Claude Opus 5.5 與 Gemini 4 Carbon：12% 的上限，三分之一的帳單

Claude Opus 5.5與Gemini 4 Carbon是 SemiAnalysis 新推出的 GDPx 基準測試中排名前兩名的模型，兩者差距略超過一個百分點：Opus 5.5 為 12.0%，Carbon 為 10.9%。更有用的數字其實藏在分數底下。Carbon 每項任務花費 16.29 美元就達到這個成績；Opus 5.5 則需要 51.41 美元。這一行就道盡了整個決策，但其中有一個排行榜無法呈現的玄機。Opus 5.5 自 2026 年 9 月 22 日起已全面開放使用。Carbon 於 10 月 28 日發表，目前仍透過 Google 的 Fairwind 計畫僅限網路防禦合作夥伴使用，且沒有公開的模型 ID。費用只要三分之一，但唯有你真的下得了單，才算划算。

GDPx v1.0 是本週發布的新基準測試，也是首個獨立評估：它以相同任務、相同測試框架為這兩個模型評分，並報告每次執行的成本。這個時間點比排名更重要。在 Opus 5.5 發布六週後、Carbon 宣布幾天後，終於有了實測比較，而不是兩張並列的廠商表格。

表格之前的內容：每個模型是什麼

Claude Opus 5.5 是 Anthropic 目前專為長時間執行的代理式編碼與知識工作打造的旗艦模型。它取代了 Opus 5，價格調降 20%，並具備官方記載的 100 萬 token 上下文視窗，也是 Anthropic 為 Claude Code 與 Claude 應用程式所主打的模型。

• 價格 — 每百萬輸入 token $4，每百萬輸出 $20。批次請求享 50% 折扣，即 $2 / $10。

• 上下文與輸出 — 同步 API 支援 1M 輸入 token、128K 輸出；搭配 extended-output beta 標頭的 Batch API 則支援 300K 輸出。

• 快取 — 五分鐘的快取寫入每百萬個權杖收費 5 美元，一小時寫入為 8 美元，而快取讀取為 0.20 美元。

• 思考 — 自適應思考永遠開啟，無法停用；預設的努力程度為中等，可靠的知識截止時間為 2026 年 6 月。

• 何處 — {{1}}claude-opus-5-5{{/1}} 下的 Claude API、Amazon Bedrock、透過 Google 管理與 Anthropic 管理兩種路徑的 Google Cloud、Microsoft Foundry，以及 AWS 上的 Claude Platform。

Gemini 4 Carbon 是 Google 最新的前沿模型，由 Koray Kavukcuoglu 於 10 月 28 日宣布，號稱是該公司針對網路安全、長時程代理與複雜軟體工程最強的模型。Google 的公告提出三項主要宣稱，卻有一個顯眼的遺漏：未公布上下文視窗。這些基準宣稱皆為 Google 自行提供——SEC-bench Pro 在漏洞發現上達 88.2%、ExploitGym 在漏洞利用上達 54.8%、CWE-bench 在修補上達 71.0%——應視為廠商自述，而非經獨立重現。

• 價格 — 在初期推廣期間，每百萬個輸入 token 為 $2、每百萬個輸出 token 為 $10，快取輸入可享 95% 減免；之後的標準費率為 $4 / $20，且 Google 尚未說明此優惠價格何時結束。

• 使用權——僅限 Fairwind，開放給部分網路防禦人員與可信合作夥伴；並承諾「儘快」擴大開放給開發者、企業與一般消費者，但未提供日期。

• 端點 — 無公開端點。Gemini API 仍只提供 gemini-4-argon，而非 Carbon。

• 背景脈絡——公告中並未說明。長上下文檢索的結果已在發表當週的報導中流傳，但該視窗本身並非已公布的規格。

那種不對稱是理解這場較量時首先要明白的事。其中一個模型是你今天就能透過 Claude API、四個雲端平台和十幾種 SDK 呼叫的產品。另一個則是附有候補名單的能力展示。接下來的一切都是把它們當作模型來比較；目前只有其中一個是實際可部署的選項。

GDPx：206 項任務、12% 上限，以及 3.2 倍成本差距

SemiAnalysis 打造 GDPx，作為 OpenAI GDPval 的後繼者，並有 14 個資料合作夥伴與 206 項任務，涵蓋 11 個專業領域：金融、法律、生物學、材料科學、晶片設計、硬體設計、網路安全、軟體工程、對齊、量化交易與遞迴自我改進。每項任務預設有八小時的預算，三次執行結果取平均，且各領域權重相同。受測的 20 個模型中，只有 13 個出現在公開排行榜上。

