Một thẻ tiêu đề được tạo hiển thị 'GPT-6.2 Sol Pro so với Claude Opus 5.5: hai điểm về năng lực, gấp mười lần hóa đơn', với các con số 57.3 so với 59.1 trên Intelligence Index và chi phí $1.01 so với $10.04 mỗi tác vụ, cùng ghi chú rằng GPT-6.2 Sol Pro là gpt-6.2-sol được gọi với chế độ suy luận đặt thành pro.
Guides & Insights

GPT-6.2 Sol Pro so với Claude Opus 5.5: Khoảng cách 2 điểm và hóa đơn gấp 10 lần

Tác giả

jinhao.song

Ngày đăng

Mô hình mới nhất · 20Xem tất cả mô hình →
Benchmark: Artificial Analysis · cập nhật hằng ngày
Quay lại tất cả bài viết

Nếu bạn đang chọn giữa GPT-6.2 Sol Pro và Claude Opus 5.5 tuần này, hai con số nổi bật chỉ về hai hướng trái ngược và cả hai đều không sai. Trên Intelligence Index của Artificial Analysis ở v5.0.1, Claude Opus 5.5 ở mức nỗ lực tối đa đạt 59.1 và GPT-6.2 Sol ở mức nỗ lực tối đa đạt 57.3 — chênh lệch 1.8 điểm. Chi phí cho mỗi tác vụ chỉ số đối với cùng các bộ kiểm thử: $10.04 so với $1.01. Bạn đang được hỏi liệu hai điểm năng lực có đáng với số tiền gấp khoảng mười lần hay không, và câu trả lời phụ thuộc vào việc khối lượng công việc của bạn thực sự nằm ở chiều nào trong năm chiều dưới đây.

Một lưu ý về tên gọi trước tiên, vì nó thay đổi thứ bạn đang so sánh. GPT-6.2 Sol Pro không phải là một sản phẩm riêng. Nó là GPT-6.2 Sol — phát hành ngày 17 tháng 11 năm 2026 — được gọi với reasoning.mode: pro trong Responses API, tính phí theo mức giá tiêu chuẩn của mô hình cơ sở và chỉ đơn giản là thực hiện nhiều công việc mô hình hơn. Anthropic không có công tắc tương đương: Claude Opus 5.5 chạy extended thinking với một mức giá. Vậy nên một bên của so sánh này là một cấu hình bạn có thể điều chỉnh, còn bên kia là một cơ chế tính phí cố định. Chính sự bất đối xứng đó là toàn bộ bài viết.

Bảng điểm, với tên của các harness được gắn kèm

Mọi thứ trong phần này là phép đo độc lập của Artificial Analysis, không phải bảng công bố của bất kỳ nhà cung cấp nào. Cả hai mô hình đều được chạy ở mức nỗ lực tối đa trên cùng một bộ kiểm thử với cùng cách chấm điểm, và đó là cách duy nhất để so sánh này đáng để thực hiện. Không nhà cung cấp nào đã công bố đánh giá chế độ pro của riêng mình.

• Chỉ số Trí tuệ — GPT-6.2 Sol 57.3, đứng thứ 5 trong 58 mục được chấm điểm trên bảng xếp hạng theo số liệu đo ngày 18 tháng 11, so với Claude Opus 5.5 59.1, đứng thứ 4.

• Chi phí mỗi tác vụ Index — $1.01 so với $10.04, chênh lệch 9,9 lần.

• Terminal-Bench 4.0 — 60,1% so với 59,6%, thực tế là ngang nhau.

• Terminal-Bench Science — 67,6% so với 59,0%, khoảng cách đơn lẻ lớn nhất trên toàn bảng và nó lại đi theo chiều ngược lại.

• HLE Diamond — 64,0% so với 67,9%.

• FrontierCode 2.0 — 44.4% so với 46.4%.

• AutomationBench — 71,3% so với 69,5%.

• AnalystAgent — 53,8% so với 56,3%.

• AA-Omniscience — 40,4 ở độ chính xác 61,6% và tỷ lệ ảo giác 55,4% so với 48,1 ở độ chính xác 65,5% và tỷ lệ ảo giác 50,3%.

• Ngữ cảnh — 1.050.000 token với đầu vào tối đa 922.000 và đầu ra tối đa 128.000 so với 1.000.000 token với đầu ra tối đa 128.000.

Giá — $2.00 đầu vào / $0.10 được lưu đệm / $2.50 ghi bộ nhớ đệm / $10.00 đầu ra mỗi triệu so với $4.00 / $0.20 / $5.00 / $20.00.

