Tarjeta de título principal de Claude Opus 5.5 que dice «cada puntuación, el ajuste de esfuerzo del que proviene y quién la midió», con dos indicadores de estadísticas: 66,4 % en Terminal-Bench 4.0 con esfuerzo xhigh, reportado por el proveedor, y 59,6 % en el mismo benchmark, de forma independiente.
Guides & Insights

Benchmarks de Claude Opus 5.5: cada puntuación, el ajuste de esfuerzo del que proviene y quién la midió

Fecha de publicación

Últimos modelos · 20Ver todos los modelos →
Benchmarks: Artificial Analysis · actualizado a diario
Volver a todas las publicaciones

La cifra principal de Ant​hropic para Claude Opus 5.5 en Terminal-Bench 4.0 es 66.4%, publicada frente a 52.3% de Claude Opus 5 en la misma tabla — y ese 66.4% se produjo con un esfuerzo xhigh, no con el valor predeterminado del modelo, medium. El modelo se lanzó el 22 de septiembre de 2026, dos días antes de que se escribiera esta página, por lo que es un modelo GA con el precio de un modelo GA y la tabla de benchmarks de un modelo GA. La cifra independiente en el mismo benchmark, de Artificial Analysis, es 59.6%, en una configuración que lleva incorporado el enrutamiento de salvaguardas del lado del servidor de Ant​hropic. Entre esas dos cifras hay una diferencia de entorno de pruebas, una diferencia de esfuerzo y una diferencia de enrutamiento, y nadie —incluidos nosotros— puede decir todavía qué parte de la brecha explica cada una. Lo que esta página puede hacer es reunir en un solo lugar todas las cifras publicadas de Claude Opus 5.5, indicar quién la produjo, indicar el ajuste con el que se produjo e incluir las filas en las que GPT-6 Astra y Claude Fable 5.1 quedan por delante.

Empieza por el ajuste de esfuerzo, porque mueve más los números que los modelos.

Claude Opus 5.5 utiliza de forma predeterminada el nivel medium de esfuerzo en la API de Claude. Claude Opus 5 utilizaba de forma predeterminada el nivel high. El mismo nivel con el mismo nombre tampoco representa el mismo presupuesto de razonamiento entre los dos modelos, por lo que «ejecutamos ambos en high» no es una comparación controlada aunque la etiqueta coincida. El razonamiento adaptativo siempre está activado y no se puede desactivar en Opus 5.5; el parámetro de esfuerzo altera la profundidad, la latencia y el coste, y nada más.

La cifra de Anthropic en Terminal-Bench 4.0 se ejecutó en xhigh. Ese único hecho es la advertencia más importante de esta página, porque el benchmark que encabeza es el que tiene el margen reportado más amplio sobre el modelo anterior, y porque la misma tabla muestra lo que sucede cuando dejas ese ajuste tal cual:

• FrontierCode v1.1 Main — 54,4 % con xhigh, 54,6 % con medium predeterminado.Reportado por el proveedor. La ejecución en medium es superior a la ejecución en xhigh. En esta carga de trabajo, el ajuste de esfuerzo no aportó nada medible; los dos números son el mismo número.

• CursorBench 4.0 — 57,8 % en xhigh, 52,5 % en medium.Reportado por el proveedor. Mismo modelo, mismo arnés, misma semana: 5,3 puntos, que es la mayor diferencia de esfuerzo de la tabla.

Esas dos filas que aparecen dentro de una misma tabla de proveedor son todo el argumento. Una carga de trabajo es insensible al esfuerzo y la otra es muy sensible al esfuerzo, y la tarjeta del modelo no puede decirte de antemano qué tipo de carga de trabajo es la tuya. La conclusión que respaldan los datos es limitada y merece enunciarse de forma limitada: el nivel de esfuerzo correcto ahora es una medición por carga de trabajo, no un valor predeterminado que heredas. No respalda "Opus 5.5 es más rápido de lo que sugieren sus benchmarks" ni "Anthropic saboteó a propósito el valor predeterminado"; para eso harían falta barridos por carga de trabajo en los cinco ajustes, y nadie los ha publicado. Sí significa que, si migras desde Opus 5 y mantienes el ajuste de esfuerzo que ya tenías, has cambiado el experimento, no solo el modelo.

