Claude Opus 5.5 против Gemini 4 Carbon: потолок в 12% и треть счёта

Claude Opus 5.5 и Gemini 4 Carbon — две лучшие модели в новом бенчмарке GDPx от SemiAnalysis, и разрыв между ними чуть больше одного пункта: 12,0% у Opus 5.5 и 10,9% у Carbon. Более полезная цифра скрывается под оценкой. Carbon добрался до результата за $16,29 за задачу; Opus 5.5 потребовалось $51,41. Вот и всё решение в одной строке — с подвохом, который таблица лидеров показать не может. Opus 5.5 находится в общем доступе с 22 сентября 2026 года. Carbon был анонсирован 28 октября и до сих пор доступен только партнёрам по киберзащите в рамках программы Fairwind от Google, публичного ID модели нет. Счёт в одну треть — выгодная сделка, только если вы можете оформить заказ.

GDPx v1.0 — новый бенчмарк, выпущенный на этой неделе, и это первая независимая оценка, в которой эти две модели оцениваются на одних и тех же задачах с использованием одного и того же харнесса, а также сообщается, во сколько обошёлся каждый прогон. Само время выхода здесь важнее, чем рейтинг. Спустя шесть недель после релиза Opus 5.5 и через несколько дней после анонса Carbon наконец появилось измеренное сравнение, а не две таблицы от вендоров, поставленные рядом.

Что представляет собой каждая модель, перед таблицей

Claude Opus 5.5 — текущий флагман Anthropic для длительной агентной разработки и работы со знаниями. Он заменил Opus 5, снизив цену на 20%, и получил документированное контекстное окно на 1 млн токенов; именно эту модель Anthropic позиционирует для Claude Code и приложений Claude.

• Цена — $4 за миллион входных токенов, $20 за миллион выходных. Пакетные запросы — со скидкой 50%: $2 / $10.

• Контекст и выходные данные — 1M входных токенов, 128K выходных в синхронном API, 300K выходных в Batch API с бета-заголовком расширенного вывода.

• Кэширование — запись кэша на пять минут стоит $5 за миллион токенов, запись на один час — $8, а чтение кэша — $0,20.

• Мышление — адаптивное мышление всегда включено, и его нельзя отключить; уровень усилий по умолчанию — средний, а надёжная дата отсечки знаний — июнь 2026 г.

• Где — Claude API с claude-opus-5-5, Amazon Bedrock, Google Cloud через оба маршрута — управляемый Google и управляемый Anthropic, Microsoft Foundry и Claude Platform на AWS.

Gemini 4 Carbon — новейшая передовая модель Google, анонсированная Кораем Кавукчуоглу 28 октября как самая сильная модель компании для кибербезопасности, агентов с длительным горизонтом работы и сложной разработки ПО. В анонсе Google приводятся три главных заявления и одно заметное упущение: размер контекстного окна не публикуется. Заявления о результатах бенчмарков принадлежат самой Google — 88,2% в SEC-bench Pro по обнаружению уязвимостей, 54,8% в ExploitGym по эксплуатации и 71,0% в CWE-bench по исправлению уязвимостей — и их следует воспринимать как заявленные производителем, а не независимо воспроизведённые.

• Цена — $2 за миллион входных токенов и $10 за миллион выходных в течение вводного периода, причём кэшированный ввод — со скидкой 95%; стандартный тариф позже составит $4 / $20, и Google не сообщила, когда завершится действие вводных цен.

• Доступ — только Fairwind, для части специалистов по киберзащите и доверенных партнёров; более широкий доступ для разработчиков, корпоративных клиентов и потребителей обещан «как можно скорее», без указания даты.

• Эндпоинт — публичного нет. Gemini API по-прежнему предоставляет gemini-4-argon, а не Carbon.

• Контекст — в анонсе не указан. Результаты поиска по длинному контексту фигурировали в публикациях недели запуска, но сам размер окна не является опубликованной спецификацией.

Эта асимметрия — первое, что нужно понять в этом противостоянии. Одна модель — это продукт, который уже сегодня можно вызвать через Claude API, четыре облачные платформы и десяток SDK. Другая — демонстрация возможностей с листом ожидания. Всё дальнейшее сравнивает их как модели; только одна из них на данный момент является вариантом для развёртывания.

GDPx: 206 задач, потолок в 12% и разрыв в стоимости в 3,2 раза

SemiAnalysis создала GDPx как преемника GDPval от OpenAI, с 14 партнёрами по данным и 206 задачами, распределёнными по 11 профессиональным областям: финансы, право, биология, материаловедение, проектирование чипов, проектирование аппаратного обеспечения, кибербезопасность, разработка программного обеспечения, выравнивание ИИ, количественная торговля и рекурсивное самосовершенствование. Для каждой задачи по умолчанию выделяется бюджет в восемь часов, результаты трёх прогонов усредняются, а все области имеют одинаковый вес. В публичном рейтинге представлены только 13 из 20 протестированных моделей.