Đọc phần giữa của danh sách đó và một quy luật hiện ra mà chỉ số tổng hợp che khuất. Ở các tác vụ terminal, hai mô hình không thể phân biệt được, và ở các tác vụ terminal khoa học, mô hình rẻ hơn thắng gần chín điểm. Trên các bộ kiểm thử tự động hóa dạng tác nhân, nó lại thắng. Nơi Opus 5.5 dẫn đầu là ở các tác vụ có một đáp án đúng phải được nhớ lại thay vì suy ra — HLE Diamond, FrontierCode — và ở việc biết những gì nó không biết, nơi nó đánh bại GPT-6.2 Sol gần tám điểm trên chỉ số toàn tri và năm điểm về độ chính xác.

A generated two-column comparison scoreboard titled 'GPT-6.2 Sol vs Claude Opus 5.5', with the left column GPT-6.2 Sol at 57.3 on the Intelligence Index, $1.01 cost per task, 60.1 percent on Terminal-Bench 4.0, 67.6 percent on Terminal-Bench Science, 64.0 percent on HLE Diamond and 40.4 on AA-Omniscience, and the right column Claude Opus 5.5 at 59.1, $10.04, 59.6 percent, 59.0 percent, 67.9 percent and 48.1, with a footer attributing all measurements to Artificial Analysis at max effort.

Tại sao hóa đơn lại chênh lệch 10× trong khi bảng giá chỉ chênh lệch 2×

Tỷ lệ niêm yết là 2×: $4/$20 so với $2/$10. Tỷ lệ đo được là 9.9×. Yếu tố gấp năm còn lại nằm ở số token mà mỗi mô hình dùng để hoàn thành cùng một nhiệm vụ, và đó là con số hữu ích nhất trong phép so sánh này.

Ở mức nỗ lực tối đa, Claude Opus 5.5 đạt trung bình 173,313 token đầu ra cho mỗi tác vụ Index — trong đó 120,460 là suy luận, 52,853 là câu trả lời hiển thị. GPT-6.2 Sol đạt trung bình 40,360, với 22,800 suy luận và 17,561 câu trả lời. Đó là tỷ lệ token 4.3× chồng lên tỷ lệ giá 2×, và hai yếu tố nhân với nhau thành hóa đơn 9.9× mà bạn thực sự phải trả. Suy nghĩ mở rộng của Claude Opus 5.5 không phải là một tính năng miễn phí gắn thêm vào mô hình; nó là dòng chi phí chiếm ưu thế trên hóa đơn, và nó được bật theo mặc định theo nghĩa token suy nghĩ được tính là đầu ra mà không có công tắc riêng để làm chúng rẻ hơn.

Điều này cũng giải thích sự khác biệt về thời gian thực. Opus 5.5 ở mức nỗ lực tối đa trung bình mất 1.475 giây mỗi tác vụ, so với cấu hình nỗ lực tối đa của GPT-6.2 Sol, vốn chỉ dùng một phần tư số token đầu ra. Một tác nhân tầm xa chạy hai mươi trong số này mỗi ticket không chỉ trả nhiều hơn gấp mười lần; mà còn giữ luồng mở trong hai mươi lăm phút mỗi tác vụ.

Không có điều nào trong số đó khiến Opus 5.5 đắt đỏ một cách vô tình. Anthropic đang bán một mô hình suy nghĩ lâu hơn và thận trọng hơn về những gì nó khẳng định, và chính khoảng cách về khả năng toàn tri là thứ mà số tiền đó mua được. Câu hỏi là liệu khối lượng công việc của bạn có thể thu được lợi ích từ đó hay không.

Screenshot of the Artificial Analysis page for Claude Opus 5.5, showing the model listing with its Intelligence Index, pricing of $4 input and $20 output per million tokens, a 1,000,000-token context window with 128,000 maximum output, and the site's model comparison charts.

Mỗi lựa chọn xứng đáng với giá tiền ở điểm nào

Hãy chọn GPT-6.2 Sol nếu công việc có thể kiểm chứng được.Các agent lập trình, sửa lỗi CI, di trú, tự động hóa nặng về terminal, bất cứ việc gì mà một bộ kiểm thử hay mã thoát của shell cho bạn biết câu trả lời có đúng hay không. Với những tác vụ đó, bạn đang trả tiền cho đầu ra được kiểm tra, khoảng cách hiệu chỉnh không khiến bạn tốn gì vì khung kiểm thử bắt được lỗi, và khoản tiết kiệm gấp 10 lần sẽ cộng dồn qua từng lần thử lại. Kết quả Terminal-Bench Science — 67.6% so với 59.0% — là bằng chứng mạnh nhất trong bài viết này cho thấy mô hình rẻ hơn không phải là mô hình yếu hơn trong các công việc thực nghiệm.