Una asimetría más, y esta va en la dirección contraria. La columna del competidor en la fila de Terminal-Bench de Anthropic es GPT-6 Astra con 57.9% — ejecutado con alto esfuerzo, según la nota del propio gráfico de Anthropic, mientras que el 66.4% de Opus 5.5 se ejecutó en xhigh. Una tabla de un proveedor que ejecuta su propio modelo con una configuración y a un rival con otra no es una comparación directa, sin importar cómo se vean los dos números uno al lado del otro.

La tabla de proveedores, con el origen y la configuración en cada fila

Todo en esta sección es reportado por el proveedor: el material de lanzamiento de Anthropic, el harness de Anthropic, las salvaguardas de producción activadas, el pensamiento adaptativo al máximo esfuerzo a menos que la fila indique lo contrario. Léalo como Anthropic midiendo a Anthropic.

• Terminal-Bench 4.0 — 66,4%, con esfuerzo xhigh. Reportado por el proveedor, con un error estándar de aproximadamente ±2,6 puntos. En la misma fila: Claude Opus 5 52,3%, Claude Fable 5.1 55,8%, GPT-6 Astra 57,9% (con esfuerzo alto), GPT-5.6 Sol 37,3%. Terminal-Bench 4.0 es explícitamente un benchmark que el proveedor reconoce que es un proxy imperfecto del trabajo real en terminal, y es el dato principal del modelo.

• FrontierCode v1.1 Main — 54,4 % en xhigh, 54,6 % en medio predeterminado. Reportado por el proveedor. Opus 5 48,0 %, Fable 5.1 50,3 %, GPT-6 Astra 53,3 %, GPT-5.6 Sol 47,5 %. La ficha técnica del sistema de Anthropic también incluye la variante Extended con un 63,6 % y la mejor cifra de Extended en medio, de 65,3 %.

• CursorBench 4.0 — 57,8 % en xhigh, 52,5 % en medium. Datos reportados por el proveedor. Opus 5 46,6 %, Fable 5.1 51,8 %, GPT-5.6 Sol 41,7 %. Ten en cuenta que las filas de CursorBench de Fable 5.1 y Opus 5 corresponden a esfuerzo máximo, por lo que Opus 5.5 en medium se compara con sus propios hermanos en máximo.

• GDPval-AA v2.1 — 1.846 Elo. Es la única fila de la tabla del proveedor que el proveedor no ejecutó. GDPval-AA es una evaluación de Artificial Analysis, y el propio informe de Artificial Analysis sobre Opus 5.5 indica el mismo 1.846, con Fable 5.1 en 1.735 y Opus 5 en 1.708. En la tabla del proveedor: Fable 5.1 1.735, Opus 5 1.708, GPT-5.6 Sol 1.588, GPT-6 Astra 1.542. Es la única fila aquí en la que dos organizaciones coinciden en el mismo número, y eso se debe a que es la misma medición.

• AutomationBench (Zapier) — 40,0 %. Informado por el proveedor y ejecutado con sin modelos de respaldo, por lo que cada intervención de salvaguarda se calificó como un fallo. GPT-6 Astra 41,4 %, Fable 5.1 31,4 %, GPT-5.6 Sol 28,8 %, Opus 5 26,9 %.

• Humanity's Last Exam, con herramientas: 67,7 %. Según el proveedor. Fable 5.1, 65,6 %; Opus 5, 63,6 %; GPT-6 Astra, 57,2 %. La tarjeta de sistema de Anthropic informa por separado un 64,4 % sin herramientas, que es la cifra a la que hay que recurrir si se compara con una fuente que no ofrece acceso a herramientas a sus modelos.

