Claude Opus 5.5 vs Gemini 4 Carbon: Ett tak på 12 % och en tredjedel av räkningen

Claude Opus 5.5 och Gemini 4 Carbon är de två bästa modellerna i SemiAnalysis nya GDPx-benchmark, och gapet mellan dem är drygt en poäng: 12,0 % för Opus 5.5, 10,9 % för Carbon. Det mer användbara talet ligger under poängen. Carbon tog sig dit för 16,29 dollar per uppgift; Opus 5.5 behövde 51,41 dollar. Det är hela beslutet på en rad, med en hake som resultattavlan inte kan visa. Opus 5.5 har varit allmänt tillgänglig sedan 22 september 2026. Carbon annonserades den 28 oktober och är fortfarande begränsad till cyberförsvarspartner via Googles Fairwind-program, utan något offentligt modell-ID. En tredjedel av notan är bara ett fynd om du kan lägga beställningen.

GDPx v1.0 är ett nytt benchmark som släpptes den här veckan, och det är den första oberoende utvärderingen som poängsätter dessa två modeller på samma uppgifter med samma harness och rapporterar vad varje körning kostade. Den tidpunkten är viktigare än rankingen. Sex veckor efter att Opus 5.5 släpptes, och dagar efter att Carbon tillkännagavs, finns det äntligen en uppmätt jämförelse i stället för två leverantörstabeller sida vid sida.

Vad varje modell är, före tabellen

Claude Opus 5.5 är Anthropics nuvarande flaggskepp för långvarigt agentiskt kodande och kunskapsarbete. Det ersatte Opus 5 med ett 20 % lägre pris och ett dokumenterat kontextfönster på 1 miljon token, och det är modellen som Anthropic positionerar för Claude Code och Claude-apparna.

Pris — 4 USD per miljon indatatoken, 20 USD per miljon utdatatoken. Batchförfrågningar är 50 % rabatterade till 2 / 10 USD.

• Kontext och utdata — 1M indatatoken, 128K utdata i det synkrona API:et, 300K utdata i Batch-API:et med beta-huvudet för utökad utdata.

• Cachning — en femminuters cachskrivning kostar $5 per miljon tokens, en timmes skrivning $8 och en cacheläsning $0.20.

• Tänkande – adaptivt tänkande är alltid på och kan inte inaktiveras; standardansträngningsnivån är medium, och den tillförlitliga kunskapsgränsen är juni 2026.

• Var — Claude API under claude-opus-5-5, Amazon Bedrock, Google Cloud via både de Google-hanterade och Anthropic-hanterade vägarna, Microsoft Foundry och Claude Platform på AWS.

Gemini 4 Carbon är Googles nyaste frontier-modell, som Koray Kavukcuoglu tillkännagav den 28 oktober som företagets starkaste modell för cybersäkerhet, långsiktiga agenter och komplex mjukvaruutveckling. Googles tillkännagivande innehåller tre rubrikpåståenden och en iögonfallande utelämnad uppgift: inget kontextfönster publiceras. Benchmarkpåståendena är Googles egna – SEC-bench Pro 88,2 % för sårbarhetsupptäckt, ExploitGym 54,8 % för exploatering och CWE-bench 71,0 % för patchning – och bör läsas som leverantörsrapporterade, inte oberoende reproducerade.

• Pris — 2 USD per miljon indatatoken och 10 USD per miljon utdatatoken under en introduktionsperiod, med 95 % rabatt på cachad indata; standardpriset är senare 4 / 20 USD, och Google har inte sagt när introduktionspriset upphör.

• Åtkomst – endast Fairwind, till en delmängd av cyberförsvarare och betrodda partner, med bredare åtkomst för utvecklare, företag och konsumenter utlovad "så snart som möjligt" och utan datum.

• Slutpunkt — ingen offentlig. Gemini-API:et exponerar fortfarande gemini-4-argon, inte Carbon.

• Kontext — anges inte i tillkännagivandet. Resultat för långkontextsökning har cirkulerat i rapporteringen under lanseringsveckan, men själva fönstret är inte en publicerad specifikation.

Den asymmetrin är det första att förstå med den här jämförelsen. Den ena modellen är en produkt som du kan anropa redan i dag via Claude API, fyra molnplattformar och ett dussin SDK:er. Den andra är en kapacitetsdemonstration med en väntelista. Allt som följer jämför dem som modeller; bara en av dem är för närvarande ett alternativ för driftsättning.

GDPx: 206 uppgifter, ett tak på 12 % och en kostnadsskillnad på 3,2 gånger

SemiAnalysis byggde GDPx som en efterföljare till OpenAI:s GDPval, med 14 datapartner och 206 uppgifter fördelade över 11 yrkesområden: finans, juridik, biologi, materialvetenskap, kretsdesign, hårdvarudesign, cybersäkerhet, programvaruteknik, alignment, kvantitativ handel och rekursiv självförbättring. Varje uppgift får en standardbudget på åtta timmar, tre körningar genomsnittas och domänerna viktas lika. Endast 13 av de 20 testade modellerna finns på den offentliga resultattavlan.

