Claude Opus 5.5 kontra Gemini 4 Carbon: 12-procentowy pułap i jedna trzecia rachunku

Claude Opus 5.5 i Gemini 4 Carbon to dwa najlepsze modele w nowym benchmarku GDPx firmy SemiAnalysis, a różnica między nimi wynosi nieco ponad jeden punkt: 12,0% dla Opus 5.5, 10,9% dla Carbon. Bardziej użyteczna liczba kryje się pod wynikiem. Carbon osiągnął ten wynik za 16,29 USD na zadanie; Opus 5.5 potrzebował 51,41 USD. To cała decyzja w jednym wierszu, z haczykiem, którego ranking nie pokaże. Opus 5.5 jest ogólnie dostępny od 22 września 2026 r. Carbon ogłoszono 28 października i nadal jest ograniczony do partnerów w dziedzinie cyberobrony w ramach programu Fairwind Google, bez publicznego identyfikatora modelu. Jedna trzecia rachunku to okazja tylko wtedy, gdy możesz złożyć zamówienie.

GDPx v1.0 to nowy benchmark wydany w tym tygodniu — pierwsza niezależna ewaluacja, która ocenia te dwa modele na tych samych zadaniach przy użyciu tego samego harnessu i raportuje koszt każdego przebiegu. Ten timing ma większe znaczenie niż ranking. Sześć tygodni po premierze Opus 5.5 i kilka dni po ogłoszeniu Carbon wreszcie mamy wymierne porównanie, a nie dwie tabele dostawców zestawione obok siebie.

Czym jest każdy model, przed tabelą

Claude Opus 5.5 to obecnie flagowy model Anthropic do długotrwałych zadań agentowych w zakresie kodowania i pracy z wiedzą. Zastąpił Opus 5, oferując obniżkę ceny o 20% oraz udokumentowane okno kontekstu wynoszące 1 mln tokenów, i jest to model, który Anthropic wskazuje dla Claude Code oraz aplikacji Claude.

• Cena — 4 USD za milion tokenów wejściowych, 20 USD za milion tokenów wyjściowych. Żądania wsadowe są o 50% tańsze — 2 USD / 10 USD.

• Kontekst i dane wyjściowe — 1 mln tokenów wejściowych, 128 tys. tokenów wyjściowych w synchronicznym API, 300 tys. tokenów wyjściowych w Batch API z nagłówkiem beta rozszerzonego wyjścia.

• Buforowanie — zapis do pamięci podręcznej na pięć minut kosztuje 5 USD za milion tokenów, zapis na godzinę 8 USD, a odczyt z pamięci podręcznej 0,20 USD.

• Myślenie — myślenie adaptacyjne jest zawsze włączone i nie można go wyłączyć; domyślny poziom wysiłku to średni, a wiarygodny cutoff wiedzy to czerwiec 2026.

• Gdzie — Claude API w modelu claude-opus-5-5, w Amazon Bedrock, w Google Cloud zarówno przez ścieżki zarządzane przez Google, jak i przez Anthropic, w Microsoft Foundry oraz w Claude Platform on AWS.

Gemini 4 Carbon to najnowszy model klasy frontier Google, ogłoszony przez Koraya Kavukcuoglu 28 października jako najsilniejszy model firmy w dziedzinie cyberbezpieczeństwa, agentów o długim horyzoncie działania i złożonej inżynierii oprogramowania. W ogłoszeniu Google znalazły się trzy główne twierdzenia i jedno rzucające się w oczy pominięcie: nie podano okna kontekstowego. Twierdzenia dotyczące benchmarków pochodzą od samego Google — SEC-bench Pro 88,2% w wykrywaniu podatności, ExploitGym 54,8% w eksploatacji oraz CWE-bench 71,0% w łataniu — i należy je odczytywać jako zgłoszone przez dostawcę, a nie niezależnie odtworzone.

• Cena — 2 USD za milion tokenów wejściowych i 10 USD za milion tokenów wyjściowych w okresie wprowadzającym, przy czym buforowane dane wejściowe są objęte 95% zniżką; standardowa stawka wynosi później 4 USD / 20 USD, a Google nie podało, kiedy kończy się cena wprowadzająca.

• Dostęp — wyłącznie Fairwind, dla wybranej grupy obrońców cyberprzestrzeni i zaufanych partnerów, z obietnicą szerszego dostępu dla deweloperów, przedsiębiorstw i konsumentów „tak szybko, jak to możliwe” i bez podania daty.