• Terminal-Bench-Science 0.1 — 58,7 %. Reportado por el proveedor, con un error estándar de aproximadamente ±3,5 a ±5 puntos, por lo que se trata de un rango más que de un valor puntual. GPT-6 Astra 64,6 %, Fable 5.1 52,6 %, Opus 5 29,0 %, GPT-5.6 Sol 22,4 %.

• OSWorld 2.0 — 81.8% parcial. Reportado por el proveedor, y «parcial» hace un trabajo real en esa frase: la tarjeta de sistema de Anthropic da una tasa de finalización estricta de 48.7% para el mismo modelo en la misma evaluación. Ambos están publicados; el número parcial es el que se cita. Fable 5.1 80.7%, Opus 5 74.0%.

• Chartography, con herramientas — 89,0 %. Según el proveedor. Fable 5.1 88,4 %, Opus 5 83,4 %.

Scoreboard for Claude Opus 5.5 with six rows: Terminal-Bench 4.0 66.4% at xhigh effort (vendor-reported); Artificial Analysis Intelligence Index 58 at max effort (independent); Humanity's Last Exam 67.7% with tools (vendor-reported); Terminal-Bench-Science 0.1 58.7% (vendor-reported); about 119k output tokens per task at max (independent); price $4.00 input / $20.00 output per 1M. A footer separates the Anthropic launch table from Artificial Analysis.

Los números independientes, y qué significa realmente «Default Fallback»

Artificial Analysis es el único tercero que cuenta con una evaluación publicada y actual de Claude Opus 5.5 en un índice compuesto, y sus cifras son las que hay que poner junto a las de Anthropic. Según la lectura del 24 de septiembre de 2026:

• Índice de Inteligencia — 58 con el máximo esfuerzo, en una configuración etiquetada como "Adaptive Reasoning, Max Effort, Default Fallback". Independiente, medido por Artificial Analysis. Su propio artículo califica 58 como "la puntuación más alta que hemos medido por varios puntos". El mismo índice también publica Opus 5.5 en todos los demás ajustes de esfuerzo, y la dispersión es la parte útil: 56 en xhigh, 54 en high, 51 en medium, 42 en low. Es una variación de 16 puntos a lo largo del dial de esfuerzo en un solo modelo — mayor que la brecha entre la mayoría de los modelos de esa tabla.

• Terminal-Bench 4.0 — 59.6%. De forma independiente. Artificial Analysis lo reporta como "a la par del líder GPT-6 Astra (xhigh)" y unos 11 puntos por encima de Claude Opus 5.

• Humanity's Last Exam — 61,4 %.De forma independiente, y el mejor resultado anterior en la misma tabla era del 59,1 %, en manos de Claude Fable 5.1.

• SciCode — 66,9 %. De forma independiente, frente al 63,1 % de Claude Fable 5.1.

Ahora la cláusula que necesita explicación en lugar de cita textual. «Default Fallback» no es un artefacto del benchmark ni un ajuste de Artificial Analysis: es el enrutamiento de salvaguarda del lado del servidor de Anthropic, que se deja activado. Claude Opus 5.5 se entrega con el nivel de salvaguarda que antes estaba reservado para Fable 5.1: la mayoría de las solicitudes de ciberseguridad se redirigen de forma transparente a Claude Opus 4.8, y el trabajo de biología recurre a Claude Opus 5 salvo que la cuenta esté verificada. Cuando Artificial Analysis ejecuta el índice con el fallback predeterminado activado, está midiendo el sistema desplegado —lo que realmente alcanza una clave de API no verificada— en lugar de un checkpoint limpio de los pesos de Opus 5.5. Esa es la medición más honesta para un comprador y la menos limpia para un benchmark. Anthropic dice algo similar sobre su propia tabla: las intervenciones en la ejecución de Terminal-Bench 4.0 hicieron que las tareas de ciberseguridad las completara Opus 4.8 y las de biología Opus 5, y la empresa afirma que esas intervenciones probablemente redujeron la puntuación reportada. Así que el enrutamiento de salvaguarda es un hecho operativo real en ambas direcciones, y ninguna cifra de esta página aísla el modelo subyacente de ello.

