Claude Opus 5.5 vs Gemini 4 Carbon: Batas Atas 12% dan Sepertiga Biaya

Claude Opus 5.5 dan Gemini 4 Carbon adalah dua model teratas pada tolok ukur GDPx baru dari SemiAnalysis, dan selisih di antara keduanya sedikit di atas satu poin: 12,0% untuk Opus 5.5, 10,9% untuk Carbon. Angka yang lebih berguna ada di bawah skor tersebut. Carbon mencapainya dengan biaya $16,29 per tugas; Opus 5.5 membutuhkan $51,41. Itulah keseluruhan keputusan dalam satu baris, dengan satu kendala yang tidak dapat ditunjukkan papan peringkat. Opus 5.5 telah tersedia secara umum sejak 22 September 2026. Carbon diumumkan pada 28 Oktober dan masih dibatasi untuk mitra pertahanan siber melalui program Fairwind Google, tanpa ID model publik. Sepertiga dari tagihan itu baru menjadi penawaran menarik jika Anda dapat melakukan pemesanan.

GDPx v1.0 adalah tolok ukur baru, dirilis minggu ini, dan merupakan evaluasi independen pertama yang menilai kedua model ini pada tugas yang sama dengan harness yang sama serta melaporkan berapa biaya setiap eksekusi. Waktu peluncurannya lebih penting daripada peringkatnya. Enam minggu setelah Opus 5.5 dirilis, dan beberapa hari setelah Carbon diumumkan, akhirnya ada perbandingan yang terukur alih-alih dua tabel vendor yang diletakkan berdampingan.

Apa itu masing-masing model, sebelum tabel

Claude Opus 5.5 adalah model unggulan Anthropic saat ini untuk kerja pengetahuan dan pengodean agentik yang berjalan lama. Model ini menggantikan Opus 5 dengan penurunan harga 20% dan jendela konteks 1 juta token yang didokumentasikan, dan inilah model yang diposisikan Anthropic untuk Claude Code serta aplikasi-aplikasi Claude.

• Harga — $4 per juta token input, $20 per juta token output. Permintaan batch mendapat diskon 50% menjadi $2 / $10.

• Konteks dan output — {{1}}1M token input{{/1}}, {{2}}output 128K{{/2}} pada API sinkron, {{3}}output 300K pada Batch API{{/3}} dengan {{4}}header beta extended-output{{/4}}.

• Cache — penulisan cache lima menit dikenai biaya $5 per juta token, penulisan satu jam $8, dan pembacaan cache $0,20.

• Berpikir — pemikiran adaptif selalu aktif dan tidak dapat dinonaktifkan; tingkat upaya bawaan adalah sedang, dan batas pengetahuan yang dapat diandalkan adalah Juni 2026.

• Di mana — Claude API di bawah claude-opus-5-5, Amazon Bedrock, Google Cloud melalui jalur yang dikelola Google maupun yang dikelola Anthropic, Microsoft Foundry, dan Claude Platform di AWS.

Gemini 4 Carbon adalah model frontier terbaru Google, yang diumumkan oleh Koray Kavukcuoglu pada 28 Oktober sebagai model terkuat perusahaan untuk keamanan siber, agen cakrawala panjang, dan rekayasa perangkat lunak kompleks. Pengumuman Google memberikan tiga klaim utama dan satu kelalaian mencolok: tidak ada jendela konteks yang dipublikasikan. Klaim tolok ukur tersebut milik Google sendiri — SEC-bench Pro 88,2% untuk penemuan kerentanan, ExploitGym 54,8% untuk eksploitasi, dan CWE-bench 71,0% untuk penambalan — dan harus dibaca sebagai laporan vendor, bukan hasil reproduksi independen.

• Harga — $2 per juta token input dan $10 per juta token output selama periode pengenalan, dengan input yang di-cache diskon 95%; tarif standar nantinya $4 / $20, dan Google belum mengatakan kapan harga pengenalan berakhir.

• Akses — hanya Fairwind, untuk sebagian pembela siber dan mitra tepercaya, dengan akses yang lebih luas bagi pengembang, perusahaan, dan konsumen dijanjikan "secepat mungkin" dan tanpa tanggal.

