一张生成的标题卡写着“GPT-6.2 Sol Pro 对比 Claude Opus 5.5:能力相差两点,账单高十倍”,其中 Intelligence Index 上的数字为 57.3 对 59.1,每任务成本为 $1.01 对 $10.04,并注明 GPT-6.2 Sol Pro 就是调用时将推理模式设为 pro 的 gpt-6.2-sol。
Guides & Insights

GPT-6.2 Sol Pro 对比 Claude Opus 5.5:2 分差距与 10 倍账单

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

如果你正在以下两者之间做选择:GPT-6.2 Sol Pro和Claude Opus 5.5,本周,两个头条数字指向相反方向,而且两者都没错。在 v5.0.1 的 Artificial Analysis Intelligence Index 上,Claude Opus 5.5 在最大努力下得分为 59.1,GPT-6.2 Sol 在最大努力下得分为 57.3——相差 1.8 分。相同测试套件的每索引任务成本为:$10.04对$1.01。你要回答的是,两点能力是否值大约十倍的价钱,而答案取决于你的工作负载实际落在下面五个维度中的哪一个。

先说名称,因为这会改变你比较的对象。GPT-6.2 Sol Pro 并不是一个独立产品。它就是GPT-6.2 Sol——于 2026 年 11 月 17 日发布——在 Responses API 中以 reasoning.mode: pro 调用,按基础模型的标准费率计费,只是执行更多模型工作。Anthropic 没有对应的开关:Claude Opus 5.5 以一个价格运行扩展思考。因此,这个比较的一边是你可以调节的配置,另一边则是固定计价。这种不对称正是整篇文章的核心。

附带测试框架名称的记分牌

本节中的所有内容均为 Artificial Analysis 的独立测量结果,而非任一厂商公布的表格。两个模型均在相同测试套件上以最大投入运行,并采用相同的评分方式,这是让这项比较具有价值的唯一方式。两家厂商均未发布自己的 pro-mode 评估。

• 智能指数 — GPT-6.2 Sol 57.3,在11月18日测得的榜单58个评分条目中位列第5;相比之下,Claude Opus 5.5 为59.1,位列第4。

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

• Terminal-Bench 4.0 — 60.1% 对 59.6%,基本持平。

• Terminal-Bench Science — 67.6% 对 59.0%,是整个榜单上最大的单项差距,而且方向相反。

HLE Diamond — 64.0% 对比 67.9%。

• FrontierCode 2.0 — 44.4% 对 46.4%。

• AutomationBench — 71.3% 对比 69.5%。

• AnalystAgent — 53.8% 对 56.3%。

• AA-Omniscience — 40.4(准确率 61.6%,幻觉率 55.4%)对比 48.1(准确率 65.5%,幻觉率 50.3%)

• 上下文 — 1,050,000 个 token(最大输入 922,000,最大输出 128,000)对比 1,000,000 个 token(最大输出 128,000)。

• 价格——每百万:输入 $2.00 / 缓存 $0.10 / 缓存写入 $2.50 / 输出 $10.00,对比 $4.00 / $0.20 / $5.00 / $20.00。

读一下那个列表的中间部分,一个被综合指数掩盖的模式就会显现出来。在终端任务上,这两个模型难以区分;而在科学终端任务上,更便宜的那个以近九分的优势获胜。在智能体自动化测试套件上,它再次获胜。Opus 5.5 领先的地方在于那些正确答案必须靠回忆而非推导的任务——HLE Diamond、FrontierCode——以及知道自己不知道什么;在这方面,它在全知指数上以近八分的优势击败 GPT-6.2 Sol,在准确率上领先五分。

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.

为什么价目表相差 2 倍,账单却相差 10 倍

标价倍率是 2×:$4/$20 对 $2/$10。实测倍率是 9.9×。另外五倍的差异在于每个模型完成同一任务所消耗的 token 数量,而这是本次比较中最有用的单个数字。

在最高努力程度下,Claude Opus 5.5 平均每个 Index 任务输出 173,313 个 token——其中 120,460 个用于推理,52,853 个是可见回答。GPT-6.2 Sol 平均40,360,其中 22,800 个用于推理,17,561 个是回答。这是在 2 倍价格比之上又叠加了 4.3 倍的 token 比率,两者相乘就是你实际支付的 9.9 倍账单。Claude Opus 5.5 的扩展思考并不是硬加到模型上的免费功能;它是账单上的主导项目,而且从某种意义上说是默认开启的:思考 token 按输出计费,没有单独的开关能让它们更便宜。

