Claude Sonnet 5.5 vs Claude Opus 5.5: Tolok Ukur Makin Setara, Biayanya Tidak

Claude Sonnet 5.5 mencapai ketersediaan umum pada 28 September 2026 dengan harga $2,00 per juta token masukan dan $10,00 per juta token keluaran. Claude Opus 5.5, produk unggulan Anthro­pic, dirilis enam hari lebih awal pada 22 September dengan harga $4,00 dan $20,00 — tepat dua kali lipat pada kedua lini. Pembacaan yang gamblang adalah bahwa Opus 5.5 merupakan batas atas dan Sonnet 5.5 adalah kompromi yang Anda ambil ketika anggaran memang terbatas. Tabel peluncuran Anthro­pic sendiri tidak mendukung pembacaan itu. Berdasarkan angka yang diterbitkan perusahaan, Claude Sonnet 5.5 mencatat 1844 berbanding 1846 milik Opus 5.5 pada GDPval-AA v2.1, 1811 berbanding 1822 pada AA-Briefcase v1.1, dan 70,6% berbanding 66,4% pada Terminal-Bench 4.0 — ia memenangkan satu tolok ukur yang mengukur pekerjaan yang benar-benar dilakukan di dalam terminal. Dua baris di bawah angka-angka itu, keterangan resmi Anthro­pic menyatakan bahwa Opus 5.5 "tetap jelas lebih kuat dalam pekerjaan yang kompleks dan terbuka." Kedua pernyataan itu benar, dan memahami cara menyelaraskan keduanya sekaligus adalah sebagian besar tujuan perbandingan ini.

Apa yang dikatakan tabel peluncuran, dan apa yang tidak diungkapkannya

Pola dalam blok benchmark Anthropic adalah model yang telah menutup sebagian besar kesenjangan, bukan model yang telah mengambil alih keunggulan. GDPval-AA v2.1, kumpulan tugas berbobot ekonomis, adalah seri dengan selisih dua poin. AA-Briefcase v1.1, evaluasi dokumen dan hasil kerja, adalah seri dengan selisih sebelas poin. CursorBench 4.0 bergerak ke arah sebaliknya: 55,5% untuk Sonnet 5.5 versus 57,8% untuk Opus 5.5. OSWorld 2.1 berada pada 80,1% versus 81,8%, dan Humanity's Last Exam pada 64,5% dengan alat versus 67,7%. Hanya Terminal-Bench 4.0 yang memecah pola, dan memecahnya dengan telak — 70,6% versus 66,4%, keunggulan empat poin Sonnet pada pekerjaan baris perintah agentik.

Baca label baris alih-alih angka dan sesuatu yang lain muncul. Beberapa entri Opus 5.5 itu membawa anotasi upaya — 66,4% pada Xhigh — dan catatan kaki menyatakan bahwa konfigurasi Max memperoleh skor lebih rendah daripada Xhigh pada FrontierCode, bukan lebih tinggi. Tingkat upaya yang lebih tinggi tidak bersifat monoton. Tim yang sadar anggaran yang menganggap "upaya maksimal" sebagai peningkatan gratis sedang membeli token untuk jawaban yang lebih buruk pada setidaknya salah satu pengujian Anthropic sendiri. Dan pada FrontierCode 1.1 catatan kaki yang sama menempatkan Sonnet 5.5 pada 46,2% dalam konfigurasi Max dibandingkan Opus 5.5 sebesar 54,4%, yang merupakan angka tunggal paling jelas untuk menunjukkan di mana model unggulan masih terus menjauh: pekerjaan kode berhorizon panjang di bawah definisi tugas yang memberi imbalan atas ketekunan.

