GPT-5.5 vs Claude Opus 5: Wyścig w kodowaniu, którego nikt nie może sprawiedliwie ocenić

GPT-5.5 i Claude Opus 5 to dwa modele, które większość zespołów faktycznie ma na myśli, mówiąc „frontier coder”, a na papierze są tak zbliżone, że decyzję zwykle podejmuje się na podstawie tabeli benchmarków. W tym roku to błąd, i to z powodu, który nie ma nic wspólnego z możliwościami któregokolwiek z tych modeli: GPT-5.5 zostanie wycofany z ChatGPT, ChatGPT Work i Codex 14 października 2026 r., a Codex to środowisko, w którym faktycznie pracuje duża część jego użytkowników zajmujących się kodowaniem. Claude Opus 5 nigdzie się nie wybiera. Tak więc pierwsze pytanie w tym starciu nie brzmi, który model pisze lepszy kod — lecz który z nich nadal odpowie na żądanie, które zamierzasz wysłać w listopadzie.

To przeformułowuje porównanie, ale go nie rozstrzyga. Jeśli wywołujesz GPT-5.5 przez API albo przez sesję Codex uwierzytelnioną własnym kluczem API, wycofanie cię nie dotyczy, a kwestia możliwości jest dokładnie tak samo aktualna jak w kwietniu. To, co następuje, jest uczciwą wersją tego pytania, łącznie z częścią, którą większość stron porównawczych pomija: kluczowe liczby obu modeli są mierzone w sposób, który schlebia temu, kto przeprowadza test.

Jednowierszowa odpowiedź

Jeśli potrzebujesz najkrótszej wersji, której można bronić: Claude Opus 5 to bezpieczniejszy domyślny wybór do produkcyjnej pracy programistycznej pod koniec 2026 r., ponieważ jest tańszy na wyjściu, ma niezależne benchmarki i nie jest wycofywany z narzędzia, w którym prawdopodobnie go używasz. GPT-5.5 pozostaje silniejszym wyborem w konkretnych obszarach — pracy agentowej natywnej dla terminala, wyszukiwaniu przy długim kontekście i efektywności tokenowej w trudnych zadaniach — a na ścieżce API zachowuje to wszystko. Wszystko poniżej to uzasadnienie tego podziału oraz zastrzeżenia, które sprawiają, że nie jest on tak czysty, jak brzmi.

Dwa flagowce, które trafiły do różnych światów

GPT-5.5 pojawił się 23 kwietnia 2026 r. jako flagowy model OpenAI do złożonych profesjonalnych obciążeń, zbudowany na GPT-5.4, z silniejszym rozumowaniem, lepszą niezawodnością oraz — co OpenAI wysunęło na pierwszy plan — ulepszoną efektywnością tokenową w trudnych zadaniach. Przyjmuje dane wejściowe w postaci tekstu, obrazu i plików, obsługuje około 922 tys. tokenów wejściowych i 128 tys. tokenów wyjściowych, a jego ceny wynoszą 5,00 USD za milion tokenów wejściowych i 30,00 USD za milion tokenów wyjściowych, przy czym odczyty z pamięci podręcznej kosztują 0,50 USD, a powyżej 272 000 tokenów wejściowych obowiązuje wyższa stawka.

Claude Opus 5 to flagowy model Anthropic do wymagającego rozumowania, kodowania i długoterminowej pracy agentowej, dostrojony pod konkretną słabość, która od dawna nęka kodowanie agentowe: zachowanie spójności podczas bardzo długich, wieloetapowych sesji z intensywnym użyciem narzędzi. Oferuje kontekst 1 mln tokenów z wyjściem do 128 tys. tokenów, przyjmuje dane wejściowe w postaci tekstu, obrazów i plików, a jego ceny wynoszą 5,00 USD za wejście i 25,00 USD za wyjście, przy czym odczyt z pamięci podręcznej również kosztuje 0,50 USD. Zastępuje parametry próbkowania, takie jak temperature i top_p, pokrętłem wysiłku rozumowania, co stanowi realną różnicę w sposobie dostrajania, ale nie w tym, co potrafi.

