Tarjeta de título principal para Claude Opus 5.5 vs Claude Opus 5, con el encabezado «Los niveles de esfuerzo no significan lo mismo», con insignias que indican medio vs alto predeterminado, $4.00 vs $5.00 y $0.20 vs $0.50 de caché, y el logotipo de OrcaRouter en la esquina inferior derecha.
Engineering & Research

Claude Opus 5.5 vs Claude Opus 5: Los niveles de esfuerzo no significan lo mismo

Fecha de publicación

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

Lo primero que hay que saber antes de comparar Claude Opus 5.5 con Claude Opus 5 es que los dos modelos no comparten una misma escala de esfuerzo, y casi todas las comparativas directas que leerás esta semana ignoran eso. Opus 5 usa por defecto el alto esfuerzo. Opus 5.5 usa por defecto medio, y en el mismo nivel nominal piensa más por turno de lo que lo hacía su predecesor. Así que «Opus 5.5 en su configuración predeterminada frente a Opus 5 en la suya» no es un experimento controlado: es una comparación entre dos cantidades distintas de razonamiento. El proveedor lo admite en su propia guía de migración: prueba varios niveles de esfuerzo y no reutilices la configuración de Opus 5, porque los niveles con el mismo nombre no se corresponden con el mismo presupuesto de razonamiento. Una vez que controlas eso, la brecha entre los dos modelos se estrecha en algunos aspectos, se amplía en otros, y la decisión de actualizar depende de algo más que la capacidad bruta: el coste por tarea finalizada y cuatro cambios en la API que romperán el código que hoy se ejecuta en Opus 5.

¿Qué difiere realmente, especificación por especificación?

A two-column scoreboard for Claude Opus 5.5 and Claude Opus 5. Left column: price $4.00 / $20.00, cache read $0.20 per million, default effort medium, Terminal-Bench 4.0 66.4%, FrontierCode v1.1 54.6% at medium effort, GDPval-AA 1846 Elo. Right column: price $5.00 / $25.00, cache read $0.50 per million, default effort high, Terminal-Bench 4.0 52.3%, FrontierCode v1.1 48.0%, GDPval-AA 1708 Elo. A sourcing footer notes the figures are vendor-reported and the effort settings differ between runs.

Los dos modelos están más cerca sobre el papel de lo que sugieren los números de versión:

• Precio — Claude Opus 5.5 a $4.00 de entrada / $20.00 de salida por millón de tokens frente a Claude Opus 5 a $5.00 / $25.00

• Lectura de caché — $0.20 por millón frente a $0.50 por millón, una reducción del 60 % en la partida que domina las ejecuciones agénticas

• Escritura en caché — $5 por millón para la ventana de 5 minutos y $8 para la ventana de 1 hora en 5.5, frente a $6.25 en Opus 5

• Contexto y salida — 1M tokens de contexto y 128K de salida en ambos; ambos alcanzan 300K de salida en la Batch API detrás del output-300k-2026-03-24encabezado beta

• Esfuerzo predeterminado — medio en Opus 5.5 vs alto en Opus 5

• Pensamiento — adaptativo y siempre activo en ambos, pero en Opus 5.5 ya no se puede desactivar en absoluto

• Fecha de corte de conocimiento — junio de 2026 vs mayo de 2026

• Latencia — Anthropic califica la latencia de Opus 5 como «moderada» frente a la gama actual, y afirma que genera resultados más de un 30 % más rápido que Opus 5.

• Retiro — no antes del 22 de septiembre de 2027 para Opus 5.5, y no antes del 24 de julio de 2027 para Opus 5

Fíjate en lo que no es diferente: la ventana de contexto, el techo de salida, el descuento por lotes y el modelo de pensamiento adaptativo siempre activo. Opus 5.5 no es un modelo con más contexto ni de salida más larga. Es uno más barato, más rápido y más eficiente en tokens dentro de la misma envolvente.

Los benchmarks, y el asterisco del esfuerzo en cada uno de ellos.

Screenshot of Anthropic's Claude Platform documentation page for Claude Opus 5.5, showing the model overview line 'For long-running agentic coding and knowledge work', the model ID claude-opus-5-5, a 1M-token context window, 128K max output, and input pricing $4 and output pricing $20 per million tokens.