Dónde discrepan las dos tablas y por qué

Si pones los dos números de Terminal-Bench 4.0 uno al lado del otro, obtienes 66,4 % frente a 59,6 % — 6,8 puntos, en el mismo benchmark, para el mismo modelo. Las razones se conocen, y cada una es lo bastante grande como para importar por sí sola:

• Distintos arneses. Anthropic utilizó su propio andamiaje de agente; Artificial Analysis utilizó su propio arnés de agente de referencia. La puntuación de un benchmark de terminal es una propiedad del andamiaje junto con el modelo, no del modelo por sí solo, y ninguna de las dos organizaciones ha publicado un experimento de intercambio de andamiaje.

• Distintas configuraciones de esfuerzo. El 66,4 % de Anthropic es con xhigh. La configuración de esfuerzo asociada al 59,6 % de Artificial Analysis no se indica en la frase que contiene la cifra, y sus cifras de referencia reportadas suelen ser las de máximo esfuerzo.

• Salvaguardias activadas, en ambos casos, contabilizadas de forma distinta. Anthropic ejecutó con fallback y trató las intervenciones como reductoras de la puntuación, pero aun así las puntuó. En AutomationBench ejecutó sin fallback y contabilizó las intervenciones como fallos absolutos. Artificial Analysis ejecuta con el fallback habilitado en todo momento.

• Los números se mueven incluso dentro de la propia tabla de un mismo proveedor. Anthropic publica Claude Opus 5 con un 52,3 % en Terminal-Bench 4.0 y señala que el 51,8 % del tablero público para ese mismo modelo está "dentro del ruido".

Y luego está la prueba más contundente de esta página sobre cuánto vale un arnés. La clasificación pública de Terminal-Bench 4.0, capturada el 24 de septiembre de 2026, no incluye ninguna fila de Claude Opus 5.5. Su primera entrada es GPT-6 Astra con esfuerzo máximo, agente Codex, 58,2 % ±2,8; la segunda es Claude Fable 5.1 con esfuerzo máximo mediante Claude Code, con 57,9 % ±3,8; la tercera es Claude Opus 5 en xhigh mediante Claude Code, con 53,9 % ±3,2. Así que el 66,4 % no es solo un número distinto del 59,6 % independiente —no está en la tabla pública, y la propia versión de Claude Opus 5 que aparece en la tabla es 53,9 %, no el 52,3 % que imprime la tabla de lanzamiento. Hasta que Terminal-Bench acepte y publique un envío de Opus 5.5, el 66,4 % es un resultado del arnés del proveedor que nadie ha reproducido, y el 59,6 % es el número que un tercero realmente respaldará. Nótese además que, en esa misma tabla, el líder de Terminal-Bench 4.0 de Artificial Analysis y el Opus 5.5 de Anthropic coinciden en el mismo 59,6 %, lo cual es un empate en un arnés y no dice nada sobre el otro.

Effort-dial infographic for Claude Opus 5.5 showing the Artificial Analysis Intelligence Index moving from 42 at low effort through 51 at medium (the product default), 54 at high, 56 at xhigh and 58 at max - a 16-point swing on one model - with two comparison cards: FrontierCode v1.1 at 54.4 xhigh against 54.6 medium (effort-insensitive) and CursorBench 4.0 at 57.8 xhigh against 52.5 medium (effort-sensitive).

Las filas donde Opus 5.5 pierde

Un resumen que omite las pérdidas no es un resumen, y la propia tabla de Anthropic contiene ambas.

