Claude Opus 5.5 vs Gemini 4 Carbon：12% 的天花板与三分之一的账单

Claude Opus 5.5和Gemini 4 Carbon是 SemiAnalysis 新推出的 GDPx 基准测试中排名前两位的模型，二者差距略高于 1 个百分点：Opus 5.5 为 12.0%，Carbon 为 10.9%。更有用的数字藏在得分之下。Carbon 完成每项任务花费 16.29 美元；Opus 5.5 则需要 51.41 美元。这一行就概括了整个决策，但有一个排行榜无法展示的隐情。Opus 5.5 自 2026 年 9 月 22 日起已全面可用。Carbon 于 10 月 28 日发布，目前仍通过 Google 的 Fairwind 计划仅限网络防御合作伙伴使用，且没有公开的模型 ID。只有能下单，三分之一的费用才算划算。

GDPx v1.0 是一个新基准，于本周发布，也是首个独立评估：它用相同的测试框架在相同任务上为这两个模型打分，并报告每次运行的成本。这个时间点比排名更重要。在 Opus 5.5 发布六周后、Carbon 公布几天后，终于有了一次经过实测的比较，而不是把两张厂商表格并排放在一起。

在表格之前说明每个模型是什么

Claude Opus 5.5 是 Anthropic 当前用于长时间运行的智能体编码与知识工作的旗舰模型。它以 20% 的降价取代了 Opus 5，并具备经官方文档确认的 100 万 token 上下文窗口，也是 Anthropic 为 Claude Code 和 Claude 系列应用所主推的模型。

• 价格 — 每百万输入 token 4 美元，每百万输出 token 20 美元。批处理请求可享 5 折优惠，即 2 美元 / 10 美元。

• 上下文与输出 — 在同步 API 上支持 1M 输入 token 和 128K 输出；在使用扩展输出 beta 标头的 Batch API 上支持 300K 输出。

• 缓存 — 五分钟的缓存写入每百万 token 收费 5 美元，一小时的写入为 8 美元，缓存读取为 0.20 美元。

• 思考——自适应思考始终开启且无法禁用；默认投入级别为中等，可靠知识截止日期为2026年6月。

• 适用范围——claude-opus-5-5 下的 Claude API、Amazon Bedrock、通过 Google 托管和 Anthropic 托管两种路径提供的 Google Cloud、Microsoft Foundry，以及 AWS 上的 Claude Platform。

Gemini 4 Carbon 是谷歌最新的前沿模型，由 Koray Kavukcuoglu 于 10 月 28 日发布，号称是该公司在网络安全、长时程智能体和复杂软件工程方面最强的模型。谷歌的公告给出了三项核心宣称，却有一个显眼的遗漏：未公布上下文窗口。基准测试成绩均为谷歌自报——SEC-bench Pro 漏洞发现 88.2%、ExploitGym 漏洞利用 54.8%、CWE-bench 补丁修复 71.0%——应视为厂商自报数据，而非经独立复现的结果。

• 价格——在推广期内，每百万输入 token 为 2 美元，每百万输出 token 为 10 美元，缓存输入可享 95% 折扣；之后的标准费率为 4 美元 / 20 美元，Google 尚未说明推广定价何时结束。

• 访问权限——仅限 Fairwind，面向部分网络防御者和可信合作伙伴，更广泛的开发者、企业和消费者访问权限则承诺“尽快”提供，但未给出具体日期。

• 端点 — 无公开端点。Gemini API 仍只提供 gemini-4-argon，而非 Carbon。

• 上下文——公告中未说明。长上下文检索结果已在发布周的报道中流传，但上下文窗口本身并非已公布的规格。

这种不对称是理解这场对比时首先要明白的一点。其中一个模型是你今天就能通过 Claude API、四个云平台和十几种 SDK 调用的产品。另一个则是有等待名单的能力演示。接下来的一切都是把它们作为模型来比较；目前它们当中只有一个是可以实际部署的选项。

GDPx：206 项任务、12% 的上限与 3.2 倍的成本差距

SemiAnalysis 构建了 GDPx，作为 OpenAI GDPval 的继任者，拥有 14 个数据合作伙伴和 206 项任务，分布在 11 个专业领域：金融、法律、生物学、材料科学、芯片设计、硬件设计、网络安全、软件工程、对齐、量化交易和递归自我改进。每项任务默认有八小时预算，三次运行取平均值，各领域权重相同。在测试的 20 个模型中，只有 13 个出现在公开榜单上。