• Claude Opus 5.5 — 12,0 %, первое место, при $51,41 за задачу и примерно 548 000 выходных токенов на задачу.

• Gemini 4 Carbon — 10,9%, второе место, при $16,29 за задачу и примерно 594 000 выходных токенов на задачу.

• GPT-6 Astra — 9,6%, третье место, $53,99 за задачу.

• Claude Fable 5.1 — 8,5% при $67.16, самая дорогая модель в рейтинге.

Здесь конкурируют две трактовки, и обе верны. Первая: Carbon выдаёт около 91% результата Opus 5.5 примерно за 32% затрат — это настоящий аргумент в пользу соотношения цены и качества, и именно его 9to5Google вынесла на первый план. Вторая: ни одна из моделей не завершает семь из каждых восьми профессиональных задач, которые ей дают. Преимущество в один пункт при 12% — это не решённая проблема; это текущий предел того, что агенты способны делать, когда работа долгая, открытая и оценивается экспертом в предметной области.

SemiAnalysis опубликовала второй вариант, из которого исключены кибербезопасность, биология и выравнивание, и порядок меняется: GPT-6 Astra перемещается на первое место, а Carbon опускается ниже GPT-6.1 Sol и Claude Sonnet 5.5. Компания говорит, что этот вариант лучше соответствует её субъективным впечатлениям. Механизм — это защитные ограничения: модель, которая отказывается от задачи, получает за неё ноль, а поведение Carbon в области безопасности строже именно в тех доменах, где его сильные стороны в кибербезопасности наиболее велики. Таким образом, второе место Carbon — отчасти результат возможностей, отчасти результат разрешений. Если ваша работа похожа на исключённые домены, рейтинг из заголовка описывает не вас.

Где Carbon на самом деле впереди

В Intelligence Index v5.0 от Artificial Analysis Carbon находится на уровне 59, а Opus 5.5 — на уровне 58. Одно очко в составном индексе, который был пересчитан 27 октября, — это не тот разрыв, ради которого стоит мигрировать производственную систему. Но это подтверждает, что модель Google находится на переднем крае, а не позади него, и это более сильное утверждение, чем позволяет легко проверить поэтапный запуск с ограниченным доступом.

Кибер-показатели — это то, где позиция Carbon наиболее ясна, и одновременно то, где источники наиболее слабы. Собственный тестовый стенд Google оценивает его в 54,8% на ExploitGym, 71,0% на CWE-bench и 88,2% на SEC-bench Pro. Это крупные и конкретные заявления об обнаружении и исправлении уязвимостей, и именно такие заявления требуют независимого повторного прогона, прежде чем команда безопасности будет закладывать под них бюджет. Кибердомен GDPx — это один из входных данных для этого, а не воспроизведение этих трёх наборов.

Цена — третье преимущество, но со звёздочкой. При вводной ставке $2 / $10 Carbon вдвое дешевле Opus 5.5 с его $4 / $20. При стандартной ставке $4 / $20 цена такая же. Скидка 95% на кэшированный ввод реальна, но по прейскурантной цене она сокращается: $0,10 за миллион кэшированных токенов по вводной ставке и $0,20 по стандартной против $0,20 за чтение кэша у Opus 5.5. Преимущество в стоимости сейчас максимально, пока действует скидка, а Google не сообщила, как долго она продлится.

Где Opus 5.5 всё ещё лидирует

Сильнейший независимый результат Opus 5.5 — не показатель GDPx, а профиль в области программирования. В Coding Agent Index от Artificial Analysis у него 62 против 59 у Carbon, и этот индекс строится на прогонах агентного программирования, а не на одноразовых генерациях. Для модели, чьё заявленное предназначение — длительная работа над программным обеспечением, это более точное измерение.

Собственные цифры Anthropic, опубликованные при запуске, указывают в том же направлении, и они заявлены вендором: Terminal-Bench 4.0 — 66,4%, FrontierCode v1.1 — 54,4%, CursorBench 4.0 — 57,8% и AutomationBench — 40,0%. Испытательный стенд имеет значение. Artificial Analysis измерила ту же модель на уровне 59,6% на Terminal-Bench 4.0 при уровне усилий xhigh, а Vals AI сообщила о 65,2%. Разброс в семь пунктов между вендором и одним независимым стендом — норма для агентных бенчмарков, и именно поэтому одна строка никогда не должна решать вопрос покупки.

Неброское преимущество — это доступность. У Opus 5.5 опубликовано контекстное окно, задокументирован лимит вывода, есть пакетный тариф, быстрый режим по цене $8 / $40, руководство по миграции и шесть недель использования в продакшене за плечами. У Carbon есть пост в блоге, партнёрская программа и прайс-лист. Для команды, которой нужен ответ в этом квартале, эта разница решает больше случаев, чем 59 против 58.