• Endpoint — tidak ada yang publik. API Gemini masih mengekspos gemini-4-argon, bukan Carbon.

• Konteks — tidak disebutkan dalam pengumuman. Hasil pengambilan konteks panjang telah beredar dalam liputan pekan peluncuran, tetapi jendelanya sendiri bukan spesifikasi yang dipublikasikan.

Asimetri itu adalah hal pertama yang perlu dipahami tentang perbandingan ini. Satu model adalah produk yang dapat Anda panggil hari ini dari Claude API, empat platform cloud, dan selusin SDK. Yang lain adalah demonstrasi kemampuan dengan daftar tunggu. Semua yang berikut ini membandingkan keduanya sebagai model; hanya salah satunya yang saat ini merupakan opsi penerapan.

GDPx: 206 tugas, plafon 12%, dan kesenjangan biaya 3,2x

SemiAnalysis membangun GDPx sebagai penerus GDPval dari OpenAI, dengan 14 mitra data dan 206 tugas yang tersebar di 11 domain profesional: keuangan, hukum, biologi, ilmu material, desain chip, desain perangkat keras, keamanan siber, rekayasa perangkat lunak, penyelarasan, perdagangan kuantitatif, dan peningkatan diri rekursif. Setiap tugas mendapat anggaran default delapan jam, tiga eksekusi dirata-ratakan, dan setiap domain diberi bobot yang sama. Hanya 13 dari 20 model yang diuji yang muncul di papan publik.

• Claude Opus 5.5 — 12,0%, peringkat pertama, dengan $51,41 per tugas dan sekitar 548.000 token keluaran per tugas.

{{1}}Gemini 4 Carbon{{/1}} — 10,9%, peringkat kedua, dengan $16,29 per tugas dan sekitar 594.000 token keluaran per tugas.

• GPT-6 Astra — 9,6%, ketiga, sebesar $53,99 per tugas.

• Claude Fable 5.1 — 8,5% dengan harga $67.16, model termahal di papan peringkat.

Ada dua pembacaan yang bersaing di sini, dan keduanya benar. Yang pertama adalah bahwa Carbon menghasilkan sekitar 91% dari skor Opus 5.5 dengan sekitar 32% dari biayanya, yang merupakan argumen nilai yang sejati dan yang menjadi fokus utama 9to5Google. Yang kedua adalah bahwa kedua model sama-sama tidak menyelesaikan tujuh dari setiap delapan tugas profesional yang diberikan kepadanya. Keunggulan satu poin pada 12% bukanlah masalah yang sudah terpecahkan; itu adalah batas kemampuan agen saat ini ketika pekerjaannya panjang, terbuka, dan dinilai oleh pakar domain.

SemiAnalysis menerbitkan pandangan kedua dengan keamanan siber, biologi, dan alignment dihapus, dan urutannya berubah: GPT-6 Astra naik ke peringkat pertama, dan Carbon turun di bawah GPT-6.1 Sol dan Claude Sonnet 5.5. Perusahaan mengatakan bahwa pandangan tersebut lebih cocok dengan kesan subjektifnya. Mekanismenya adalah guardrail — model yang menolak suatu tugas mendapat nilai nol untuk tugas itu, dan perilaku keselamatan Carbon lebih ketat tepat di domain-domain tempat kekuatan sibernya paling besar. Jadi, peringkat kedua Carbon sebagian merupakan hasil kemampuan dan sebagian lagi hasil perizinan. Jika pekerjaan Anda terlihat seperti domain-domain yang dihapus, peringkat utama tidak menggambarkan Anda.

Di mana Carbon sebenarnya lebih unggul

Pada Intelligence Index v5.0 dari Artificial Analysis, Carbon berada di 59 dan Opus 5.5 di 58. Satu poin, pada komposit yang di-rebase pada 27 Oktober, bukanlah selisih yang sepadan untuk memigrasikan sistem produksi. Namun itu menegaskan bahwa model Google berada di garis depan, bukan tertinggal, yang merupakan klaim lebih kuat daripada yang mudah diverifikasi melalui peluncuran terbatas tersebut.

