为 Claude Opus 5.5 对比 GPT-6.2 Sol 生成的标题卡,其中三张数据卡分别写着“相差 1.8 个指数点”“每任务成本 10 倍”和“实际耗时 3 倍”,页脚引用了 Artificial Analysis index v5.0.1 以及 GPT-6.2 Sol 于 2026 年 11 月 17 日发布的信息。右下角为 OrcaRouter 标志。
Guides & Insights

Claude Opus 5.5 对决 GPT-6.2 Sol:两分之差,三倍等待

作者

jinhao.song

发布日期

最新模型 · 20查看全部模型 →
基准测试:Artificial Analysis · 每日更新
返回全部文章

如果你问开发者这两个模型该用哪个,答案通常是一个排行榜名次。但如果你问的是一个必须在周五前交付功能的人,问题就完全不同了:得到一次回答要多久,成本又是多少。根据 Artificial Analysis 在撰写本文时的测量数据,Claude Opus 5.5在 Intelligence Index 上得分 59.1,而GPT-6.2 Sol得分为 57.3——相差 1.8 分,低于许多测试集在多次运行间的噪声水平。而在每个 Index 任务的实际耗时上,同两者分别为 24.6 分钟对 8.0 分钟。一个模型快了不止两倍,代价只是少两分;而决定大多数真实部署的,正是这个比值,而非排行榜上的名次。

日期对于理解后文很重要。Claude Opus 5.5 自 2026 年 9 月 22 日起全面可用,价格为每百万输入 token 4 美元、每百万输出 token 20 美元。GPT-6.2 Sol 在撰写本文时发布仅两天,由 Open​AI 于 2026 年 11 月 17 日发布,定价为 2 美元和 10 美元,上下文窗口为 1,050,000 token——与它所取代的模型 GPT-6.1 Sol 的价格完全一致,后者自 9 月 29 日以来一直保持 2 美元/10 美元。因此,这并不是一场久经考验的模型与一个尚无业绩记录、且价格没有变化的挑战者之间的比较;而是成熟旗舰与一次同价更新之间的比较,后者主要改变的是底层模型。

三倍延迟这一数字从何而来

问题不在于输出速度。以每秒 token 数衡量,两者比标题所暗示的更接近:GPT-6.2 Sol 为 85 tok/s,而 Claude Opus 5.5 为 117。实际上,Opus 5.5 是更快的生成器。差距在于每个模型在停止前决定生成多少 token。

Headless capture of Artificial Analysis's GPT-6.2 Sol model page, showing the model's summary panel with its Intelligence Index score of 57, its release date of 17 November 2026, output speed of 85 tokens per second, and pricing of $2.00 per million input and $10.00 per million output tokens.

在整个 Index 套件中,Artificial Analysis 记录的 Claude Opus 5.5 输出 token 为 218M,GPT-6.2 Sol 为 60.9M——在相同的一组任务上,生成 token 总量相差 3.6 倍。再乘以速度比,就得到了每任务 24.6 分钟对 8.0 分钟的结果。换句话说,Opus 5.5 慢,并不是因为它的推理速度慢。它慢是因为它思考得更久,而在这套测试框架上,多出来的思考换来了 1.8 个指数点。

这与一个仅仅资源供给不足的模型所面临的问题有着根本不同。你无法通过改用更快的提供商或增加 GPU 配额来解决它;token 数量是模型 effort 设置的一项属性。你能做的是更改 effort 设置,而对 Opus 5.5 处境的诚实描述是:其公布的数据是在最大 effort 下取得的——这一设置会同时最大化得分并恶化延迟。

两点差距发生反转的基准测试

综合指数掩盖了一种真实的分化,而这种分化沿着一条大多数团队都能在自己的待办事项中识别出的界线展开。所有数据均为 Artificial Analysis 在同一测试套件上的独立测量结果,两个模型均以最高努力程度运行。

• Intelligence Index — 59.1 对 57.3,基于 v5.0.1 修订版。

• 每个 Index 任务的成本 — $10.04 对比 $1.01,相差 9.9 倍。

• 每个 Index 任务的耗时 — 24.6 分钟 vs 8.0 分钟。

• Terminal-Bench 4.0 — 59.6% 对 60.1%,基本持平,较新的模型略微领先。

• Terminal-Bench-Science 0.1 — 59.0% 对 67.6%,GPT-6.2 Sol 以 8.6 个百分点的优势胜出,这也是本文中最大的单项差距。

• FrontierCode-AA 2.0 — 46.4% 对比 44.4%。

• HLE-Diamond — 67.9% 对比 64.0%。

• AnalystAgent — 56.3% 对 53.8%。

• AutomationBench-AA — 69.5% 对 71.3%,Sol 以微弱优势获胜。

• AA-Omniscience — 65.5% 准确率时为 48.1,而 61.6% 准确率时为 40.4。

• 上下文与输出 — 100 万 token 配 128K 输出,对比 1,050,000 token 配 922K 最大输入和 128K 输出。

Generated two-column scoreboard titled 'Claude Opus 5.5 vs GPT-6.2 Sol - the scoreboard'. Left column Claude Opus 5.5 rows: Intelligence Index 59.1, cost per task $10.04, time per task 24.6 min, Terminal-Bench Science 59.0%, HLE-Diamond 67.9%, price $4 / $20. Right column GPT-6.2 Sol rows: Intelligence Index 57.3, cost per task $1.01, time per task 8.0 min, Terminal-Bench Science 67.6%, HLE-Diamond 64.0%, price $2 / $10. Footer: both per Artificial Analysis index v5.0.1 at max effort. OrcaRouter logo bottom-right.