这也解释了实际耗时上的差异。在最高努力档位下,Opus 5.5 每个任务平均耗时 1,475 秒,而 GPT-6.2 Sol 的最高努力配置只消耗四分之一的输出 token。一个长周期智能体如果每张工单要跑二十个这样的任务,付出的就不只是十倍的成本;它还得让这条流程持续保持开启,每个任务长达二十五分钟。

这一切并不意味着 Opus 5.5 的高价是误打误撞。Anthropic 正在销售的是一款思考更久、对自身断言更谨慎的模型,而全知性差距正是这笔钱所买到的东西。问题在于,你的工作负载能否从中兑现。

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.

每一款如何对得起它的价格

如果工作可验证,就选择 GPT-6.2 Sol。编码智能体、CI 修复、迁移、重度依赖终端的自动化,以及任何可以通过测试套件或 shell 退出码判断答案是否正确的任务。在这些任务上,你付费购买的是经过检查的输出,校准差距不会带来任何损失,因为测试框架会捕捉到错误,而 10× 的节省会在每次重试中不断累积。Terminal-Bench Science 的结果——67.6% 对 59.0%——是本文中最有力的证据,表明在实证工作上,更便宜的模型并非更弱的模型。

如果工作是长周期的,且错误是静默的,那就选 Claude Opus 5.5。合同审查、研究综述、多文档分析,以及智能体产出、人类阅读且无需先运行测试的任何内容。HLE Diamond 得分 67.9%,全知指数高出八分,说明这个模型的错误形态与众不同;在未经验证的路径上,这种差异的价值远超评测表上的 2 倍。

两者都用,按任务路由。对大多数生产系统而言,诚实的答案是:这种分野并不是模型对模型,而是调用对调用。一个带有路由策略的单一端点,可以把验证繁重的路径交给便宜的模型,把静默错误的路径交给更谨慎的模型——这正是路由 DSL 的真正职责所在:规则只需写一次,此后价格变动或模型弃用就变成一次配置修改,而不是一次迁移。

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.

这也是将两者保留在同一个密钥上的实际理由。在 OrcaRouter 上,openai/gpt-6.1-sol和anthropic/claude-opus-5.5两者都按提供商标价、以 0% 加价列入目录——上文的 $2/$10 和 $4/$20 就是你要支付的价格,而不是网关加价后的版本。截至 11 月 18 日,GPT-6.2 Sol 尚未进入我们的目录,因此本文中的任何内容都不应被理解为声称它今天可以通过我们调用;它所取代的 6.1 层级则可以,当你需要立即完成切换时,本次比较正是以这一层级为定价基准。

两个基准测试都未能解决的 pro 模式问题

上面每一个数字都是标准模式下的最大努力,因为独立测试框架衡量的就是这个。还没有人发布过 GPT-6.2 Sol 的 pro 模式评估,原因是结构性的:pro 模式会“汇总为生成最终答案所执行的模型工作”,并按标准费率对这些 token 计费,因此其成本取决于模型针对你的特定任务选择做多少额外工作。文档中没有可供预算参考的乘数。

这一比较的后果是不对称的,这很不寻常。Opus 5.5 的成本可以预先知晓——固定的 $4/$20,对应只需测量一次的 token 数量。GPT-6.2 Sol 的成本在标准模式下可预知,在专业模式下则没有上限。如果你选择更便宜模型的理由是可预测的成本,那么专业模式会部分抵消这一理由,而 9.9× 的差距会缩小多少,只有你自己的流量能告诉你。在投入预算之前,先测量一个样本。

这个决定,直白地说

GPT-6.2 Sol 在指数上落后 Claude Opus 5.5 1.8 个指数点,但每完成一项任务的成本大约只有前者的十分之一;在构成该指数的八项评测中,它有三项领先——其中包括关于科学终端工作的那一项。Claude Opus 5.5 是更适合无人核查工作的模型,而且它的领先幅度恰好体现在静默错误代价高昂的地方。

如果你能验证输出,那两个百分点的差距就是舍入误差,而十倍的账单不是。如果你不能,那十倍的账单就是你为一种更不容易自信出错的模型所支付的溢价。其余一切不过是路由规则。

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