Kartu judul hero untuk Claude Opus 5.5 vs GPT-5.6 Sol, berjudul 'Dua tabel peluncuran yang hampir tidak tumpang tindih', dengan lencana bertuliskan $4.00 vs $5.00, 66.4% vs 37.3%, dan batas waktu Jun vs Feb, serta logo OrcaRouter di sudut kanan bawah.
Guides & Insights

Claude Opus 5.5 vs GPT-5.6 Sol: Dua Tabel Peluncuran yang Nyaris Tidak Tumpang Tindih

Penulis

jinhao.song

Tanggal Terbit

Model terbaru · 20Lihat semua model →
Benchmark: Artificial Analysis · diperbarui setiap hari
Kembali ke semua artikel

Letakkan Claude Opus 5.5 dan GPT-5.6 Sol berdampingan minggu ini dan hal pertama yang Anda sadari bukanlah pemenangnya. Yang Anda sadari adalah bahwa kedua vendor menerbitkan tabel benchmark yang hampir tidak memiliki baris yang sama. Materi peluncuran Claude Opus 5.5, yang dirilis pada 22 September 2026, menempatkannya 29 poin di depan GPT-5.6 Sol pada Terminal-Bench 4.0. Materi peluncuran Sol, yang tersedia secara umum sejak 9 Juli 2026, justru memimpin dengan Terminal-Bench 2.1, di mana Sol Ultra mencetak 91,9%, dan Artificial Analysis Coding Agent Index, di mana ia meraih posisi teratas dengan skor 80. Kedua tabel itu nyata. Keduanya dijalankan oleh vendor yang menang di dalamnya. Pertanyaan yang berguna bukanlah model mana yang lebih baik secara abstrak — melainkan benchmark mana, yang dijalankan dengan harness milik siapa, yang memberi tahu Anda apa pun tentang beban kerja Anda. Itu pertanyaan yang lebih sulit daripada yang diinginkan kedua postingan peluncuran untuk Anda ajukan, dan itulah pertanyaan yang menjadi dasar perbandingan ini.

Kedua model itu, berdampingan

A two-column scoreboard for Claude Opus 5.5 and GPT-5.6 Sol. Left column: price $4.00 / $20.00, 1M-token context, knowledge cutoff June 2026, Terminal-Bench 4.0 66.4%, FrontierCode v1.1 54.4%, GDPval-AA 1846 Elo. Right column: price $5.00 / $30.00, 1M-token context, knowledge cutoff February 16 2026, Terminal-Bench 2.1 91.9% Ultra, FrontierCode v1.1 47.5%, GDPval-AA 1588 Elo. A sourcing footer notes the Opus rows are vendor-reported by Anthropic and the Sol rows come from OpenAI's launch material.

• Vendor — Anthropic vs OpenAI

• Dirilis — Claude Opus 5.5 pada 22 September 2026 vs GPT-5.6 Sol pada 9 Juli 2026

• Harga per juta token — $4.00 input / $20.00 output vs $5.00 input / $30.00 output

• Pembacaan cache — $0,20 per juta di Opus 5.5; tarif cache Sol ditetapkan per platform dan tidak diterbitkan dalam satu angka yang dapat dibandingkan

• Jendela konteks — 1M token pada keduanya

• Output maksimum — 128K token pada keduanya, dengan 300K pada Batch API Anthropic di balik header beta

• Batas pengetahuan — Juni 2026 untuk Opus 5.5 vs 16 Februari 2026 untuk Sol

• Kontrol penalaran — pemikiran adaptif selalu aktif, bawaan medium effort, skala berjalan dari rendah hingga maksimum vs pengaturan upaya penalaran maksimum plus mode Ultra yang mengoordinasikan sub-agen paralel

• Jajaran produk — Opus 5.5 adalah yang pertama dari keluarga 5.5, dengan Sonnet 5.5 dan Haiku 5.5 dijanjikan dalam beberapa minggu mendatang, sedangkan Sol menjadi andalan dari keluarga tiga tingkat bersama Terra dan Luna

Dua dari baris-baris itu bekerja lebih keras daripada yang lain. Kesenjangan batas pengetahuan itu selebar empat bulan, yang penting jika prompt Anda menyentuh apa pun yang terjadi musim semi ini. Dan Opus 5.5 kini memangkas harga Sol baik untuk input maupun output — sebuah pembalikan dari tiga bulan lalu, ketika Sol adalah cara yang lebih murah untuk mencapai output kelas frontier dan Claude Opus 5 berada di $5/$25.