把终端各行放在一起看,一幅具体的图景便浮现出来。在普通的智能体终端工作中,这两个模型可以互换——无论哪个方向上 0.5 分的差距都不构成信号。在科学终端工作中,GPT-6.2 Sol 领先近 9 分,在 AutomationBench 上领先 2 分。Opus 5.5 占优的地方是召回和引用密集型分析:HLE-Diamond 领先 3.9 分,全知综合指标领先 7.7 分。

如果你的智能体在终端中运行代码,那么在这两者之间如何选择,取决于那段代码属于应用逻辑还是计算。应用逻辑:不相上下。以科学或数值计算为核心的计算任务:更便宜、更快的模型同时也是能力更强的那个,这是市场上最罕见的结果,也是支持 GPT-6.2 Sol 的最有力单一论据。

为什么价格是2倍,账单却是10倍?

标价倍率是 2×:$4/$20 对比 $2/$10。实测倍率是 9.9×。两个因素相乘得到这个结果——2× 的价格和 3.6× 的 token 比率——而之所以要明确说明这一点,是因为一个比较价格表的团队会按 2× 的差异做预算,却会得到 10× 的差异。

具体来说:按 Opus 5.5 的实测配置,10,000 个智能体任务的总成本接近 100,000 美元;同样这 10,000 个任务若放在 GPT-6.2 Sol 上,总成本则接近 10,000 美元。这是关于人员编制的决策,而不是关于优化的决策。它也是任何大规模运行智能体的人所能使用的最大单一杠杆,而 Anthrop​ic 已经在这个杠杆上行动过一次:Opus 5.5 本身就将 Opus 5 的标价降低了 20%,并将缓存读取费用降低了 60%。

缓存行为正是定价论证变得微妙的地方。Opus 5.5 的缓存读取为每百万 $0.20;GPT-6.2 Sol 的是 $0.10。但 Opus 5.5 的每任务成本由生成的 token 驱动,而非输入,而且对于把预算花在思考上的模型来说,缓存输入毫无帮助。冗长本身就是成本,而对它唯一的控制手段是努力等级——可这又会降低你付费所换取的得分。

努力程度设置实际上能换来什么

Anthropic 自己的发布材料中,Opus 5.5 在 Terminal-Bench 4.0 上为 66.4%,而 Opus 5 为 52.3%,且这个 66.4% 来自 xhigh 设置,而非模型默认的 medium。同一基准上的独立数据为 59.6%,还要更低,反映的是 Artificial Analysis 自己的配置。三个数字,一个基准,三种配置——这就是为什么本文中的每个分数都附带了产生它的评测框架。

实际后果是,1.8 个百分点的指数领先优势是在最大努力下才取得的领先,而默认设置并非最大努力。以medium部署 Opus 5.5 的团队能挽回更多延迟、少损失一些分数,而且没有公开的表格说明这最终会落在什么位置。如果这两分的差距正是你选择 Opus 5.5 的原因,请确保产生这一差距的努力设置,就是你实际会运行的那个。

同时运行两者而不做选择

这一比较之所以没有看上去那么重要,是因为这两个模型并不是真正的替代品。一个是深度推理模型,你用它慢慢攻克难题;另一个是快速、廉价的模型,你用它处理海量任务。这是一种路由配置,而不是架构决策,而且两者都通过 OrcaRouter 上的同一个密钥提供——anthropic/claude-opus-5.5按供应商自身费率、0% 加价,以及与之并列的 Open​AI 路由。

在生产中真正可行的版本是:将规划阶段交给 Opus 5.5,将执行和验证阶段交给 GPT-6.2 Sol,因为基准测试的分项结果表明,这正是两者各自擅长的领域。用 routing DSL 将二者组合成一次调用,使切换对应用不可见,并把自动故障转移放在 Opus 路由上——一个每项任务耗时以几十分钟计的模型,正是你最不希望因单一提供商故障而卡住的那种。混合成本远低于任一纯配置,而且大多数步骤的延迟表现都跟随快模型。

Headless capture of OrcaRouter's model page for anthropic/claude-opus-5.5, showing the model name and its sections for code samples, pricing, performance and public benchmarks.

需要关注什么,以及什么会改变答案

GPT-6.2 Sol 发布才两天,发布周的反响并非一致叫好——11 月 17 日关于 Astra 和 Sol 发布的报道称,重度用户发出了强烈抱怨,尤其是针对 Astra 这一侧。在第二轮测量结果出来之前,请把上文中的独立数据视为可靠信号,把论坛上的情绪视为噪音。真正能改变这一对比的,是公布 GPT-6.2 Sol 在较低推理强度设置下的得分——这能告诉你,当要求它思考的时间与 Opus 5.5 一样长时,它的速度优势是否依然存在。

另一件需要关注的事是价格。OpenAI 将 Sol 的价目表在 6.1 到 6.2 期间保持不变,同时将 Astra 的价格下调了 20%,这表明 Sol 层级被定位为靠用量而非能力取胜。如果这一判断成立,那么每任务 10 倍的差距就是结构性的,而非暂时性的,上面给出的路由答案也就成了默认做法,而不是一种巧妙的优化。

目前来看:如果你只选一个模型,而你的工作属于科学计算、高吞吐量的智能体执行,或任何对延迟敏感的任务,那么 GPT-6.2 Sol 是明显更划算的选择,1.8 分的差距并不足以真实到能撑起 10 倍的开销。如果你的工作是深度分析——在这类工作中,能准确回忆起一个事实比快速给出答案更有价值——那么该看重的是 Opus 5.5 的广博知识与 HLE 优势,而且你应该为它多花三倍时间做好预算。

本文中的对比1

根据本文内容识别 · 基准测试:Artificial Analysis · 每日更新