Angka-angka siber adalah bagian yang paling jelas dari kasus Carbon, dan di situlah juga sumbernya paling lemah. Harness milik Google sendiri menempatkannya pada 54,8% di ExploitGym, 71,0% di CWE-bench, dan 88,2% di SEC-bench Pro. Itu adalah klaim besar dan spesifik tentang penemuan dan penambalan kerentanan, dan klaim semacam itu justru memerlukan pengujian ulang independen sebelum tim keamanan menyusun anggaran berdasarkan klaim tersebut. Domain siber GDPx adalah salah satu masukan untuk itu, bukan replikasi dari ketiga rangkaian uji tersebut.

Harga adalah keunggulan ketiga, dengan satu tanda bintang. Pada $2 / $10, tarif pengenalan Carbon adalah setengah dari $4 / $20 milik Opus 5.5. Pada tarif standar $4 / $20, keduanya sama. Diskon 95% untuk input yang di-cache memang nyata tetapi menyempit pada harga daftar: $0,10 per juta token yang di-cache pada tarif pengenalan, $0,20 pada tarif standar, dibandingkan dengan pembacaan cache Opus 5.5 sebesar $0,20. Keunggulan biaya paling besar saat ini, selama diskon masih berlaku, dan Google tidak mengatakan berapa lama itu berlangsung.

Di mana Opus 5.5 masih unggul

Hasil independen terkuat Opus 5.5 bukanlah skor GDPx, melainkan profil coding-nya. Coding Agent Index dari Artificial Analysis menempatkannya pada 62 berbanding Carbon pada 59, dan indeks tersebut dibangun dari eksekusi coding agentic, bukan penyelesaian sekali jalan. Bagi model yang tujuan utamanya adalah pekerjaan perangkat lunak berjangka panjang, itu adalah pengukuran yang lebih mendekati.

Angka peluncuran Anthropic sendiri mengarah pada kesimpulan yang sama, dan itu dilaporkan oleh vendor: Terminal-Bench 4.0 sebesar 66.4%, FrontierCode v1.1 sebesar 54.4%, CursorBench 4.0 sebesar 57.8%, dan AutomationBench sebesar 40.0%. Harness-nya penting. Artificial Analysis mengukur model yang sama pada 59.6% di Terminal-Bench 4.0 dengan xhigh effort, dan Vals AI melaporkan 65.2%. Selisih tujuh poin antara vendor dan satu harness independen adalah hal normal untuk benchmark agentik, dan itulah alasan satu baris saja tidak boleh menentukan pembelian.

Keunggulan yang tidak glamor adalah ketersediaan. Opus 5.5 memiliki jendela konteks yang dipublikasikan, batas output yang terdokumentasi, tier batch, mode cepat dengan harga $8 / $40, panduan migrasi, dan enam minggu penggunaan produksi di belakangnya. Carbon hanya punya satu pos blog, program mitra, dan daftar harga. Bagi tim yang perlu jawaban kuartal ini, perbedaan itu lebih menentukan dalam lebih banyak kasus daripada 59 versus 58.

Berapa biaya sebenarnya dari sebuah tugas

Angka biaya GDPx adalah belanja token terukur dalam anggaran delapan jam, bukan harga daftar, sehingga mencakup seberapa banyak output yang dipilih masing-masing model untuk ditulis. Carbon menggunakan sekitar 8% lebih banyak token output per tugas daripada Opus 5.5 dan biayanya tetap sepertiga dari Opus 5.5, karena tarif pengenalannya setengah dan sisi inputlah tempat proses agent yang panjang menumpuk. Pada 1.000 tugas, selisih yang dilaporkan sekitar $51.000 versus $16.000.

Pada harga daftar, perhitungannya tidak terlalu dramatis. Permintaan dengan 1 juta token masukan dan 250 ribu token keluaran biayanya $9 pada Opus 5.5 dengan tarif $4 / $20, $4,50 pada Carbon dengan tarif pengenalan $2 / $10, dan $9 pada Carbon dengan tarif standarnya $4 / $20. Batch API Opus 5.5 dengan diskon 50% menjadi $2 / $10 — sama dengan tarif pengenalan Carbon — untuk pekerjaan yang bisa menunggu. Saat periode pengenalan Carbon berakhir, perbedaan kartu tarif sepenuhnya hilang; yang tersisa adalah perbedaan penggunaan token per tugas, yang kecil.