Satu-satunya baris di mana kedua model benar-benar muncul

Ada tepat satu tabel terbitan yang memuat kedua model, dan itu milik Anthropic. Setiap angka di dalamnya dilaporkan oleh vendor, dihasilkan oleh perusahaan yang menjual salah satu dari kedua model:

• Terminal-Bench 4.0 — Claude Opus 5.5 66,4% vs GPT-5.6 Sol 37,3%

• Terminal-Bench-Science 0.1 — 58,7% vs 22,4%

• FrontierCode v1.1 (Utama) — 54,4% vs 47,5%

• CursorBench 4.0 — 57,8% vs 41,7%

• AutomationBench — 40.0% vs 28.8%

• GDPval-AA v2.1 — 1846 Elo vs 1588

Itu kemenangan telak, dan selisih pada dua baris Terminal-Bench cukup besar sehingga layak diteliti, bukan sekadar diterima. Catatan kaki Anthropic sendiri melakukan sebagian pekerjaan itu untuk Anda: uji Terminal-Bench Opus 5.5 menggunakan upaya xhigh, bukan default, dan pada upaya medium default, keunggulan FrontierCode menyempit menjadi 54,6% berbanding 47,5% — selisih tujuh poin, bukan angka utama. Anthropic juga menyertakan peringatan umum pada seluruh tabel, dengan mengatakan bahwa pada tingkat kemampuan ini, selisih benchmark adalah “panduan yang kurang dapat diandalkan untuk perbedaan di dunia nyata” dan bahwa jarak internalnya dengan Claude Fable 5.1 lebih sempit daripada yang disiratkan oleh skor. Vendor yang meremehkan tabelnya sendiri adalah kalimat paling tepercaya di dalamnya.

Perhatikan juga apa yang tidak ada dalam tabel itu: tolok ukur mana pun yang dimenangkan oleh model OpenAI. Tabel dari vendor yang hanya memuat baris-baris yang menguntungkan bukanlah bukti kemenangan menyeluruh; itu adalah bukti pemilihan baris.

Apa kata angka-angka OpenAI sendiri

Materi peluncuran Sol menceritakan kisah yang berbeda, pada benchmark yang berbeda, di harness yang berbeda. Dilaporkan saat peluncurannya pada Juli:

• Terminal-Bench 2.1 — 91,9% untuk Sol Ultra dan 88,8% untuk Sol standar, dibandingkan dengan Claude Mythos 5 pada 88,0% dan Claude Fable 5 pada 84,3%

• Artificial Analysis Coding Agent Index — 80, yang saat itu digambarkan sebagai yang paling mutakhir, 2,8 poin di atas Claude Fable 5

• Agents' Last Exam, alur kerja profesional yang berjalan lama — 53.6, yang dilaporkan OpenAI sebagai 13.1 poin lebih unggul daripada Claude Fable 5

• BrowseComp — 92,2%; OSWorld 2.0 — 62,6%; SWE-Bench Pro — 64,6%

Tidak satu pun dari baris-baris itu mencakup Claude Opus 5.5, karena model itu belum ada pada bulan Juli. Tabel Sol dibuat untuk mengalahkan Fable 5 dan Mythos 5, dan memang berhasil. Apakah ia mengalahkan Opus 5.5 sama sekali tidak terjawab oleh materi vendor mana pun — kedua tabel itu disusun dengan selisih dua bulan dan terhadap lawan yang berbeda.