Kontrast specyfikacji

• Cena — GPT-5.5 5,00 USD/30,00 USD za 1 mln tokenów vs Claude Opus 5 5,00 USD/25,00 USD za 1 mln; identyczna na wejściu, Claude Opus 5 około 17% taniej na wyjściu

• Dane wejściowe z pamięci podręcznej — w obu przypadkach 0,50 USD za 1 mln tokenów, czyli 90% zniżki na stawkę za dane wejściowe

• Kontekst — GPT-5.5 ~922K danych wejściowych / 128K danych wyjściowych vs Claude Opus 5 1M danych wejściowych / 128K danych wyjściowych

• Modalności wejściowe — GPT-5.5 tekst, obraz, plik vs Claude Opus 5 tekst, obraz, plik; pod tym względem oba są na równym poziomie

• Dostrajanie — ustawienia poziomu wysiłku rozumowania GPT-5.5 od none do xhigh w porównaniu z adaptacyjnym rozumowaniem Claude Opus 5 za pomocą pokrętła wysiłku, bez temperatury ani top_p

• Dostępność — GPT-5.5 zostanie wycofany z ChatGPT, ChatGPT Work i Codex 14 października 2026 r., ale nie z API, w przeciwieństwie do Claude Opus 5 na wszystkich powierzchniach Anthropic, bez ogłoszonego wycofania

Gdzie twierdzenia dotyczące benchmarków przestają być porównywalne

Zacznij od niezależnego obrazu, bo to jedyna część tego, którą ktokolwiek może sprawdzić. Artificial Analysis przyznaje Claude Opus 5 wynik 51 w swoim Intelligence Index. GPT-5.5 ocenia na 39 w obecnym indeksie v4.3 — a co bardziej wymowne, oznaczyło GPT-5.5 jako przestarzały i cofnęło jego ocenę do domyślnych obciążeń 10 000 tokenów. To warto uważnie przeczytać. Niezależny zapis wyników dla GPT-5.5 nie jest tylko słabszy; dobiega końca, a gdy się zatrzyma, każda liczba wciąż krążąca dla tego modelu będzie liczbą dostawcy.

Jeśli chodzi o dane raportowane przez dostawców, własne liczby OpenAI wskazują, że GPT-5.5 osiąga 82,7% w Terminal-Bench 2.0, 82,6% w SWE-bench Verified i 58,6% w SWE-bench Pro. Dane Anthropic dla Claude Opus 5 obejmują 90,2 w Terminal-Bench 2.1, 74,7 w SWE-bench Pro i 68,0 w JobBench. Kuszącym posunięciem jest zestawienie ich obok siebie i ogłoszenie zwycięzcy. Nie rób tego — i zauważ, że większość stron porównawczych i tak to robi.

Wiersz Terminal-Bench jest najwyraźniejszym przykładem. Wynik 82,7% GPT-5.5 dotyczy Terminal-Bench 2.0; wynik 90,2 Claude Opus 5 dotyczy Terminal-Bench 2.1. To różne wersje benchmarku z różnymi zestawami zadań, a porównanie między wersjami nie jest porównaniem. Wiersze SWE-bench Pro dotyczą przynajmniej tego samego zestawu, a tam 74,7 Claude Opus 5 w zestawieniu z 58,6 GPT-5.5 to autentyczna i szeroka różnica — ale obie wartości są raportowane przez dostawców po obu stronach i żadna nie została odtworzona w identycznych warunkach testowych.

Problem z harnessem, który jest prawdziwą historią

Jeśli z tego starcia warto wynieść jeden wniosek, to taki, że wybór harnessu wpływa na te modele bardziej niż dzieląca je różnica. Ewaluacja na arXiv wykazała, że GPT-5.5 osiągał najlepsze wyniki w Claude Code, a następnie spadł o 21,8 punktu po przeniesieniu do OpenHands, podczas gdy Claude Opus 4.8 — punkt odniesienia w tym badaniu — spadł tylko o 5,5 punktu przy tej samej zmianie. Wahnięcie o 21 punktów wyłącznie z powodu scaffoldingu jest większe niż większość opublikowanych różnic w bezpośrednim porównaniu między tymi dwoma flagowcami.