Ini adalah bagian dari perbandingan yang paling mungkin dikutip di luar konteks. "Sepertiga dari biayanya" memang berlaku untuk proses GDPx dengan harga promosi saat ini. Itu bukan sifat permanen dari model tersebut, dan bukan pula rasio yang akan Anda lihat pada beban kerja batch dengan tarif standar.

Kesenjangan ketersediaan adalah keputusan yang sebenarnya.

Claude Opus 5.5 sudah tersedia di OrcaRouter sebagai anthropic/claude-opus-5.5 dengan harga daftar $4 / $20 dari penyedia, tanpa markup tambahan, bersama 200+ model di satu kunci. Untuk merutekannya cukup mengubah string model, dan porsi berbobot dengan failover otomatis adalah cara murah untuk mengujinya terhadap model Anda saat ini tanpa mempertaruhkan jalur produksi pada hasilnya.

Gemini 4 Carbon tidak ada di OrcaRouter dan tidak mungkin ada. Google belum menerbitkan ID model maupun endpoint publik, jadi tidak ada yang bisa dirutekan; pernyataan yang jujur hanyalah bahwa akses berjalan melalui program Fairwind milik Google dan, pada akhirnya, API milik vendor itu sendiri. Saat endpoint publik muncul, model pass-through berarti harga daftar adalah yang Anda bayarkan di sini pada hari perubahan terjadi, bukan versi yang harganya telah disesuaikan ulang.

Itu menyisakan keputusan yang lebih sempit daripada yang disiratkan tabel tolok ukur:

• Pekerjaan keamanan dengan akses Fairwind — uji coba Carbon pada antrean triase dan penambalan Anda sendiri. Angka siber dari vendornya adalah yang terkuat yang dipublikasikan, tetapi belum direplikasi, dan hasil pembobotan ulang domain GDPx menunjukkan bahwa keunggulannya bergantung pada domain.

• Agen coding berdurasi panjang — Opus 5.5. Model ini memimpin indeks coding independen, memiliki jendela 1M token dan output 128K yang terdokumentasi, serta tersedia di platform yang sudah menjadi kontrak sebagian besar perusahaan.

• Pekerjaan batch yang sensitif terhadap biaya — Batch API Opus 5.5 dengan tarif $2 / $10 setara dengan tarif perkenalan Carbon saat ini, dan tidak bergantung pada diskon yang dapat dihentikan Google tanpa pemberitahuan.

• Taruhan kapabilitas langsung — tunggu dulu. Keunggulan satu poin di Intelligence Index dan keunggulan 1,1 poin di GDPx masih berada dalam batas noise pilihan harness, dan tidak ada model yang mendekati kemampuan menyelesaikan tugas-tugas profesional yang ditetapkan GDPx.

Apa yang bisa mengubah jawabannya

Ada tiga hal yang layak diperhatikan, dan tidak satu pun berupa benchmark vendor lain. Yang pertama adalah endpoint Carbon publik. Sampai Google merilis ID model, setiap perbandingan biaya bersifat hipotetis bagi siapa pun di luar Fairwind, dan harga pengenalan masih menjadi janji, bukan tagihan. Yang kedua adalah berakhirnya periode pengenalan itu; pada $4 / $20, daftar tarif Carbon identik dengan Opus 5.5, dan argumen nilai kembali bertumpu pada efisiensi token. Yang ketiga adalah replikasi independen atas hasil siber. SEC-bench Pro pada 88,2% dan ExploitGym pada 54,8% adalah angka yang akan membenarkan anggaran keamanan, dan saat ini angka-angka itu hanya bersandar pada harness satu laboratorium.

Untuk sekarang, ringkasan jujurnya lebih sempit daripada yang diinginkan kedua vendor. Opus 5.5 adalah model yang lebih baik untuk dijadikan dasar pengembangan, karena itulah yang bisa Anda bangun di atasnya. Carbon adalah model yang lebih menarik untuk diamati, karena ia menyamai model terdepan dengan harga lebih rendah dan belum diizinkan membuktikannya di depan publik. Plafon 12% itu milik keduanya.