Baris SWE-Bench Pro layak mendapat catatan khusus, karena ini adalah satu-satunya tempat dalam materi peluncuran OpenAI yang menunjukkan modelnya kalah: 64,6% untuk Sol versus 80% untuk Claude Fable 5. OpenAI menanggapi dengan mempertanyakan validitas benchmark tersebut, memperkirakan bahwa sekitar 30% tugasnya rusak. Itu bisa jadi benar. Ini juga menjadi pengingat berguna bahwa "benchmark ini cacat" adalah klaim yang dibuat kedua lab, dan selalu tentang benchmark tempat mereka kalah.

Masalah harness, yang tidak dipecahkan oleh tabel mana pun

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.

Alasan kedua tabel tersebut tidak dapat diselaraskan bukanlah karena salah satu vendor berbohong. Alasannya adalah bahwa tolok ukur pengodean agentik mengukur model ditambah scaffold, dan scaffold-nya berbeda. Terminal-Bench 4.0 dan Terminal-Bench 2.1 adalah revisi berbeda dari gagasan yang sama, dijalankan oleh orang yang berbeda, dengan anggaran alat yang berbeda dan aturan coba ulang yang berbeda. Angka Opus 5.5 milik Anthropic dihasilkan dalam harness Anthropic; angka Sol milik OpenAI dalam perkakas bergaya Codex. Pindahkan salah satu model ke harness yang lain dan skornya akan berubah.

Data independen, jika ada, menggambarkan persaingan yang lebih ketat daripada kedua tabel tersebut. Satu tolok ukur agen pihak ketiga dari Agustus 2026, yang dijalankan pada berbagai model untuk pekerjaan aplikasi nyata, menobatkan GPT-5.6 Sol sebagai kombinasi terbaik dari akurasi, biaya, dan kecepatan — sekitar $0.52 dan lima menit per proses — sementara Claude Opus 5, bukan 5.5, adalah yang paling akurat pada 92% proses. Papan peringkat terpisah yang mencakup tugas kode perusahaan menempatkan Claude Opus 5 di peringkat pertama dengan 96.4%, dengan GPT-5.6 Sol di peringkat ketiga dengan 86.5%, sekali lagi membandingkan Sol dengan Opus sebelumnya, bukan yang baru. Keduanya bukan perbandingan langsung dengan Opus 5.5, dan keduanya tidak menyelesaikan apa pun. Keduanya memang membuktikan bahwa ketika seseorang selain vendor yang menjalankan perbandingan, selisihnya menjadi kecil.

Intinya secara praktis adalah berhenti membaca tabel-tabel itu sebagai peringkat dan mulai membacanya sebagai daftar hipotesis. Jika pekerjaan Anda adalah otomatisasi terminal jangka panjang, selisih Anthropic di Terminal-Bench adalah hipotesis yang layak diuji pada tugas Anda sendiri. Jika pekerjaan Anda adalah riset profesional multi-langkah, hasil Sol's Agents' Last Exam adalah jenis hipotesis yang sama. Tidak ada angka pun yang bisa langsung diterapkan pada beban kerja Anda tanpa menjalankannya.

Biaya per tugas yang diselesaikan, satu-satunya biaya yang penting

Pada kartu tarif, Claude Opus 5.5 kini lebih murah di kedua arah: $4,00 versus $5,00 untuk input, $20,00 versus $30,00 untuk output, dan tarif baca cache $0,20 yang 60% lebih rendah daripada yang dikenakan Claude Opus 5. Bagi agen yang mengirim ulang prompt sistem panjang pada setiap giliran, baris cache itu adalah biaya dominan dan alasan sesi berjalan lama bisa menjadi jauh lebih murah tanpa perubahan prompt apa pun.

