon için başarı garantisi değildir.

1. Küçük ve geri alınabilir iş: Luna, Haiku veya Flash

Bir isim düzeltme, kısa test, açıklama ya da utility fonksiyonu için pahalı modeli bekletmek gereksiz. GitHub, hızlı model grubunu quick edit, syntax yardımı, küçük prototip ve tek seferlik kod önerileriyle eşliyor; GPT-5.6 Luna’yı da GPT-5.6 ailesinin en düşük maliyetli üyesi diye tanımlıyor.[1] GitHub’ın görev örnekleri de basit liste dönüştürme işini hafif modele, test üretimini ise Haiku’ya yönlendiriyor.[3] Görev sınırı tek cümlede yazılabiliyor ve sonucu lint, test ya da kısa diff ile kontrol edebiliyorsan buradan başla.

Fiyat farkı kâğıt üzerinde de büyük. GitHub’ın 8 Eylül 2026’da kontrol edilen tablosunda Luna’nın standart katmanı milyon giriş tokenı başına 0,20 dolar, çıkışta 1,20 dolar; Astra’da aynı değerler 10 ve 50 dolar.[4] Bunlar API faturası değil, Copilot AI kredi hesabında kullanılan güncel token oranlarıdır ve değişebilir.[4] Küçük bir işte ağır model seçmek doğruluk satın almaktan çok pahalı bekleme süresi satın alabilir.

2. Günlük geliştirme: Terra veya Sonnet

Yeni bir endpoint eklemek, mevcut test desenini sürdürmek veya birkaç dosyaya yayılan geri alınabilir refactor için dengeli sınıf daha iyi bir varsayılan. GitHub Terra’yı günlük interaktif ve ajan kodlaması için dengeli seçenek diye tanımlıyor; Sonnet 5’i de genel kodlama ve ajan görevleri sınıfına koyuyor.[1] Burada modelden önce kısa plan, değişecek dosyalar ve çalıştırılacak testleri istemek genellikle model yükseltmekten daha fazla kontrol sağlar.

Ben olsam önce Terra ile başlar, model mevcut mimariyi iki kez yanlış okursa Sonnet ya da Sol’a geçerdim. Tersi yönde de düşmek mümkün: görev netleşip yalnız uygulama kaldığında ağır modeli oturum boyunca açık tutmak şart değil. Model değişimini bir sadakat seçimi gibi değil, iş kuyruğu yönlendirmesi gibi düşün.

3. Belirsiz hata ve mimari karar: Sol veya Opus

Birden fazla servis, eski soyutlamalar veya eksik loglar devreye girdiğinde hızlı cevap en ucuz cevap olmayabilir. GitHub’ın deep reasoning grubu, çok dosyalı hata ayıklama, büyük refactor, katmanlar arası planlama ve kütüphane trade-off’larını kapsıyor; Sol’u GPT-5.6 ailesinin en yüksek reasoning tavanı olarak gösteriyor.[1] Opus da aynı derin reasoning sınıfında yer alıyor.[1]

Bu sınıfta ilk çıktı kod olmamalı. Modelden olası kök nedenleri, her ihtimali ayıracak kanıtı, dokunacağı dosyaları ve geri dönüş planını yazmasını iste. Ardından en küçük hipotezi test et. Güçlü modelin ikna edici açıklaması, doğrulama yerine geçmez.

4. Uzun otonom iş: Astra veya Fable 5.1

Repo taraması, uzun feature geliştirme ve ardışık araç çağrıları gerçekten yarım saatler sürecekse ajan sınıfına geçmek mantıklı olabilir. GitHub, Astra’yı sürekli planlama, toplu teşhis ve sonucu bağımsız teyit eden uzun ufuklu kodlama için; Fable 5.1’i derin kod tabanı araştırması ve karmaşık ajan akışları için konumluyor.[1] Her ikisi de GitHub’ın desteklenen modeller listesinde GA görünüyor, fakat kullanılabilirlik planına, istemciye ve kurum politikasına bağlı olabilir.[2]

Buradaki maliyet yalnız token değil. Büyük diff’in inceleme süresi, yanlış yönde geçen ajan süresi ve gereksiz dosya değişiklikleri de faturaya girer. Ajanı açmadan önce kabul kriterini, yasaklı alanları, test komutunu ve durma noktasını yaz. Bunlar yoksa daha güçlü model yalnız daha uzun süre yanlış yöne gidebilir.

Model adı kadar Copilot yüzeyi de önemli

Copilot’taki her model her istemcide veya özellikte aynı biçimde bulunmuyor.[2] GitHub’ın destek tablosu, istemci ve özellik bazında ayrı uygunluk listeleri veriyor ve yeni modeller için minimum IDE sürümleri gösteriyor.[2] Model seçicide bir adı göremiyorsan önce Copilot planını, kurum politikasını, istemci desteğini ve eklenti sürümünü kontrol et. “Model kötü” sonucuna varmadan önce yüzeyin aynı olduğundan emin ol.

Auto seçimin ne yaptığı ve ne zaman manuel seçime dönmek gerektiği için GitHub Copilot Auto model mi manuel seçim mi rehberine bak. Bu yazının odağı Auto’nun mekanizması değil, manuel seçim ekranında hangi modelin hangi işe gönderileceği.

Solo builder için üç aşamalı rota

• Başlangıç: görevin yanlış yapılınca maliyetini ve doğrulama yolunu yaz. Kolay geri alınan işte Luna/Haiku/Flash, günlük işte Terra/Sonnet ile başla.
• Yükseltme: plan önemli bağımlılığı kaçırdıysa, iki deneme aynı yerde kaldıysa veya görev belirsizleştiyse Sol/Opus’a geç. Görev uzun ufuklu hale geldiyse Astra/Fable düşün.
• Kapatma: changed-file listesini ve diff’i oku; ilgili testi, lint’i ve build’i çalıştır; ürün davranışını elle kontrol et. Ajanın “tamamlandı” mesajını kanıt sayma.

GPT-5.6 ailesi içinde derinlik, hız ve maliyet ayrımını ayrıca görmek için Sol–Terra–Luna ana rehberine geç. Buradaki Copilot rotası o ana rehberi tekrar etmiyor; OpenAI dışındaki seçenekleri ve Copilot görev kuyruğunu tamamlıyor.

Aynı model içinde düşünme düzeyini ayarlayabiliyorsan low–high reasoning görev rehberi model seçiminin ikinci adımını anlatıyor.

Merge’den önce yedi adımlı ajan çıktısı doğrulama kontrol listesini uygula. Model katmanı değişse de doğrulama sorumluluğu değişmiyor.

Singrey notu

Benim seçim kuralım basit: küçük işte hızlı model, günlük işte dengeli model, belirsiz işte güçlü reasoning, uzun otonom işte ajan modeli. “En güçlü” seçeneği sürekli açık tutmak güven vermiyor; sadece kararın maliyetini görünmez yapıyor. Modeli görev kuyruğuna göre değiştirmek biraz sıkıcı, ama solo çalışırken bütçeyi ve inceleme enerjisini koruyan taraf tam olarak bu.