• Claude Opus 5.5 — 12,0 %, först, till $51,41 per uppgift och ungefär 548 000 utdatatokens per uppgift.

• Gemini 4 Carbon — 10,9 %, på andra plats, till $16,29 per uppgift och ungefär 594 000 utdatatoken per uppgift.

• GPT-6 Astra — 9,6 %, tredje plats, till $53.99 per uppgift.

• Claude Fable 5.1 — 8,5 % till $67.16, den dyraste modellen på listan.

Här konkurrerar två tolkningar, och båda är korrekta. Den första är att {{1}}Carbon levererar cirka 91 % av Opus 5.5:s poäng för ungefär 32 % av kostnaden{{/1}}, vilket är ett genuint värdeargument och det som {{2}}9to5Google förde fram{{/2}}. Den andra är att ingen av modellerna slutför sju av åtta professionella uppgifter som den får. En enpoängsledning på 12 % är inte ett löst problem; det är den nuvarande gränsen för vad agenter kan göra när arbetet är långt, öppet och bedöms av en domänexpert.

SemiAnalysis publicerade en andra vy där cybersäkerhet, biologi och alignment tagits bort, och ordningen ändras: GPT-6 Astra flyttar till förstaplatsen, och Carbon faller under GPT-6.1 Sol och Claude Sonnet 5.5. Företaget säger att den vyn bättre matchar dess subjektiva intryck. Mekanismen är guardrails – en modell som avböjer en uppgift får noll poäng för den, och Carbons säkerhetsbeteende är striktare just inom de domäner där dess cyberstyrkor är störst. Så Carbons andraplats är delvis ett kapacitetsresultat och delvis ett behörighetsresultat. Om ditt arbete liknar de borttagna domänerna beskriver topprankningen inte dig.

Där Carbon faktiskt ligger före

På Intelligence Index v5.0 från Artificial Analysis ligger Carbon på 59 och Opus 5.5 på 58. En poäng, i ett sammansatt index som räknades om den 27 oktober, är inte en skillnad som är värd att migrera ett produktionssystem för. Det fastställer dock att Googles modell ligger i framkant snarare än efter, vilket är ett starkare påstående än den begränsade utrullningen gör lätt att verifiera.

Cybersiffrorna är där Carbons argument är tydligast, och de är också där källunderlaget är svagast. Googles eget testramverk anger den till 54,8 % på ExploitGym, 71,0 % på CWE-bench och 88,2 % på SEC-bench Pro. Det är stora, specifika påståenden om upptäckt och patchning av sårbarheter, och de är precis den typen av påstående som kräver en oberoende omkörning innan ett säkerhetsteam budgeterar utifrån det. GDPx:s cyberdomän är en indata till det, inte en replikering av de tre sviterna.

Priset är den tredje fördelen, med en asterisk. Med $2 / $10 är Carbons introduktionspris hälften av Opus 5.5:s $4 / $20. Med standardpriset $4 / $20 är det samma. Rabatten på 95 % för cachad indata är reell men minskar vid listpris: $0,10 per miljon cachade tokens till introduktionspriset, $0,20 till standardpriset, mot Opus 5.5:s $0,20 för cacheläsning. Kostnadsfördelen är störst i dag, medan rabatten varar, och Google har inte sagt hur länge den gäller.

Där Opus 5.5 fortfarande leder

Opus 5.5:s starkaste oberoende resultat är inte GDPx-poängen utan kodningsprofilen. Coding Agent Index från Artificial Analysis ger den 62 mot Carbons 59, och det indexet bygger på agentiska kodningskörningar snarare än engångskompletteringar. För en modell vars angivna syfte är långvarigt programvaruarbete är det det mer relevanta måttet.

Anthropics egna lanseringssiffror pekar i samma riktning, och de är leverantörsrapporterade: Terminal-Bench 4.0 på 66,4 %, FrontierCode v1.1 på 54,4 %, CursorBench 4.0 på 57,8 % och AutomationBench på 40,0 %. Testuppställningen spelar roll. Artificial Analysis mätte samma modell till 59,6 % på Terminal-Bench 4.0 vid xhigh effort, och Vals AI rapporterade 65,2 %. En spridning på sju procentenheter mellan leverantören och en oberoende testuppställning är normal för agentiska benchmarks, och det är anledningen till att en enskild rad aldrig bör avgöra ett köp.

Den oglamorösa fördelen är tillgänglighet. Opus 5.5 har ett publicerat kontextfönster, en dokumenterad utdatagräns, en batch-nivå, ett snabbläge för $8 / $40, en migreringsguide och sex veckors produktionsanvändning bakom sig. Carbon har ett blogginlägg, ett partnerprogram och en prislista. För ett team som behöver ett svar det här kvartalet avgör den skillnaden fler fall än 59 mot 58.