• Punkt końcowy — brak publicznego. API Gemini nadal udostępnia gemini-4-argon, a nie Carbon.

• Kontekst — nie podano go w ogłoszeniu. Wyniki wyszukiwania w długim kontekście krążyły w publikacjach z tygodnia premiery, ale samo okno nie jest opublikowaną specyfikacją.

Ta asymetria to pierwsza rzecz, którą trzeba zrozumieć w tym zestawieniu. Jeden model to produkt, który możesz wywołać już dziś z Claude API, czterech platform chmurowych i kilkunastu SDK. Drugi to demonstracja możliwości z listą oczekujących. Wszystko, co następuje, porównuje je jako modele; tylko jeden z nich jest obecnie opcją wdrożeniową.

GDPx: 206 zadań, limit 12% i 3,2-krotna różnica kosztów

SemiAnalysis stworzył GDPx jako następcę GDPval od OpenAI, z 14 partnerami danych i 206 zadaniami rozłożonymi na 11 profesjonalnych dziedzin: finanse, prawo, biologia, nauka o materiałach, projektowanie chipów, projektowanie sprzętu, cyberbezpieczeństwo, inżynieria oprogramowania, alignment, trading kwantowy i rekurencyjne samodoskonalenie. Każde zadanie ma domyślny budżet ośmiu godzin, uśrednia się trzy przebiegi, a dziedziny są ważone równo. Tylko 13 z 20 przetestowanych modeli pojawia się na publicznej tablicy.

• Claude Opus 5.5 — 12,0%, pierwsze miejsce, przy 51,41 USD na zadanie i około 548 000 tokenów wyjściowych na zadanie.

• Gemini 4 Carbon — 10,9%, drugie miejsce, przy 16,29 USD za zadanie i około 594 000 tokenów wyjściowych na zadanie.

• GPT-6 Astra — 9,6%, trzecie miejsce, 53,99 USD za zadanie.

• Claude Fable 5.1 — 8,5% po 67,16 USD, najdroższy model w zestawieniu.

Ścierają się tu dwie interpretacje i obie są słuszne. Pierwsza mówi, że Carbon osiąga około 91% wyniku Opus 5.5 przy około 32% kosztów, co jest autentycznym argumentem za wartością i tym, od którego zaczął 9to5Google. Druga mówi, że żaden z modeli nie kończy siedmiu z ośmiu powierzonych mu zadań profesjonalnych. Jednopunktowa przewaga przy 12% to nie rozwiązany problem; to obecna granica możliwości agentów, gdy praca jest długa, otwarta i oceniana przez eksperta dziedzinowego.

SemiAnalysis opublikowało drugą perspektywę z usuniętymi cyberbezpieczeństwem, biologią i alignment, a kolejność się zmienia: GPT-6 Astra przechodzi na pierwsze miejsce, a Carbon spada poniżej GPT-6.1 Sol i Claude Sonnet 5.5. Firma twierdzi, że ta perspektywa lepiej odpowiada jej subiektywnym wrażeniom. Mechanizm to barierki bezpieczeństwa — model, który odmawia wykonania zadania, otrzymuje za nie zero, a zachowanie Carbon w zakresie bezpieczeństwa jest stricter w dokładnie tych dziedzinach, w których jego mocne strony w cyberbezpieczeństwie są największe. Tak więc drugie miejsce Carbon jest częściowo wynikiem zdolności, a częściowo wynikiem uprawnień. Jeśli Twoja praca wygląda jak usunięte dziedziny, ranking główny nie opisuje Ciebie.

Gdzie Carbon faktycznie ma przewagę

W Intelligence Index v5.0 serwisu Artificial Analysis Carbon plasuje się na poziomie 59, a Opus 5.5 na 58. Jeden punkt w przypadku wskaźnika złożonego, którego podstawę przeliczono 27 października, to nie jest różnica warta migracji systemu produkcyjnego. Dowodzi jednak, że model Google znajduje się w czołówce, a nie za nią, co jest twierdzeniem mocniejszym, niż łatwo zweryfikować w ramach wdrożenia o ograniczonym dostępie.