Estas cifras provienen del material de lanzamiento de Anthropic —reportadas por el propio proveedor y ejecutadas contra sus propios modelos—, y aquí la configuración de esfuerzo importa más que el nombre del modelo:

• Terminal-Bench 4.0 — 66,4 % frente a 52,3 %, con la ejecución de Opus 5.5 con esfuerzo xhigh en lugar del predeterminado

• FrontierCode v1.1 (Main) — 54,4 % frente a 48,0 %, y 54,6 % para Opus 5.5 con el esfuerzo medio predeterminado

• CursorBench 4.0 — 57,8 % vs. 46,6 %, y 52,5 % en medio

• GDPval-AA v2.1 — 1846 Elo vs 1708

• AutomationBench — 40,0 % vs 26,9 %

• Humanity's Last Exam, con herramientas — 67,7% vs 63,6%

• Terminal-Bench-Science 0.1 — 58.7% vs 29.0%, la brecha más amplia del conjunto

• OSWorld 2.0 — 81,8% parcial vs 74,0%

Chartography, con herramientas — 89.0% vs 83.4%

El resultado de FrontierCode es el que hay que estudiar. Opus 5.5 obtiene 54.4% en xhigh y 54.6% en medium — estadísticamente el mismo número, con una fracción del presupuesto de pensamiento. Cualquier mejora que haya hecho Anthropic, en ese benchmark no proviene de pensar más intensamente. CursorBench va en la dirección opuesta: 57.8% en xhigh frente a 52.5% en medium, una diferencia de cinco puntos que indica que el esfuerzo todavía compra precisión real en algunas tareas. La lección no es "usar medium" o "usar xhigh"; es que el nivel de esfuerzo correcto ahora es una medición por carga de trabajo, y el viejo hábito de dejar Opus 5 en su valor predeterminado alto ya no te dice nada sobre el nuevo modelo.

Anthropic añade una advertencia que vale la pena repetir: en este nivel de capacidad, los márgenes de los benchmarks son «una guía menos fiable de las diferencias en el mundo real», y la empresa afirma que su brecha interna con Claude Fable 5.1 es más estrecha de lo que sugieren las puntuaciones publicadas. Es un proveedor diciéndote que no sobreinterprete su propia tabla.

El costo por tarea finalizada es la comparación que lo decide.

El precio por token es la unidad equivocada para un agente, y esta comparación es donde eso se hace evidente. El propio ejemplo desarrollado de Anthropic: un análisis de fusión que le tomó a Opus 5.5 63 minutos y costó 50% menos que la misma tarea en Opus 5, que tomó 93 minutos. La tarifa explica parte de eso — una reducción del 20% en entrada y salida, 60% en lecturas de caché — pero no todo. El resto es el modelo usando menos tokens y menos turnos para llegar al mismo lugar. Los testimonios de clientes publicados con el lanzamiento apuntan en la misma dirección: Box reporta un tercio de los tokens y respuestas alrededor de un 40% menos verbosas, Kiro aproximadamente la mitad de los tokens con 40% menos llamadas, Factory 20–25% menos tokens de salida, GitHub entre la menor cantidad de tokens y pasos que ha medido.

Esas son declaraciones de clientes publicadas por el proveedor, no resultados auditados, y el agregado "aproximadamente un 40% más barato en cargas de trabajo típicas" es la caracterización de Anthropic de un promedio entre las cargas de trabajo que seleccionó. La versión honesta para tu propia planificación: asume que el recorte del 20% en el precio de lista es real y aprovechable, y trata el 20% adicional como una hipótesis que puedes probar en una tarde ejecutando la misma tarea en ambos modelos y contando tokens.

Una nota estructural sobre por qué el recorte de caché rinde mucho más de lo que parece. Un agente que reenvía cada turno un system prompt largo y un árbol de archivos paga tarifas de lectura de caché sobre la mayor parte de su entrada, no tarifas de entrada nueva. Bajar eso de $0,50 a $0,20 por millón cambia la economía de las sesiones de larga duración mucho más de lo que lo hace la tarifa titular, y es la razón por la que una carga de trabajo apenas viable en Opus 5 puede volverse claramente viable en Opus 5.5 sin ningún cambio en tus prompts.

Los cuatro cambios disruptivos, a modo de lista de verificación de migración.

Opus 5.5 es un nuevo modelo, no un Opus 5 renombrado, y las notas de migración de Anthropic enumeran cuatro cambios que romperán el código que ya está en producción:

• Thinking no se puede desactivar. Cualquier ruta de código que desactivara Thinking generará un error o cambiará el comportamiento, y la profundidad ahora se controla únicamente mediante el parámetro effort.

• El uso forzado de herramientas devuelve un error. Un tool_choice que fuerce una herramienta con nombre no es compatible.

• Los bloques de pensamiento están vinculados al modelo que los produjo y a la conversación, por lo que no se pueden reproducir entre modelos de la manera en que lo asumen algunos pipelines.

• La anterior computer_20251124, herramienta de uso de computadora, no se acepta en la API de Claude ni en Google Cloud.

Hay un quinto cambio que no hace fallar nada y, por lo tanto, es más peligroso. El texto entre llamadas a herramientas ahora se devuelve dentro de bloques de pensamiento cuyo texto está vacío en la configuración de visualización predeterminada. Si tu aplicación transmite ese texto a los usuarios como actualizaciones de progreso, se queda en silencio entre llamadas a herramientas hasta que establezcas un valor de visualización que devuelva el texto. Todas las pruebas pasan; la interfaz simplemente deja de narrar.