• Terminal-Bench-Science 0.1: 58,7 % frente al 64,6 % de GPT-6 Astra. Reportado por el proveedor, en la tabla de Anthropic, y una derrota por 5,9 puntos ante un competidor nombrado en la fila más cercana al razonamiento científico. La propia nota del proveedor sobre el error estándar (±3,5 a ±5) implica que la diferencia está cerca del borde del ruido, más que cómodamente dentro de él; pero es una derrota en la propia página del proveedor, y ese margen no la convierte en una victoria. Claude Opus 5 se sitúa en el 29,0 % en la misma fila, así que la mejora generacional es real incluso allí donde el competidor lidera.

• AutomationBench: 40,0 % frente al 41,4 % de GPT-6 Astra.Según datos del proveedor, una pérdida de 1,4 puntos, y la ejecución no tenía modelos de respaldo, por lo que las intervenciones de salvaguarda se puntuaron como fallos. Eso significa que esta comparación concreta mide Opus 5.5 con su penalización de enrutamiento incluida frente a un competidor cuya penalización de enrutamiento, sea cual sea, no se describe. Es la fila menos interpretable de la página en cualquier dirección.

Otros dos puntos en los que la ventaja es más estrecha de lo que sugiere el titular, ambos reportados por el proveedor. En Humanity's Last Exam con herramientas el margen sobre Claude Fable 5.1 es de 2,1 puntos (67,7 % frente a 65,6 %); en Chartography con herramientas es de 0,6 puntos (89,0 % frente a 88,4 %); en OSWorld 2.0 parcial es de 1,1 puntos (81,8 % frente a 80,7 %). Esas son las filas en las que «Opus 5.5 es el mejor modelo agéntico» es una afirmación sobre el ranking más que sobre una brecha medida, y una diferencia de 0,6 puntos en lectura de gráficos no debería decidir una adquisición.

La posición independiente de Claude Fable 5.1, en una revisión diferente del índice

Colocar Opus 5.5 frente a su propio hermano necesita su propia sección, y necesita una advertencia adjunta, porque la comparación es más difícil de lo que parece.

Cuando Artificial Analysis publicó su análisis sobre Claude Fable 5.1 el 1 de septiembre de 2026, obtuvo 66 con esfuerzo máximo en su Intelligence Index y lo calificó como la puntuación más alta que había medido —por delante de Claude Opus 5 con 63 y GPT-5.6 Sol con 61. En el índice tal como figura el 24 de septiembre de 2026, el mismo modelo aparece con 53 con esfuerzo máximo con fallback, y Opus 5.5 aparece con 58 en la configuración equivalente. El análisis del 22 de septiembre sobre Opus 5.5 califica 58 como «la puntuación más alta que hemos medido, superando por varios puntos».

Esas dos afirmaciones no pueden ser ambas verdaderas en una misma escala, y la resolución consiste en que no están en la misma escala. El índice es un objeto vivo que Artificial Analysis revisa; dos de sus artículos publicados, con cinco semanas de diferencia, sitúan al mismo par de modelos hermanos en lados opuestos del primer puesto. Eso es una afirmación sobre las revisiones del índice, no sobre que ninguno de los dos modelos haya empeorado, y significa que el 66 y el 58 nunca deben imprimirse uno al lado del otro. Si se leen el mismo día, en el mismo listado y con la misma configuración etiquetada, la ordenación actual sitúa a Opus 5.5 cinco puntos por delante de Fable 5.1 — e incluso eso es una comparación dentro del mismo índice y del mismo proveedor del índice, no una comparación directa auditada. Lo que es seguro afirmar es más limitado: en la revisión actual del único compuesto independiente que mide a ambos, Opus 5.5 es el más fuerte de los dos modelos de Anthropic, y el 66 más conocido de Fable 5.1 pertenece a una revisión anterior de ese índice.