• Claude Opus 5.5 — 12.0%，排名第一，每項任務 $51.41，且每項任務約 548,000 個輸出 token。

• Gemini 4 Carbon — 10.9%，排名第二，每項任務 $16.29，且每項任務約有 594,000 個輸出 token。

• GPT-6 Astra — 9.6%，排名第三，每項任務 $53.99。

• Claude Fable 5.1 — 8.5%，價格為 $67.16，是排行榜上最貴的模型。

這裡有兩種解讀相互競爭，而兩者都正確。第一種是：Carbon 以約 32% 的成本，交出約 Opus 5.5 分數的 91%，這確實是價值論點，也是 9to5Google 主打的那一點。第二種是：這兩個模型都無法完成每八項專業任務中的七項。在 12% 上領先一分並不是問題已解決；它只是代理在處理漫長、開放式且由領域專家評判的工作時，當前能力的極限。

SemiAnalysis 發表了第二版觀點，將網路安全、生物學與對齊移除，排名順序也隨之改變：GPT-6 Astra 升至第一，Carbon 則降至 GPT-6.1 Sol 與 Claude Sonnet 5.5 之下。該公司表示，這個觀點更符合其主觀印象。其機制在於護欄——模型若拒絕某項任務，該任務便得零分，而 Carbon 的安全行為在它網路安全優勢最大的那些領域恰恰更嚴格。因此，Carbon 的第二名部分來自能力結果，部分來自許可結果。若你的工作看起來像那些被移除的領域，頭條排名描述的並不是你。

Carbon 真正領先的地方

在 Artificial Analysis 的 Intelligence Index v5.0 上，Carbon 為 59，Opus 5.5 為 58。在一個於 10 月 27 日重新設定基準的綜合指數上，這一分之差不足以成為遷移生產系統的理由。但它確實表明 Google 的模型處於前沿，而非落後；這是一項比受限推出所能輕易驗證的更強主張。

資安數字是 Carbon 論點最清楚的地方，卻也是來源依據最薄弱的地方。Google 自家的測試框架在 ExploitGym 上把它評為 54.8%、在 CWE-bench 上評為 71.0%、在 SEC-bench Pro 上評為 88.2%。這些是關於漏洞發現與修補的重大且具體主張，而這正是安全團隊據此編列預算前，必須經過獨立重跑驗證的那類主張。GDPx 的資安領域只是其中一項輸入，並非那三套測試套件的複製。

價格是第三項優勢，但附帶一個星號。Carbon 的導入價為 $2 / $10，是 Opus 5.5 的 $4 / $20 的一半；在 $4 / $20 的標準價下則相同。95% 的快取輸入折扣確實存在，但在牌價下會縮小：導入價時每百萬個快取 token 為 $0.10，標準價時為 $0.20，而 Opus 5.5 的快取讀取為 $0.20。這項成本優勢目前最大，前提是折扣仍在；Google 尚未說明折扣會持續多久。

Opus 5.5 仍然領先之處

Opus 5.5 最強的獨立成果並非 GDPx 分數，而是其程式設計能力概況。Artificial Analysis 的 Coding Agent Index 給它 62 分，Carbon 則是 59 分，而該指數是根據代理式程式設計的執行結果建立，而非單次完成的任務。對於一個宣稱用途為長時間軟件工作的模型而言，那是更貼切的衡量方式。

Anthropic 自家的發布數據也指向同一方向，而且這些數據是廠商自行回報的：Terminal-Bench 4.0 為 66.4%、FrontierCode v1.1 為 54.4%、CursorBench 4.0 為 57.8%，AutomationBench 則為 40.0%。測試框架很重要。Artificial Analysis 在 xhigh effort 下測得同一模型於 Terminal-Bench 4.0 的成績為 59.6%，而 Vals AI 回報的則是 65.2%。廠商與某個獨立測試框架之間出現七個百分點的差距，對代理式基準測試而言很正常，這也是為什麼不該讓單一列數據決定是否購買。

不炫目的優勢在於可用性。Opus 5.5 有公開的上下文視窗、有文件記載的輸出上限、批次層級、價格為 $8 / $40 的快速模式、遷移指南，以及六週的正式環境使用經驗。Carbon 則有一篇部落格文章、一個合作夥伴計畫和一份價目表。對需要在本季度得到答案的團隊而言，這個差異比 59 對 58 更能決定多數情況。