Ada satu catatan penting lagi yang perlu disampaikan secara terus terang, bukan disembunyikan. Anthropic mencatat bahwa uji GDPval-AA dan AA-Briefcase yang dipublikasikannya dijalankan pada deployment pra-rilis yang membawa bug structured-outputs. Itu memengaruhi kedua model dalam tabel yang sama, jadi perbandingannya tidak menjadi tidak valid, tetapi berarti angka absolutnya harus diperlakukan sebagai snapshot, bukan hasil yang sudah final. Tabel benchmark vendor adalah artefak pemasaran dengan lampiran metodologi, dan yang ini disertai lampirannya.

Di mana pengukuran independen berada

Artificial Analysis menilai kedua model dengan satu harness, dalam konfigurasi yang sama yang diberi label "Adaptive Reasoning, Max Effort, Default Fallback," pada Intelligence Index v4.3. Claude Opus 5.5 berada di 58. Claude Sonnet 5.5 berada di 56. Itu adalah selisih dua poin pada skala di mana evaluator yang sama menempatkan Opus 5 di 51, Sonnet 5 di 38, DeepSeek V4 Pro di 36, dan Gemini 3.1 Pro Preview di 30. Sonnet baru yang hadir dua poin di bawah model andalan dan lima poin di atas generasi Opus sebelumnya adalah klaim substantif dari rilis ini, dan itu merupakan klaim pihak ketiga, bukan klaim vendor.

Lalu halaman yang sama membalikkan logika ekonominya. Artificial Analysis melaporkan bahwa satu kali evaluasi Sonnet 5.5 memakan biaya $7.60 per tugas dibandingkan $5.98 untuk Opus 5.5, meskipun Sonnet 5.5 setengah harga per token. Penyebabnya ada tepat di halaman itu: Sonnet 5.5 menghasilkan 410 juta token di seluruh rangkaian indeks dibandingkan median 88 juta untuk model yang dilacaknya — "sangat bertele-tele," dalam kata-kata evaluator. Opus 5.5 menghasilkan 260 juta pada rangkaian yang sama. Pada $10 per juta token keluaran dibandingkan $20, faktor kebertele-telean sekitar 1,6 tetap membuat Sonnet 5.5 membayar sekitar 27% lebih banyak per tugas yang diselesaikan.

Inilah bagian dari perbandingan yang tidak dapat ditunjukkan oleh daftar harga per token, dan inilah alasan kedua angka tersebut dapat hidup berdampingan tanpa kontradiksi. Per token, Sonnet 5.5 lebih murah setengahnya. Per tugas yang diselesaikan, pada rangkaian evaluasi dengan prompt terbuka dan tanpa disiplin panjang output, model itu bisa jadi lebih mahal. Mana di antara keduanya yang menggambarkan beban kerja Anda adalah keputusan sebenarnya.

Tingkat upaya, batas keluaran, dan bentuk integrasi

Bagi pembeli, properti yang penting secara mekanis hampir identik antara kedua model ini.

• Konteks — 1.000.000 token pada keduanya, dari penyedia yang sama, sehingga asumsi rekayasa prompt tetap berlaku tanpa perubahan

• Output maksimum — 128.000 token pada keduanya; generasi massal bukanlah faktor pembeda di sini

• Modalitas — input teks, gambar, dan file pada keduanya; tidak satu pun menerima audio atau video

• Kontrol penalaran — pemikiran adaptif pada keduanya, dengan kedalaman yang diatur oleh parameter effort alih-alih anggaran token pemikiran. Di Claude Platform, defaultnya tinggi; di dalam aplikasi Claude, defaultnya sedang.

• Penulisan cache — $5.00 per juta untuk Claude Opus 5.5 dibandingkan $2.50 untuk Claude Sonnet 5.5, satu-satunya pos di mana model yang lebih murah juga merupakan model yang lebih murah untuk diberi awalan yang dibangun ulang

• Pembacaan cache — $0.20 per juta pada keduanya, hasil imbang persis pada pos yang mendominasi eksekusi agen berdurasi panjang

Karena antarmukanya cocok, migrasi di antara keduanya hanyalah perubahan string model dan pengukuran ulang upaya, bukan proyek integrasi. Hal itu tidak biasa di antara vendor, dan itulah sebabnya pasangan khusus ini layak dibandingkan: kedua kandidat berbeda dalam harga dan kedalaman, bukan dalam API yang harus Anda tulis.