Liczby w obszarze cyber to miejsce, w którym argumentacja Carbon jest najczystsza, a jednocześnie źródła są tam najsłabsze. Własny harness Google’a wskazuje dla niego 54,8% w ExploitGym, 71,0% w CWE-bench i 88,2% w SEC-bench Pro. To duże, konkretne twierdzenia dotyczące wykrywania i łatania luk w zabezpieczeniach i są dokładnie tym rodzajem twierdzeń, które wymagają niezależnego ponownego przebiegu testów, zanim zespół ds. bezpieczeństwa zaplanuje na ich podstawie budżet. Domena cyber GDPx jest jednym z danych wejściowych do tego, a nie replikacją tych trzech zestawów testowych.

Cena to trzecia zaleta, z gwiazdką. Przy stawce wprowadzającej 2 USD / 10 USD Carbon oferuje połowę tego, co Opus 5.5 przy 4 USD / 20 USD. Przy standardowej stawce 4 USD / 20 USD jest tak samo. 95-procentowa zniżka na wejście z pamięci podręcznej jest realna, ale maleje przy cenie katalogowej: 0,10 USD za milion buforowanych tokenów przy stawce wprowadzającej, 0,20 USD przy stawce standardowej, w porównaniu z 0,20 USD za odczyt z pamięci podręcznej w Opus 5.5. Przewaga kosztowa jest największa dziś, dopóki trwa zniżka, a Google nie podało, jak długo to potrwa.

Gdzie Opus 5.5 wciąż przoduje

Najsilniejszym niezależnym wynikiem Opus 5.5 nie jest wynik GDPx, lecz profil kodowania. Coding Agent Index od Artificial Analysis przyznaje mu 62 punkty wobec 59 dla Carbon, a indeks ten opiera się na przebiegach kodowania agentowego, a nie na pojedynczych ukończeniach. W przypadku modelu, którego deklarowanym celem jest długotrwała praca nad oprogramowaniem, jest to bliższy rzeczywistości pomiar.

Opublikowane przez Anthropic dane z premiery wskazują na to samo i pochodzą od producenta: Terminal-Bench 4.0 na poziomie 66,4%, FrontierCode v1.1 na poziomie 54,4%, CursorBench 4.0 na poziomie 57,8% i AutomationBench na poziomie 40,0%. Sposób przeprowadzenia testu ma znaczenie. Artificial Analysis zmierzyło ten sam model na poziomie 59,6% w Terminal-Bench 4.0 przy wysiłku xhigh, a Vals AI odnotowało 65,2%. Siedmiopunktowa różnica między producentem a jednym niezależnym środowiskiem testowym jest normalna w przypadku benchmarków agentowych i dlatego pojedynczy wiersz nigdy nie powinien decydować o zakupie.

Nieefektowna zaleta to dostępność. Opus 5.5 ma opublikowane okno kontekstu, udokumentowany limit wyjścia, poziom wsadowy, tryb szybki w cenie 8/40 USD, przewodnik migracji i sześć tygodni użytkowania produkcyjnego za sobą. Carbon ma wpis na blogu, program partnerski i cennik. Dla zespołu, który potrzebuje odpowiedzi w tym kwartale, ta różnica rozstrzyga więcej przypadków niż 59 kontra 58.

Ile tak naprawdę kosztuje zadanie

Wskaźniki kosztów GDPx to zmierzony wydatek na tokeny w ramach ośmiogodzinnego budżetu, a nie ceny katalogowe, więc uwzględniają, ile każdy model decyduje się napisać. Carbon zużył o około 8% więcej tokenów wyjściowych na zadanie niż Opus 5.5, a mimo to kosztował jedną trzecią tego co tamten, ponieważ stawka wprowadzająca jest o połowę niższa, a to po stronie wejścia długie przebiegi agentów się kumulują. Na 1000 zadań raportowana różnica wynosi około 51 000 USD wobec 16 000 USD.

Przy cenie katalogowej rachunek jest mniej dramatyczny. Żądanie z 1 mln tokenów wejściowych i 250 tys. tokenów wyjściowych kosztuje $9 w Opus 5.5 przy $4 / $20, $4,50 w Carbon przy wprowadzającej stawce $2 / $10 oraz $9 w Carbon przy jej standardowej stawce $4 / $20. Batch API Opus 5.5 przy 50% zniżki wynosi $2 / $10 — tyle samo co stawka wprowadzająca Carbon — w przypadku pracy, która może poczekać. Gdy okres wprowadzający Carbon się zakończy, różnica w cenniku znika całkowicie; pozostaje różnica w zużyciu tokenów na zadanie, która jest niewielka.