一項任務的實際成本

GDPx 的成本數字，是在八小時預算下實測的 token 花費，而非牌價，因此也涵蓋了各模型選擇撰寫多少內容。Carbon 每項任務使用的輸出 token 比 Opus 5.5 多約 8%，成本卻仍只有三分之一，因為 introductory rate 是半價，而長時間的 agent 執行主要累積在輸入端。以 1,000 項任務計算，回報的差距約為 51,000 美元對上 16,000 美元。

按定價計算，數字就沒那麼戲劇性了。一個包含 100 萬個輸入 token 和 25 萬個輸出 token 的請求，在 Opus 5.5 上以每百萬 token $4／$20 計價，費用是 $9；在 Carbon 上以 introductory 的 $2／$10 計價，費用是 $4.50；在 Carbon 上以標準的 $4／$20 計價，費用則是 $9。Opus 5.5 的 Batch API 提供 50% 折扣，價格落在 $2／$10，與 Carbon 的 introductory 費率相同，適合可以等待的工作。當 Carbon 的 introductory 期間結束後，價目表上的差異就會完全消失；剩下的則是每個任務在 token 用量上的差異，而這個差異很小。

這是這整段比較中最容易被斷章取義的部分。「只要三分之一的成本」這句話，在目前促銷價格下的 GDPx 執行個案中確實成立。但這並非該模型恆久不變的特性，也不是你在標準費率下處理批次工作負載時會看到的比例。

可用性落差才是真正的決策

Claude Opus 5.5 已在 OrcaRouter 上線，模型代號為 anthropic/claude-opus-5.5，採用供應商 $4 / $20 的定價，未額外加價，並與200+ 款模型共用同一把金鑰。切換到它只需變更模型字串，而用加權流量切片搭配自動容錯移轉，是拿它與你現有模型做比較的低成本方式，不必把生產環境的流量押在測試結果上。

Gemini 4 Carbon 不在 OrcaRouter 上，也不可能上架。Google 尚未公布模型 ID，也沒有公開端點，因此沒有可供路由的目標；唯一誠實的說法是，存取是透過 Google 的 Fairwind 計畫，最終則是透過供應商自家的 API。一旦公開端點真的出現，直通定價模式意味著：牌價在變動當天就是你在這裡支付的價格，而不是對它重新定價後的版本。

這留下了一個比基準表所示更狹窄的決定：

• 在 Fairwind 存取權限下進行資安工作——在你自己的分流與修補佇列上試用 Carbon。其廠商網路安全數據是已發表中最強的，但尚未被重現，而 GDPx 領域重新加權的結果顯示其優勢取決於領域。

• 長時間執行的編碼代理 — Opus 5.5。它在獨立編碼指數中名列前茅，具備有文件記載的 1M token 視窗與 128K 輸出，並可在多數企業已簽約使用的平台上取得。

• 對成本敏感的批次作業 —— Opus 5.5 的 Batch API 以 $2 / $10 的價格，與 Carbon 目前的 introductory rate 相同，且不依賴 Google 可隨時無預警終止的折扣。

• 一場直接的能力賭注——且慢。一點的 Intelligence Index 領先，以及 1.1 點的 GDPx 領先，都落在 harness 選擇的雜訊範圍內，而兩個模型都還差得遠，無法完成 GDPx 所設定的專業任務。

什麼會改變答案？

有三件事值得關注，而且都不是另一家廠商的基準測試。第一是公開的 Carbon 端點。在 Google 推出模型 ID 之前，對 Fairwind 以外的任何人來說，所有成本比較都只是假設，而首發價格是承諾而非帳單。第二是那段首發優惠期的結束；在 $4 / $20 的價格下，Carbon 的價目表與 Opus 5.5 完全相同，價值論證又退回到 token 效率。第三是對資安結果的獨立複現。SEC-bench Pro 的 88.2% 與 ExploitGym 的 54.8% 是足以合理化安全預算的數字，而它們目前只建立在單一實驗室的測試框架上。

目前，誠實的總結比兩家廠商所希望的都更有限。Opus 5.5 是更適合據以建構的模型，因為它是你真的能據以建構的那一個。Carbon 是更值得觀察的模型，因為它以更低的價格達到前沿水準，卻還沒被允許在公開場合證明這一點。12% 的上限屬於它們兩者。