Istnieje praktyczna wersja tego, co przyznaje samo ujęcie OpenAI: GPT-5.5 osiąga 83,4% w Terminal-Bench, używając swojego natywnego harnessu Codex CLI, wobec 72,1% na standardowym harnessie. Jeśli Twoja ewaluacja uruchamia GPT-5.5 poza Codex, mierzysz inny model niż ten z tabeli premierowej.

To ma znaczenie dla wycofania w sposób, który łatwo przeoczyć. Jeśli twoje wyniki dla GPT-5.5 zostały uzyskane w Codexie przy logowaniu przez ChatGPT, a ta ścieżka zostanie zamknięta 14 października, nie tracisz tylko modelu — tracisz środowisko testowe, względem którego skalibrowany jest twój benchmark. Ustaw nowy punkt odniesienia na ścieżce API, zanim wyciągniesz jakiekolwiek wnioski o tym, ile kosztuje cię następca.

Koszt za zadanie, nie koszt za token

Porównanie kosztu na token jest proste i nieznacznie przemawia na korzyść Claude Opus 5: ten sam koszt wejścia $5.00, $25.00 versus $30.00 na wyjściu. Ciekawszym porównaniem jest koszt ukończonego zadania i tam obraz się odwraca, ponieważ kluczowym twierdzeniem OpenAI dotyczącym GPT-5.5 była efektywność tokenowa — około 40% mniej tokenów przy równoważnych zadaniach według kilku relacji deweloperów. Jeśli model wykonuje tę samą pracę przy 40% mniej tokenów wyjściowych, stawka $30.00 za wyjście może dać niższy rachunek niż stawka $25.00 w przypadku bardziej rozwlekłego modelu. To twierdzenie jest sformułowane przez dostawcę i nie zostało niezależnie odtworzone, więc traktuj je jako hipotezę do przetestowania na własnym obciążeniu, a nie jako ustalony fakt.

Oba modele znajdują się w naszym katalogu, co sprawia, że ten test można tanio przeprowadzić rzetelnie, a nie na podstawie anegdot. Oba są dostępne za jednym kluczem po cenie katalogowej dostawcy z 0% marży, więc bezpośredni test A/B na własnym ruchu to ciąg znaków modelu w treści żądania, a nie druga umowa — a każda zmiana cennika przez dostawcę trafia na naszą stronę tego samego dnia, w którym zostanie ogłoszona. Najbardziej przydatny jest tutaj DSL routingu: rozdzielaj ruch na żywo między oba modele, utrzymuj podział w takim stosunku, jaki toleruje Twój budżet błędów, i pozwól, by liczby kosztu na zadanie pochodziły z produkcji, a nie ze strony z benchmarkami.

Co to oznacza na najbliższe sześć tygodni

Dla zespołu dokonującego wyboru dzisiaj ta decyzja ma asymetrię, którą ukryłaby analiza oparta wyłącznie na możliwościach. Claude Opus 5 to wybór o niższym ryzyku: ma niezależne oceny, jest tańszy na wyjściu i nie ma zaplanowanego usunięcia z produktów, w których jest sprzedawany. GPT-5.5 nie jest złym modelem — to mocny model z prawdziwą przewagą w pracy agentowej natywnej dla terminala — ale wybranie go na ścieżce subskrypcji oznacza wybór modelu ze znaną datą wygaśnięcia za sześć tygodni, a na ścieżce API oznacza zaakceptowanie uboższego i kurczącego się niezależnego zestawu wyników.

Stanowiskiem, które da się obronić, jest pozostawienie GPT-5.5 tam, gdzie ma udowodnioną przewagę i gdzie kontrolujesz ścieżkę — API, sesję Codex z kluczem API — a Claude Opus 5 ustanowienie domyślnym wszędzie indziej. Tym, co powinno zmienić twoje zdanie w jedną bądź drugą stronę, nie jest marketing żadnego z modeli: to pierwsze neutralne bezpośrednie porównanie w ramach jednego stałego zestawu testowego oraz wszystko, co OpenAI opublikuje na temat tego, czy ścieżka API dla GPT-5.5 przetrwa po wycofaniu produktu.

Obie strony tego starcia znajdują się za jednym kluczem: GPT-5.5 i Claude Opus 5 różnią się o jeden ciąg modelu, z automatycznym przełączaniem awaryjnym między nimi.