Namun harga per token tidak pernah menentukan tagihan agen. Argumen OpenAI untuk Sol saat peluncuran bertumpu pada efisiensi token, bukan harga tertera — perusahaan melaporkan peningkatan efisiensi token pengodean sebesar 54%, dengan token keluaran dan waktu berlalu kurang dari separuh milik Claude Fable 5, pada biaya sekitar sepertiga lebih rendah. Anthropic mengajukan argumen yang berkebalikan untuk Opus 5.5: biaya sekitar 40% lebih rendah untuk menjalankan beban kerja tipikal dibandingkan Claude Opus 5, pada daftar tarif yang hanya turun 20%, dengan pernyataan pelanggan dari Box, Kiro, Factory, dan GitHub yang semuanya menyebut pengurangan besar dalam token atau langkah. Kedua klaim mengarah ke arah yang sama — model yang selesai dalam lebih sedikit giliranlah yang menang — dan tidak ada satu pun yang diaudit secara independen.

Ketika perhitungan biaya per tugas yang independen memang ada, saat ini perhitungan itu menguntungkan Sol: satu analisis yang diterbitkan pada September menempatkan GPT-5.6 Sol pada $1,56 per masalah yang terselesaikan di SWE-bench Verified dengan tingkat keberhasilan 96,2%, dibandingkan Claude Opus 4.8 pada 88,6%. Itu adalah Sol yang diukur terhadap model Anthropic yang lebih lama, bukan terhadap Opus 5.5, jadi ini adalah titik awal ketimbang sebuah putusan — tetapi ini menjadi pengingat bahwa model yang menyelesaikan masalah pada percobaan pertama lebih murah daripada model yang lebih murah yang membutuhkan tiga kali percobaan. Satu-satunya pengukuran yang menyelesaikan hal ini untuk Anda adalah tugas Anda sendiri, dijalankan dengan kedua cara, dengan jumlah token di depan Anda.

Ini lebih merupakan masalah routing daripada masalah pengadaan, dan per minggu ini kedua sisinya sudah memakai kunci yang sama. GPT-5.6 Sol sudah tersedia di OrcaRouter hari ini dengan harga daftar OpenAI sendiri tanpa markup 0% — harga daftar penyedia diteruskan apa adanya, sehingga perubahan tarif vendor langsung berlaku di sisi kami pada hari yang sama, bukan setelah sinkronisasi. Claude Opus 5.5 berada pada kunci yang sama dengan harga daftar resmi Anthropic tanpa markup 0%: $4,00 per juta token input, $20,00 per juta token output, dan $0,20 per juta pembacaan cache, pada jendela konteks 1 juta token yang sama seperti yang didokumentasikan Anthropic. Model ini berada di katalog yang sama dengan Claude Opus 5 seharga $5,00/$25,00, Claude Fable 5.1 seharga $10,00/$50,00, Claude Opus 4.8 seharga $5,00/$25,00, dan Claude Sonnet 5 seharga $2,00/$10,00 — kelimanya telah diverifikasi di halaman model kami sendiri pada 24 September 2026. Ini mengubah eksperimen menjadi aturan routing, bukan kontrak kedua dan SDK kedua: kirimkan beban kerja ke model mana pun yang lebih menguntungkan menurut angka Anda sendiri, dan biarkan failover otomatis tetap diarahkan ke model lainnya, lalu biarkan baris routing-DSL memutuskan per permintaan, bukan per kuartal. Penurunan harga di salah satu sisi hanyalah perubahan konfigurasi, bukan migrasi.

Screenshot of the OrcaRouter model page for GPT-5.6 Sol (openai/gpt-5.6-sol), showing the model header, the Vision, Tools, JSON and Reasoning capability tags, and the attribution 'by OpenAI - 2026-07-09'.

Di mana keduanya benar-benar berbeda

Singkirkan tolok ukur dan empat perbedaan tetap ada, semuanya dapat diperiksa:

• Batas pengetahuan. Juni 2026 untuk Opus 5.5 versus 16 Februari 2026 untuk Sol. Empat bulan adalah selisih yang nyata untuk apa pun yang berkaitan dengan pustaka terbaru, peristiwa terkini, atau API yang baru berubah, dan tidak ada tolok ukur yang mampu menangkapnya.