Satu perbedaan operasional layak mendapat baris tersendiri. Anthropic menyatakan bahwa Claude Sonnet 5.5 adalah Sonnet pertama yang diluncurkan dengan pengaman siber dan fallback yang setara dengan model tingkat teratasnya, yang berarti permintaan keamanan siber berisiko lebih tinggi secara terlihat dialihkan ke Sonnet sebelumnya alih-alih dijawab oleh model yang Anda sebutkan. Jika beban kerja Anda menyentuh domain itu, string model bukan jaminan model mana yang merespons — baik pada tingkat mana pun. Anthropic juga mencatat bahwa jika Anda menjalankan Sonnet dengan thinking dinonaktifkan, Anda harus beralih ke perilaku between-tools, yang merupakan perubahan kode, bukan flag konfigurasi. Tidak satu pun dari hal itu menjadi alasan untuk menghindari model tersebut; keduanya adalah alasan untuk mengetahuinya sebelum Anda merilis.

Di OrcaRouter, Claude Opus 5.5 dapat dirutekan hari ini dengan kredensial yang sama seperti setiap model lain di katalog, dengan harga daftar penyedia dan markup 0%, dengan failover otomatis yang tersedia di bawahnya. Claude Sonnet 5.5 belum menjadi rute di platform kami — model ini baru berusia satu hari, dan sampai ia terdaftar, pernyataan yang jujur adalah bahwa Anda akan mengaksesnya melalui API Anthropic sendiri. Siapa pun yang saat ini menjalankan Opus 5.5 melalui kami dapat menghitung biaya pengalihan pada hari model itu tersedia tanpa mengubah hal lain apa pun dalam integrasi mereka.

Yang mana ditaruh di mana

Pembagian yang mengikuti angka-angka tersebut: Claude Sonnet 5.5 untuk pekerjaan agen yang terikat terminal, di mana model ini lebih kuat di antara keduanya pada angka Terminal-Bench 4.0 milik Anthropic sendiri dan berharga setengahnya; Claude Sonnet 5.5 untuk apa pun yang berbentuk throughput, karena perbedaan biaya hanya menyempit ketika tugas memaksa keluaran panjang; Claude Opus 5.5 untuk pekerjaan kelas FrontierCode, refaktor berhorizon panjang di seluruh basis kode besar, dan beban kerja apa pun yang margin 54,4% hingga 46,2%-nya mencerminkan bentuk masalah aktual Anda alih-alih baris papan peringkat.

Jika tugas Anda bersifat terbuka dan Anda tidak dapat memprediksi panjang output, anggap harga per token sebagai angka yang sepenuhnya salah. Ukur token per tugas yang diselesaikan pada lalu lintas Anda sendiri selama seminggu sebelum Anda memutuskan ke salah satu arah; angka artificial-analysis sebesar $7.60 versus $5.98 adalah peringatan bahwa model murah dapat kalah pada metrik yang sebenarnya Anda bayar.

Putusan jujurnya: ini bukan lagi soal trade-off antara kemampuan dan biaya. Ini soal apakah pekerjaan Anda terbatas cakupannya. Untuk tugas-tugas terbatas, bervolume tinggi, dan digerakkan alat, model yang lebih murah juga merupakan pilihan yang lebih baik berdasarkan bukti yang tersedia, dan model unggulan tidak layak dibanderol dua kali lipat. Untuk pekerjaan terbuka dan berjangka panjang, pernyataan Anthropic sendiri—bahwa Opus 5.5 tetap jelas lebih kuat—adalah yang harus dipercaya, dan belum ada konvergensi benchmark yang mengubahnya.