Hãy chọn Claude Opus 5.5 nếu công việc kéo dài trong nhiều giờ và các lỗi xảy ra một cách âm thầm. Rà soát hợp đồng, tổng hợp nghiên cứu, phân tích đa tài liệu, bất cứ thứ gì một tác nhân tạo ra mà con người đọc mà không có bài kiểm tra nào để chạy trước. HLE Diamond ở mức 67,9% và chỉ số toàn tri cao hơn tám điểm mô tả một mô hình mà những sai sót của nó có hình dạng khác đi, và trên một lộ trình chưa được kiểm chứng, khác biệt đó đáng giá hơn 2× trên thang đo.

Dùng cả hai và định tuyến theo tác vụ. Câu trả lời trung thực cho hầu hết hệ thống production là sự phân tách không phải giữa mô hình với mô hình mà là giữa lời gọi với lời gọi. Một endpoint duy nhất với chính sách định tuyến có thể gửi luồng nặng về xác minh đến mô hình rẻ và luồng lỗi âm thầm đến mô hình cẩn thận hơn, đó chính là công việc thực sự của routing DSL — bạn viết quy tắc một lần, và việc thay đổi giá hay một mô hình bị ngừng hỗ trợ trở thành một chỉnh sửa cấu hình thay vì một cuộc di trú.

Screenshot of the OrcaRouter model page for Claude Opus 5.5, showing the model ID anthropic/claude-opus-5.5, a 1,000,000-token context window with 128,000 maximum output, input pricing of $4.00 and output pricing of $20.00 per million tokens, and a description of the model as Anthropic's flagship.

Đó cũng là lập luận thực tế để giữ cả hai trên cùng một khóa. Trên OrcaRouter, openai/gpt-6.1-sol và anthropic/claude-opus-5.5 đều có trong danh mục theo giá niêm yết của nhà cung cấp với mức tăng thêm 0% — mức $2/$10 và $4/$20 ở trên là số tiền bạn trả, không phải phiên bản bị cổng dịch vụ đánh giá tăng. GPT-6.2 Sol chưa có trên danh mục của chúng tôi tính đến ngày 18 tháng 11, vì vậy không có nội dung nào ở đây nên được hiểu là tuyên bố rằng hôm nay có thể gọi nó thông qua chúng tôi; bậc 6.1 mà nó thay thế thì có, và đó là bậc mà so sánh này dùng để định giá khi bạn cần việc chuyển đổi diễn ra ngay bây giờ.

Vấn đề pro-mode mà cả hai benchmark đều không giải quyết được

Mọi con số ở trên đều là nỗ lực tối đa trong chế độ tiêu chuẩn, vì đó là thứ mà harness độc lập đo lường. Chưa ai công bố đánh giá chế độ pro của GPT-6.2 Sol, và lý do mang tính cấu trúc: chế độ pro “tổng hợp công việc của mô hình được thực hiện để tạo ra câu trả lời cuối cùng” và tính phí các token đó theo mức giá tiêu chuẩn, nên chi phí của nó là một hàm của lượng công việc bổ sung mà mô hình chọn làm cho tác vụ cụ thể của bạn. Không có hệ số nhân nào trong tài liệu để dự trù ngân sách đối chiếu.

Hệ quả của phép so sánh này là bất đối xứng, điều này không bình thường. Chi phí của Opus 5.5 có thể biết trước — mức cố định $4/$20 so với số token mà bạn có thể đo một lần. Còn chi phí của GPT-6.2 Sol thì có thể biết được ở chế độ standard và để ngỏ ở chế độ pro. Nếu lý do bạn chọn mô hình rẻ hơn là khả năng dự đoán chi phí, thì chế độ pro phần nào làm mất đi lý do đó, và khoảng cách 9,9× thu hẹp lại một mức mà chỉ lưu lượng của chính bạn mới cho bạn biết. Hãy đo một mẫu trước khi bạn cam kết ngân sách.

Quyết định, được trình bày một cách rõ ràng

GPT-6.2 Sol kém Claude Opus 5.5 1,8 điểm chỉ số và rẻ hơn khoảng mười lần cho mỗi tác vụ hoàn thành, đồng thời nó dẫn trước ở ba trong tám bài đánh giá tạo nên chỉ số — bao gồm bài đánh giá về công việc terminal khoa học. Claude Opus 5.5 là mô hình tốt hơn cho những công việc không ai kiểm tra, và nó tốt hơn với khoảng cách thể hiện rõ chính xác ở những nơi mà lỗi âm thầm gây tốn kém.

Nếu bạn có thể xác minh đầu ra, khoảng cách hai điểm chỉ là sai số làm tròn, còn hóa đơn gấp mười lần thì không. Nếu bạn không thể, hóa đơn gấp mười lần chính là khoản phí bạn trả để có một mô hình ít có khả năng mắc lỗi một cách đầy tự tin hơn. Mọi thứ còn lại chỉ là quy tắc định tuyến.

So sánh trong bài viết này1

Phát hiện từ bài viết này · Benchmark: Artificial Analysis · cập nhật hằng ngày