Los tres primeros también se aplican a Claude Fable 5.1, así que un equipo que ya ha migrado a ese modelo ha hecho parte de este trabajo. Un equipo que todavía sigue con Opus 5, no.

Cuándo Opus 5 sigue siendo la opción correcta

La actualización no es automática, y hay cuatro razones reales para quedarse:

• Predictibilidad de costos. Opus 5 es un modelo que ya has caracterizado. Si tu presupuesto está modelado en función de su consumo de tokens, cambiar a un modelo que piensa una cantidad distinta con el mismo nivel de esfuerzo designado invalida el modelo hasta que vuelvas a medir.

• Compatibilidad. Si alguna parte de tu stack depende de desactivar el razonamiento, forzar una herramienta o la herramienta antigua de uso de computadora, la migración es trabajo de código, no un simple cambio de cadenas.

• Enrutamiento de salvaguardas. Opus 5.5 viene con salvaguardas de la clase de Fable 5.1, lo que significa que la mayoría de las solicitudes de ciberseguridad se redirigen a Claude Opus 4.8 y el trabajo de biología recae en Claude Opus 5 a menos que tu cuenta esté verificada. Si tu producto pertenece a cualquiera de esos dos ámbitos, «actualizar» puede significar que tus usuarios obtengan respuestas de un modelo más pequeño. Opus 5 no tiene ese enrutamiento.

• Longevidad. Opus 5 no desaparecerá pronto: Anthropic indica que su retirada no se producirá antes del 24 de julio de 2027, es decir, dentro de diez meses.

Para todos los demás, la aritmética es sencilla: más capacidad, menor precio, menos tokens y una lista de verificación de migración que un solo ingeniero puede completar en un día.

Ejecutando ambos durante el cambio

Screenshot of the OrcaRouter model page for Claude Opus 5 (anthropic/claude-opus-5), showing the model header, the Vision, Tools, JSON and Reasoning capability tags, the attribution 'by Anthropic - 2026-07-24', and the model description.

La parte incómoda de cualquier migración de un modelo insignia es la mitad: quieres Opus 5.5 en el tráfico nuevo sin apostar la ruta de producción a un modelo que no has caracterizado con tu propia configuración de esfuerzo, y quieres mantener Opus 5 sirviendo mientras lo averiguas. Eso es un problema de enrutamiento más que de re-plataforma, y merece la pena ser preciso sobre qué está en dónde. Claude Opus 5 ya está en OrcaRouter hoy al precio de lista de la propia Anthropic con 0% de margen —el precio de lista del proveedor se pasa directamente, así que un cambio de tarifa del proveedor se aplica en nuestro lado el mismo día en lugar de después de una sincronización. Claude Opus 5.5 está en el mismo catálogo y con las mismas condiciones: $4.00 por millón de tokens de entrada, $20.00 por millón de salida y $0.20 por millón de lecturas de caché en un contexto de 1M de tokens; cada una de esas cifras es el precio de lista publicado por Anthropic, trasladado directamente con 0% de margen. Ambos se encuentran en una sola clave en lugar de un segundo contrato y un segundo SDK, que es lo que te permite poner un porcentaje del tráfico en el modelo nuevo mientras la conmutación por error automática mantiene el resto en el que ya has caracterizado. Componer una llamada entre ambos —un borrador de uno y una pasada de verificación del otro— es una línea de DSL de enrutamiento.

Sé preciso sobre lo que eso te aporta. No te da un benchmark independiente de Opus 5.5; nada lo hace todavía, porque las únicas comparativas directas publicadas son las de la propia Anthropic y los rastreadores independientes aún están definiendo las configuraciones de esfuerzo. Lo que te da es la única medición que realmente predice tu factura, con tus prompts, en el nivel de esfuerzo que vas a desplegar.

La regla de decisión

Si vas a empezar algo nuevo, usa Claude Opus 5.5 y comienza con un esfuerzo medio, luego mide si el nivel bajo se mantiene en tu tarea — Anthropic informa que el nivel bajo se acerca a sus ajustes más altos en varias evaluaciones de programación, con un costo mucho menor, y las cifras de FrontierCode anteriores sugieren que la configuración predeterminada no está dejando mucho sobre la mesa.

Si ejecutas Claude Opus 5 en producción, el detonante para migrar no es la tabla de benchmarks. Es si puedes asumir cuatro cambios de API y si tu carga de trabajo se sitúa en ciberseguridad o biología, donde el enrutamiento de las salvaguardas derivará silenciosamente parte de tu tráfico hacia un modelo más pequeño. Todo lo demás de esta actualización es una rebaja de precio vestida con la ropa de un lanzamiento de modelo, y esas conviene aprovecharlas.

Comparados en este artículo2

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