To jest ta część porównania, którą najłatwiej wyrwać z kontekstu. „Jedna trzecia kosztu” to prawda w przypadku uruchomień GDPx w dzisiejszych cenach promocyjnych. Nie jest to trwała właściwość modelu ani stosunek, który zobaczysz w obciążeniu wsadowym przy standardowych stawkach.

Luka dostępności to prawdziwa decyzja

Claude Opus 5.5 jest już dostępny na OrcaRouter jako anthropic/claude-opus-5.5 w cenie katalogowej dostawcy 4 USD / 20 USD, bez doliczanej marży, obok ponad 200 modelina jednym kluczu. Przekierowanie to zmiana ciągu modelu, a ważony fragment ruchu z automatycznym przełączaniem awaryjnym to tani sposób na przetestowanie go względem obecnego modelu bez stawiania ścieżki produkcyjnej na wynik.

Gemini 4 Carbon nie jest dostępny w OrcaRouter i nie może być. Google nie opublikowało identyfikatora modelu ani publicznego punktu końcowego, więc nie ma do czego kierować ruchu; jedynym uczciwym stwierdzeniem jest to, że dostęp odbywa się w ramach programu Fairwind Google’a i docelowo przez własne API dostawcy. Gdy pojawi się publiczny punkt końcowy, model pass-through oznacza, że cena katalogowa jest tym, co płacisz tutaj w dniu jej zmiany, a nie jej ponownie wycenioną wersją.

To pozostawia decyzję, która jest węższa, niż sugeruje tabela benchmarków:

• Praca w obszarze bezpieczeństwa z dostępem Fairwind — wypróbuj Carbon na własnej kolejce do triage'u i wdrażania poprawek. Podawane przez dostawcę wskaźniki cyberbezpieczeństwa są najwyższe spośród opublikowanych, ale nie zostały replikowane, a wynik ponownego ważenia domen w GDPx wskazuje, że jego przewaga zależy od domeny.

• Długo działające agenty kodujące — Opus 5.5. Przewodzi niezależnemu indeksowi kodowania, ma udokumentowane okno 1 mln tokenów i 128 tys. tokenów wyjściowych oraz jest dostępny na platformach, z którymi większość przedsiębiorstw ma już podpisane umowy.

• Wrażliwe na koszty zadania wsadowe — Batch API w Opus 5.5 w cenie 2 / 10 USD odpowiada dzisiejszej cenie wprowadzającej Carbon i nie zależy od rabatu, który Google może zakończyć bez uprzedzenia.

• Bezpośredni zakład na zdolności — czekaj. Jednopunktowa przewaga w Intelligence Index i 1,1-punktowa przewaga w GDPx mieszczą się w szumie wynikającym z wyboru harnessu, a żaden z modeli nie jest bliski ukończenia profesjonalnych zadań, które stawia GDPx.

Co zmieniłoby odpowiedź

Trzy rzeczy są warte obserwacji i żadna z nich nie jest kolejnym benchmarkiem dostawcy. Pierwsza to publiczny endpoint Carbon. Dopóki Google nie udostępni identyfikatora modelu, każde porównanie kosztów jest hipotetyczne dla każdego spoza Fairwind, a cena wprowadzająca jest obietnicą, a nie rachunkiem. Druga to koniec tego okresu wprowadzającego; przy 4 USD / 20 USD cennik Carbon jest identyczny jak w Opus 5.5, a argument o wartości sprowadza się z powrotem do efektywności tokenowej. Trzecia to niezależne powtórzenie wyników z zakresu cyberbezpieczeństwa. SEC-bench Pro na poziomie 88,2% i ExploitGym na poziomie 54,8% to liczby, które uzasadniałyby budżet na bezpieczeństwo, a obecnie opierają się na stanowisku testowym jednego laboratorium.

Na razie uczciwe podsumowanie jest węższe, niż chciałby którykolwiek z dostawców. Opus 5.5 jest lepszym modelem, na którym można budować, ponieważ to ten, na którym można budować. Carbon to ciekawszy model do obserwowania, ponieważ dorównuje czołówce przy niższej cenie i nie pozwolono mu jeszcze udowodnić tego publicznie. Pułap 12% dotyczy obu z nich.