Vad en uppgift faktiskt kostar

GDPx:s kostnadssiffror bygger på uppmätt tokenförbrukning inom en åttatimarsbudget, inte på listpriser, så de inkluderar hur mycket varje modell väljer att skriva. Carbon använde cirka 8 % fler utdatatokens per uppgift än Opus 5.5 och kostade ändå en tredjedel så mycket, eftersom introduktionspriset är hälften och det är på inputsidan som långa agentkörningar ackumuleras. På 1 000 uppgifter är den rapporterade skillnaden ungefär 51 000 dollar mot 16 000 dollar.

Vid listpris är räkneexemplet mindre dramatiskt. En begäran med 1M indatatokens och 250K utdatatokens kostar $9 på Opus 5.5 till $4 / $20, $4,50 på Carbon till introduktionspriset $2 / $10 och $9 på Carbon till dess standardpris $4 / $20. Opus 5.5:s Batch API med 50 % rabatt landar på $2 / $10 – samma som Carbons introduktionspris – för arbete som kan vänta. När Carbons introduktionsperiod tar slut försvinner skillnaden i prislista helt; det som återstår är skillnaden i tokenanvändning per uppgift, som är liten.

Det här är den del av jämförelsen som mest sannolikt kommer att citeras utan sammanhang. "En tredjedel av kostnaden" stämmer för GDPx-körningar till dagens kampanjpriser. Det är inte en permanent egenskap hos modellen, och det är inte förhållandet du kommer att se för en batcharbetsbelastning till standardpriser.

Tillgänglighetsgapet är det verkliga beslutet

Claude Opus 5.5 är live på OrcaRouter som anthropic/claude-opus-5.5 till leverantörens listpris på $4 / $20, utan påslag, tillsammans med 200+ modeller på en enda nyckel. Att routa den är en ändring av modellsträngen, och en viktad andel med automatisk failover är det billiga sättet att testa den mot din nuvarande modell utan att satsa en produktionsväg på resultatet.

Gemini 4 Carbon finns inte på OrcaRouter och kan inte finnas där. Google har inte publicerat något modell-ID och ingen offentlig endpoint, så det finns inget att routa till; det enda ärliga påståendet är att åtkomsten går via Googles Fairwind-program och så småningom leverantörens egen API. När en offentlig endpoint väl dyker upp innebär pass-through-modellen att listpriset är det du betalar här samma dag som det ändras, i stället för en omprissatt version av det.

Det lämnar ett beslut som är snävare än vad benchmarktabellen antyder:

• Säkerhetsarbete med Fairwind-åtkomst — testa Carbon i din egen triage- och patchningskö. Leverantörens cybersiffror är de starkaste som publicerats, men de är inte replikerade, och GDPx resultat för domänomviktning säger att dess fördel är domänberoende.

• Långkörande kodagenter – Opus 5.5. Den leder det oberoende kodningsindexet, har ett dokumenterat fönster på 1 miljon token och 128K utdata, och är tillgänglig på de plattformar som de flesta företag redan har avtal med.

• Kostnadskänsligt batcharbete — Opus 5.5:s Batch API på 2 $ / 10 $ matchar Carbons introduktionspris idag och är inte beroende av en rabatt som Google kan avsluta utan förvarning.

• Ett renodlat kapacitetsspel — vänta. En ledning på en poäng i Intelligence Index och en ledning på 1,1 poäng i GDPx ligger inom bruset för val av harness, och ingen av modellerna är nära att slutföra de professionella uppgifter som GDPx ställer.

Vad skulle ändra svaret

Tre saker är värda att hålla ögonen på, och ingen av dem är ännu ett leverantörsbenchmark. Det första är en publik Carbon-slutpunkt. Tills Google släpper ett modell-ID är varje kostnadsjämförelse hypotetisk för alla utanför Fairwind, och introduktionspriset är ett löfte snarare än en faktura. Det andra är slutet på den introduktionsperioden; vid $4 / $20 är Carbons prislista identisk med Opus 5.5:s, och värdeargumentet faller tillbaka på token-effektivitet. Det tredje är en oberoende replikering av cyberresultaten. SEC-bench Pro på 88,2 % och ExploitGym på 54,8 % är siffrorna som skulle motivera en säkerhetsbudget, och de vilar för närvarande på ett enda labs testramverk.

För närvarande är den ärliga sammanfattningen snävare än vad någon av leverantörerna skulle önska. Opus 5.5 är den bättre modellen att bygga vidare på, eftersom det är den man kan bygga vidare på. Carbon är den mer intressanta modellen att hålla ögonen på, eftersom den matchar frontlinjen till ett lägre pris och ännu inte har fått bevisa det offentligt. Taket på 12 % tillhör dem båda.