• Claude Opus 5.5 — 12.0%，排名第一，每任务 51.41 美元，每任务约 548,000 个输出 token。

• Gemini 4 Carbon — 10.9%，排名第二，每项任务 $16.29，每项任务约 594,000 个输出 token。

• GPT-6 Astra — 9.6%，排名第三，每项任务 53.99 美元。

• Claude Fable 5.1 — 8.5%，价格为 $67.16，是榜单上最昂贵的模型。

这里有两种相互竞争的解读，而两者都成立。第一种是，Carbon 以约 32% 的成本，实现了 Opus 5.5 约 91% 的得分，这确实是一个价值主张，也是 9to5Google 率先强调的一点。第二种是，对于交给这两个模型的每八个专业任务，它们都有七个无法完成。在 12% 的水平上领先一分，并不代表问题已经解决；它只体现了当工作漫长、开放且由领域专家评判时，智能体目前所能达到的边界。

SemiAnalysis 发布了第二个视图，移除了网络安全、生物学和对齐，排序也发生变化：GPT-6 Astra 升至第一，Carbon 降至 GPT-6.1 Sol 和 Claude Sonnet 5.5 之下。该公司表示，这个视图更符合其主观印象。机制在于护栏——模型拒绝某项任务就会在该项得零分，而 Carbon 的安全行为恰在其网络能力最强的领域更为严格。因此，Carbon 的第二名部分是能力结果，部分是被允许程度的结果。如果你的工作看起来像被移除的领域，那么头条排名描述的并不是你。

Carbon 真正领先的地方

在 Artificial Analysis 的 Intelligence Index v5.0 上，Carbon 得分为 59，Opus 5.5 为 58。在一个于 10 月 27 日重新基准化过的复合指标上，一分的差距并不值得为此迁移一套生产系统。但它确实说明谷歌的模型处于前沿，而非落在后面——这一说法比受限的分批发布方式所能轻易验证的更为有力。

网络领域的数字是 Carbon 论证最清晰的地方，也是来源依据最薄弱的地方。谷歌自己的评测框架显示，它在 ExploitGym 上达到 54.8%，在 CWE-bench 上达到 71.0%，在 SEC-bench Pro 上达到 88.2%。这些是关于漏洞发现与修补的大而具体的声明，而正是这类声明，需要在安全团队据此编制预算之前进行独立重跑。GDPx 的网络域是其中的一项输入，而不是对这三个测试套件的复现。

价格是第三项优势，但带有一个星号。Carbon 的 introductory 价格为 $2 / $10，是 Opus 5.5 的 $4 / $20 的一半。在 $4 / $20 的标准费率下，两者相同。95% 的缓存输入折扣确实存在，但在标价下会收窄：introductory 费率下每百万缓存 token 为 $0.10，标准费率下为 $0.20，而 Opus 5.5 的缓存读取为 $0.20。在折扣持续期间，成本优势如今最大，而 Google 并未说明这会持续多久。

Opus 5.5 在哪些方面仍然领先

Opus 5.5 最强的独立结果并非 GDPx 分数，而是编码表现。Artificial Analysis 的 Coding Agent Index 将其评为 62 分，Carbon 为 59 分，而该指数基于智能体编码运行而非单次补全构建。对于一个宣称用途是长时间运行的软件工作的模型来说，这是更贴切的衡量标准。

Anthropic 自己发布的启动数据也指向同一结论，而且这些数据由厂商报告：Terminal-Bench 4.0 为 66.4%，FrontierCode v1.1 为 54.4%，CursorBench 4.0 为 57.8%，AutomationBench 为 40.0%。测试框架很重要。Artificial Analysis 在 xhigh 推理强度下测得同一模型在 Terminal-Bench 4.0 上为 59.6%，Vals AI 则报告为 65.2%。厂商与一个独立测试框架之间出现七个百分点的差距，在智能体基准测试中很常见，这也正是单行成绩绝不应决定购买的原因。

真正的优势并不光鲜，它就是可用性。Opus 5.5 有公开的上下文窗口、有文档记录的输出上限、批处理层级、价格为 $8 / $40 的快速模式、迁移指南，以及六周的生产环境使用经验。Carbon 则只有一篇博客文章、一个合作伙伴计划和一份价格表。对于需要在本季度内拿出答案的团队来说，这一差异在更多情况下起决定作用，其影响远超 59 与 58 这种数字上的差别。