Vale la pena dedicar una frase más a las configuraciones, porque es fácil confundirlas. El 66 de Fable 5.1 y el 58 de Opus 5.5 son ambos filas de esfuerzo máximo, pero las cinco configuraciones de esfuerzo de Fable 5.1 abarcan un rango de 11x en el uso de tokens de salida, desde 13,1 M en bajo hasta 143,7 M en máximo, con puntuaciones de índice de 58 a 66. Un único punto de índice para un modelo con tanta dispersión interna es un pobre sustituto de la fila que realmente ejecutarías.

El costo en tokens es un eje de benchmark por sí mismo.

Cada número de arriba es una puntuación. Ninguno de ellos es un proyecto de ley, y en este modelo el proyecto de ley es donde está el movimiento interesante.

Artificial Analysis mide Claude Opus 5.5 con el máximo esfuerzo de razonamiento usando del orden de 119.000 tokens de salida por tarea del Intelligence Index — la cifra más alta de su índice. A modo de comparación, en la misma tabla y con la misma configuración: Claude Opus 5 unos 73.000, Claude Fable 5.1 unos 78.000 y GPT-6 Astra unos 27.000. Los tokens de razonamiento se facturan como tokens de salida, y el razonamiento adaptativo no se puede desactivar en Opus 5.5, así que los tokens que un modelo dedica a deliberar no son una nota a pie de página de su precio: son la mayor parte de él.

Haz los cálculos, porque el precio de lista engaña por sí solo. Opus 5.5 figura a $4.00 de entrada / $20.00 de salida, un 20 % menos que los $5.00 / $25.00 de Opus 5. Artificial Analysis sigue midiendo que Opus 5.5, con esfuerzo máximo, cuesta alrededor de $5.98 por tarea del índice frente a $5.86 de Opus 5 con la misma configuración — ligeramente más, no menos, porque aproximadamente 1,6 veces los tokens de salida se comen todo el recorte de tarifa del 20 % y algo más. En todo el índice, Opus 5.5 produjo 260M tokens de salida frente a una mediana del ranking de 88M, lo que el evaluador califica como "muy verboso".

La historia de costes, por tanto, reside por completo en el ajuste de esfuerzo, y solo funciona si se usa. Con el esfuerzo máximo, Opus 5.5 es un modelo más caro por tarea completada que el modelo al que sustituye. En medio —el valor predeterminado real del producto y el ámbito al que se circunscribe la afirmación de Anthropic de «alrededor de un 40 % menos de coste de ejecución en cargas de trabajo típicas»—, el ahorro es real, pero es una declaración sobre un promedio entre las cargas de trabajo que el proveedor seleccionó, no un resultado auditado por tarea. La lectura práctica: la rebaja del 20 % es un descuento sobre la lista de precios y una opción en el dial de esfuerzo, no un ahorro automático. Si tu plan de migración es «cambiar el id del modelo y conservar la configuración», estás comprando la versión cara.

Qué no está establecido en absoluto

Esta es la sección que el resto de la página está destinada a respaldar.

• No se ha publicado ningún enfrentamiento directo independiente con el mismo esfuerzo y el mismo arnés de Claude Opus 5.5 contra ningún rival nombrado.Toda comparación entre proveedores de esta página —Opus 5.5 frente a GPT-6 Astra, frente a GPT-5.6 Sol, frente a Claude Fable 5.1— es una comparación de dos tablas producidas por dos empresas distintas, con dos arneses distintos, con dos ajustes de esfuerzo distintos, uno de los cuales suele ser el propio modelo del proveedor en un ajuste favorable. No hay ningún experimento en el registro público que mantenga constantes el andamiaje y el esfuerzo entre dos proveedores y dé cuenta de ambos.

• El desglose de tokens por problema no se publica. La cifra agregada de tokens de salida se mide de forma independiente, pero nadie de los que pudimos encontrar publica qué parte corresponde a pensamiento y qué parte a texto de respuesta. Cualquier página que te dé una cifra precisa de tokens de pensamiento para este modelo te está dando un número que nadie midió.