Во что на самом деле обходится задача

Показатели стоимости GDPx — это измеренные затраты токенов в рамках восьмичасового бюджета, а не прейскурантные цены, поэтому они учитывают, сколько каждая модель решает написать. Carbon использовала примерно на 8% больше выходных токенов на задачу, чем Opus 5.5, и всё равно стоила втрое меньше, потому что вводная ставка вдвое ниже, а именно на входной стороне накапливаются затраты при длительных прогонах агентов. На 1 000 задач сообщаемый разрыв составляет примерно $51 000 против $16 000.

По прайс-листовой цене арифметика выглядит менее драматично. Запрос с 1 млн входных токенов и 250 тыс. выходных токенов стоит $9 на Opus 5.5 при $4 / $20, $4,50 на Carbon по вводному тарифу $2 / $10 и $9 на Carbon по его стандартному тарифу $4 / $20. Batch API Opus 5.5 со скидкой 50% обходится в $2 / $10 — столько же, сколько вводный тариф Carbon, — для задач, которые могут подождать. Когда вводный период Carbon закончится, разница в тарифах исчезнет полностью; останется лишь разница в расходе токенов на задачу, а она невелика.

Это та часть сравнения, которую чаще всего будут цитировать вне контекста. «Треть стоимости» верно для запусков GDPx по сегодняшним промо-ценам. Это не постоянное свойство модели и не то соотношение, которое вы увидите при пакетной нагрузке по стандартным тарифам.

Разрыв в доступности — вот где принимается настоящее решение.

Claude Opus 5.5 уже доступна на OrcaRouter как anthropic/claude-opus-5.5 по каталожной цене провайдера $4 / $20, без наценки, вместе с более 200 моделями по одному ключу. Переключение на неё — это изменение строки модели, а взвешенная доля трафика с автоматическим переключением при сбое — дешёвый способ проверить её на фоне вашей текущей модели, не ставя продакшен-маршрут на кон ради результата.

Gemini 4 Carbon отсутствует в OrcaRouter и не может там быть. Google не опубликовала ни идентификатор модели, ни публичную конечную точку, поэтому маршрутизировать попросту некуда; единственное честное утверждение состоит в том, что доступ осуществляется через программу Google Fairwind и в конечном итоге через собственный API вендора. Когда публичная конечная точка всё же появится, модель сквозного переноса означает, что здесь вы платите по каталожной цене в день её изменения, а не по её переоценённой версии.

Это оставляет решение, которое является более узким, чем предполагает таблица бенчмарков:

• Работа по безопасности с доступом Fairwind — испытайте Carbon на собственной очереди триажа и патчинга. Опубликованные киберпоказатели вендора — самые сильные, но они не воспроизведены, а результат перевзвешивания доменов GDPx говорит о том, что его преимущество зависит от домена.

• Долгоживущие кодинг-агенты — Opus 5.5. Он возглавляет независимый индекс для кодинга, имеет документально подтверждённое окно в 1M токенов и вывод 128K, а также доступен на платформах, с которыми большинство предприятий уже заключили договоры.

• Работа с пакетной обработкой, чувствительная к стоимости, — Batch API {{1}}Opus 5.5{{/1}} по цене $2 / $10 соответствует сегодняшнему вводному тарифу Carbon и не зависит от скидки, которую Google может отменить без предупреждения.

• Прямая ставка на возможности — но не спешите. Преимущество в один пункт по Intelligence Index и в 1,1 пункта по GDPx находится в пределах шума, обусловленного выбором harness, и ни одна из моделей не близка к завершению профессиональных задач, которые ставит GDPx.

Что изменило бы ответ?

Три вещи заслуживают внимания, и ни одна из них не является очередным бенчмарком от вендора. Первая — публичный эндпоинт Carbon. Пока Google не выпустит идентификатор модели, любое сравнение затрат будет гипотетическим для всех за пределами Fairwind, а вводная цена — обещанием, а не счётом. Вторая — окончание этого вводного периода; при $4 / $20 тарифная карта Carbon идентична таковой у Opus 5.5, и аргумент о ценности снова сводится к эффективности токенов. Третья — независимое воспроизведение киберрезультатов. SEC-bench Pro с 88.2% и ExploitGym с 54.8% — это цифры, которые оправдали бы бюджет на безопасность, и сейчас они опираются на испытательный стенд одной лаборатории.

На данный момент честное резюме уже, чем хотелось бы любому из двух поставщиков. Opus 5.5 — лучшая модель, на которой можно строить, потому что именно на ней можно строить. Carbon — более интересная модель для наблюдения, потому что она соответствует передовому уровню по более низкой цене, и ей ещё не позволили доказать это публично. Потолок в 12% принадлежит им обеим.