一项任务实际要花多少成本

GDPx 的成本数据衡量的是八小时预算内的 token 支出，而非标价，因此它们包含了每个模型选择写多少内容。Carbon 每项任务使用的输出 token 比 Opus 5.5 多约 8%，但成本仍只有后者的三分之一，因为入门费率仅为一半，而长时智能体运行的成本主要累积在输入侧。在 1,000 项任务上，报告的差距约为 51,000 美元对 16,000 美元。

按标价计算，差距就没那么悬殊了。一次包含 100 万输入 token 和 25 万输出 token 的请求，在 Opus 5.5 上按 $4 / $20 计为 $9，在 Carbon 上按 introductory 的 $2 / $10 计为 $4.50，在 Carbon 上按其标准 $4 / $20 计也是 $9。Opus 5.5 的 Batch API 打五折后为 $2 / $10——与 Carbon 的 introductory 费率相同——适用于可以等待的工作。当 Carbon 的 introductory 期结束后，价目表上的差异就完全消失了；剩下的只是每个任务在 token 用量上的差异，而这个差异很小。

这是对比中最容易被断章取义引用的部分。“成本的三分之一”对于按当前促销定价运行的 GDPx 来说成立。它不是该模型的永久属性，也不是你在标准费率下的批处理工作负载中会看到的比例。

真正的决策在于可用性差距。

Claude Opus 5.5 已在 OrcaRouter 上线，模型标识为 anthropic/claude-opus-5.5，采用提供商的 $4 / $20 标价，未加任何加价，并与200+ 个模型共用一个密钥。为其配置路由只需更改模型字符串，而用带自动故障转移的加权切片来测试它与你当前模型的对比，是一种低成本方式，无需拿生产路径去赌结果。

Gemini 4 Carbon 不在 OrcaRouter 上，也不可能在。Google 尚未公布模型 ID，也没有公开端点，因此没有可供路由的对象；唯一诚实的说法是，访问会经由 Google 的 Fairwind 计划，并最终通过供应商自己的 API 进行。当公开端点真正出现时，直通模式意味着你在这里支付的就是标价，且在其变更当天即如此，而不是该标价的重新定价版本。

这就留下了一个比基准表所暗示的范围更窄的决定：

• 通过 Fairwind 访问权限开展安全工作——在你自己的分类处置与补丁队列上试用 Carbon。其供应商网络安全指标是已发布数据中最强的，但尚未被复现，而且 GDPx 的领域重加权结果表明，其优势取决于具体领域。

• 长时间运行的编码代理——Opus 5.5。它在独立编码指数中位居榜首，拥有官方文档记载的 100 万 token 上下文窗口和 128K 输出，并已在大多数企业已签约的平台上提供。

• 对成本敏感的批处理任务——Opus 5.5 的 Batch API 定价为 $2 / $10，与 Carbon 目前的初始优惠费率一致，并且不依赖于 Google 可随时终止的折扣。

• 纯粹的能力押注——等等。在 Intelligence Index 上领先 1 分、在 GDPx 上领先 1.1 分，都处于评测框架选择所带来的噪声范围内，而且这两个模型都远未完成 GDPx 设定的专业任务。

什么会改变答案

有三件事值得关注，而它们都不是又一份厂商基准测试。第一是一个公开的 Carbon 端点。在 Google 发布模型 ID 之前，对 Fairwind 之外的任何人来说，所有成本比较都只是假设，而入门价格是承诺而非账单。第二是那个入门期的结束；在 $4 / $20 的价格下，Carbon 的价目表与 Opus 5.5 完全相同，价值论证又退回到 token 效率上。第三是对网络安全结果的独立复现。SEC-bench Pro 的 88.2% 和 ExploitGym 的 54.8% 才是能证明安全预算合理性的数字，而它们目前只建立在一个实验室的测试框架之上。

目前，诚实的总结比两家厂商所希望的都要狭窄。Opus 5.5 是更适合作为构建基础的模型，因为它是你真正能够依托的那一个。Carbon 是更值得关注的模型，因为它以更低的价格达到了前沿水平，却尚未被允许在公开场合证明这一点。12% 的天花板属于它们两者。