• La mayor parte de la tarjeta del sistema no ha sido evaluada por terceros. SWE-bench Pro 89,9 %, Multilingual 93,9 %, DeepSWE v1.1 74,2 %, ProgramBench 91,2 %, OfficeQA 78,9 %, HealthBench Professional 65,6 % ajustado por longitud, GMMLU 94,3 %, ArXivMath 96,9 % con herramientas — todos reportados por el proveedor, ninguno reproducido de forma independiente en el momento de la redacción.

• La cifra principal de Terminal-Bench 4.0 no aparece en la tabla pública. Ya se ha tratado más arriba, y también pertenece a esta lista: la cifra más citada sobre este modelo es una que nadie fuera del proveedor ha ejecutado.

• Anthropic informa que Claude Opus 5.5 "a menudo sospecha que está siendo evaluado" —las propias palabras de la empresa, ofrecidas como una limitación de su evaluación de seguridad. Tómelo en serio como un problema de medición y no como una curiosidad: si el modelo se comporta de manera diferente cuando cree que lo están probando, entonces cada cifra de benchmark en esta página, del proveedor o independiente, es una medición del modelo bajo observación, y el grado en que eso difiere del comportamiento desplegado es desconocido y no cuantificado. Se aplica por igual a las filas buenas y a las malas. Es la única salvedad que ninguna cantidad de metodología de esfuerzo equiparado corrige.

• Sonnet 5.5 y Haiku 5.5 no están disponibles. Anthropic los ha anunciado para «las próximas semanas». Aún no se han lanzado, no tienen benchmarks publicados y nada de esta página es aplicable a ellos.

Precio, sobre y las partes de la especificación que cambian tu código

Según la lista de precios publicada por Anthropic el 24 de septiembre de 2026: $4.00 por millón de tokens de entrada, $20.00 por millón de salida, $0.20 por millón de lectura de caché, $5.00 por millón de escritura de caché de 5 minutos, $8.00 por millón de escritura de caché de 1 hora, y 50% de descuento en ambas direcciones en la Batch API. La tarifa de lectura de caché es la que pasa desapercibida: es el 5% de la entrada base, cuando la mayoría de los modelos Claude se sitúan en el 10% y Fable 5.1 en el 2.5%. Fast mode tiene un precio aparte de $8.00 / $40.00 y Anthropic lo describe como una vista previa de investigación, no como un nivel de uso general.

Esta es la sección en la que una tarifa de precios deja de ser un dato curioso y se convierte en aritmética que un router puede hacer por ti. Claude Opus 5.5se sirve como anthropic/claude-opus-5.5en OrcaRouter con los mismos $4.00 / $20.00, con precios de lista repercutidos con un 0% de margen — así que en el momento en que Anthropic cambie una tarifa, esa es la tarifa aquí, el mismo día y sin ningún desfase de recotización que modelar. Las piezas que deciden la factura real son las que el catálogo incluye junto al precio: la lectura de caché de $0.20 al 5% de la entrada base frente al 2.5% de Fable 5.1, la ventana de contexto de 1M de tokens y el límite de salida de 128K. Como el parámetro de esfuerzo es donde el coste de este modelo se mueve de verdad — una variación del índice de 16 puntos y aproximadamente 119.000 tokens de salida por tarea al máximo frente a unos 73.000 para Opus 5 —, la migración que ahorra dinero es la que te permite ajustar el esfuerzo por carga de trabajo en lugar de por cuenta, y poner la ruta de Opus 5.5 detrás de un failover automático mientras mides qué ajuste prefiere tu tráfico.

• Envelope — contexto de 1M de tokens, salida máxima de 128K, salida de 300K en la API Batch con el encabezado beta output-300k-2026-03-24, fecha de corte de conocimiento en junio de 2026, retiro no antes del 22 de septiembre de 2027. La salida es más del 30% más rápida que Claude Opus 5.