• Perutean pengamanan. Opus 5.5 hadir dengan pengamanan kelas Fable 5.1: sebagian besar permintaan keamanan siber dialihkan ke Claude Opus 4.8 dan pekerjaan biologi dialihkan kembali ke Claude Opus 5 kecuali akun tersebut terverifikasi. Jika produk Anda berada di salah satu domain tersebut, sebagian lalu lintas Anda dijawab oleh model yang lebih kecil. Sol tidak memiliki perutean terdokumentasi yang setara, meskipun OpenAI mencatat evaluasi keselamatannya sendiri terkait siber.

• Orkestrasi. Sol menyediakan mode Ultra yang mengoordinasikan beberapa sub-agen paralel, secara bawaan empat buah, plus pengaturan upaya penalaran maksimum. Opus 5.5 tidak memiliki keduanya sebagai fitur platform; daya ungkitnya adalah parameter effort, dan komposisi multi-model adalah sesuatu yang Anda bangun atau rutekan sendiri, bukan sesuatu yang diberikan oleh vendor kepada Anda.

• Ekonomi keluarga. Sol adalah salah satu dari tiga tingkatan, dengan Terra dan Luna di bawahnya — dan harga Luna dipotong 80% serta Terra 20% dalam pembaruan 30 Juli. Saudara Anthropic yang lebih murah, Sonnet 5.5 dan Haiku 5.5, sudah diumumkan tetapi belum dirilis. Jika beban kerja Anda campuran, OpenAI saat ini menawarkan tingkatan yang lebih murah.

Memilih di antara keduanya

Pilih Claude Opus 5.5 jika pekerjaan Anda adalah pengodean agentik atau pekerjaan berbasis pengetahuan yang berjalan lama, jika harga per token penting, jika prompt Anda menyentuh apa pun dari empat bulan terakhir, atau jika konteks 1M token dengan $0.20 per juta yang di-cache adalah yang membuat arsitektur Anda terjangkau. Mulailah pada medium upaya, bukan pengaturan tinggi yang diwarisi, dan ukur apakah low tetap bertahan.

Pilih GPT-5.6 Sol jika Anda menginginkan mode orkestrasi yang dibundel vendor, jika Anda memerlukan tier yang lebih murah di bawah flagship hari ini alih-alih dalam beberapa minggu, atau jika beban kerja Anda adalah jenis yang paling tercakup oleh bukti peluncuran Sol sendiri — alur kerja profesional berhorizon panjang dan penggunaan komputer, tempat Sol melaporkan hasil terkuatnya.

Jika Anda sudah menggunakan Claude Opus 5, perhatikan bahwa Opus 5.5 bukan pengganti langsung: thinking tidak dapat lagi dinonaktifkan, penggunaan alat yang dipaksakan akan mengembalikan error, blok thinking terikat pada model dan percakapan, dan computer_20251124 alat computer-use yang lebih lama tidak diterima di Claude API atau Google Cloud. Tiga hal pertama juga berlaku untuk Claude Fable 5.1. Beralih ke Sol adalah integrasi yang sama sekali berbeda.

Yang benar-benar akan menyelesaikan perbandingan ini adalah satu uji coba independen tunggal terhadap kedua model pada upaya yang setara, dalam harness yang setara, pada kumpulan tugas yang sama. Per minggu ini, belum ada yang mempublikasikannya. Sampai ada yang melakukannya, posisi yang jujur adalah posisi yang didukung bukti: tabel Anthropic mengunggulkan Opus 5.5 dan dibuat oleh Anthropic; tabel OpenAI mengunggulkan Sol dan dibuat oleh OpenAI; hasil independen yang ada membandingkan Sol dengan Opus sebelumnya dan menggambarkan persaingan yang jauh lebih ketat; dan dua baris yang akan menentukan tagihan Anda — token per tugas yang diselesaikan dan volume pembacaan cache — adalah dua baris yang tidak diterbitkan oleh vendor mana pun.

Dibandingkan dalam artikel ini4

Terdeteksi dari artikel ini · Benchmark: Artificial Analysis · diperbarui setiap hari