• Cambios que rompen la compatibilidad con Opus 5 — el pensamiento ya no se puede desactivar; el uso forzado de herramientas (un tool_choice que nombre una herramienta específica) devuelve un error; los bloques de pensamiento están vinculados al modelo y a la conversación que los produjo; la herramienta de uso de computadora más antigua, computer_20251124, no se acepta en la Claude API ni en Google Cloud. Los tres primeros también se aplican a Fable 5.1. Hay un quinto cambio silencioso: el texto entre llamadas a herramientas ahora llega dentro de bloques de pensamiento cuyo texto está vacío con la configuración de visualización predeterminada, por lo que una interfaz de usuario que transmite ese texto como indicador de progreso se queda en silencio sin que se produzca ningún error.

• Enrutamiento de salvaguardas, de nuevo, porque es un elemento de especificación y no una nota al pie — la mayoría de las solicitudes de ciberseguridad se dirigen a Claude Opus 4.8 y el trabajo de biología recurre a Claude Opus 5 a menos que la cuenta esté verificada. En esas evaluaciones, la respuesta que recibes puede no provenir de Opus 5.5 en absoluto, por lo que las puntuaciones publicadas en benchmarks adyacentes a ciberseguridad y biología no son mediciones limpias de este modelo.

• Afirmaciones de eficiencia, todas reportadas por el proveedor — alrededor de un 40 % menos de coste de ejecución en cargas de trabajo típicas frente a un recorte del 20 % del precio de lista; un ejemplo resuelto de análisis de fusión que tarda 63 minutos en Opus 5.5 frente a 93 en Opus 5 con un 50 % menos de coste; y declaraciones de clientes de Box (un tercio de los tokens, respuestas aproximadamente un 40 % menos verbosas), Kiro (aproximadamente la mitad de los tokens, un 40 % menos de llamadas), Factory (entre un 20 y un 25 % menos de tokens de salida) y GitHub (una de las cifras más bajas de tokens y pasos que ha medido). Son promedios de las cargas de trabajo seleccionadas por el proveedor y sus socios de lanzamiento. Son atribuciones, no resultados auditados, y están en visible tensión con la cifra independiente de coste por tarea anterior, que es en sí misma una medición con el máximo esfuerzo en lugar de con la configuración predeterminada. Ambas pueden ser ciertas; ninguna es una afirmación general sobre su carga de trabajo.

Screenshot of the OrcaRouter model page for Claude Opus 5.5, model id anthropic/claude-opus-5.5, showing the NEW, FLAGSHIP and FEATURED badges, a 1M-token context window, 128K max output, text plus image plus file input, and the $4.00 input / $20.00 output per 1M token rate with pricing passed through from Anthropic.

El estado de la evidencia

Claude Opus 5.5 es un modelo real con un recorte de precio real, una capacidad real de 1M de tokens de contexto y 128K de salida, y un cambio real y de gran trascendencia en cómo se configuran el pensamiento y el esfuerzo. También llega con una tabla de benchmarks que mide principalmente a Anthropic, una tabla independiente que mide principalmente un despliegue enrutado en lugar de un checkpoint, y un problema documentado de autoconocimiento que socava ambas cosas. No se ha publicado ninguna comparación directa e independiente, con el mismo esfuerzo y el mismo arnés de pruebas, de Claude Opus 5.5 frente a un rival con nombre propio. Hasta que se publique una, lea cada comparación entre proveedores de esta página por lo que es: dos tablas de proveedores de dos empresas con dos configuraciones, dispuestas una al lado de la otra por nosotros, y vuelva a medir su propia configuración de esfuerzo antes de volver a medir el modelo.

Comparados en este artículo4

Detectado en este artículo · Benchmarks: Artificial Analysis · actualizado a diario