一張生成的標題卡寫著「GPT-6.2 Sol Pro 對上 Claude Opus 5.5:能力差兩分,帳單高十倍」,上面有智慧指數 57.3 對 59.1、每項任務成本 $1.01 對 $10.04 的數字,並註明 GPT-6.2 Sol Pro 就是以推理模式設為 pro 呼叫的 gpt-6.2-sol。
Guides & Insights

GPT-6.2 Sol Pro 對決 Claude Opus 5.5:2 分差距與 10 倍帳單

作者

jinhao.song

發佈日期

最新模型 · 20查看全部模型 →
基準測試:Artificial Analysis · 每日更新
返回全部文章

如果你本週正在 GPT-6.2 Sol Pro 與 Claude Opus 5.5 之間做選擇,這兩個頭條數字指向相反方向,而兩者都沒有錯。在 Artificial Analysis 的 Intelligence Index v5.0.1 上,Claude Opus 5.5 在最大努力設定下得分 59.1,而 GPT-6.2 Sol 在最大努力設定下得分 57.3——相差 1.8 分。相同套件的每項指數任務成本:$10.04 對上 $1.01。你被問的是:兩點能力是否值得大約十倍的價格,而答案取決於你的工作負載實際上落在下列五個維度中的哪一個。

先談名稱,因為這會改變你比較的對象。GPT-6.2 Sol Pro 並不是獨立產品。它是 GPT-6.2 Sol——於 2026 年 11 月 17 日發布——在 Responses API 中以 reasoning.mode: pro 呼叫,計費依基礎模型的標準費率,只是執行更多模型運算。Anthropic 沒有對應的切換開關:Claude Opus 5.5 以單一價格執行延伸思考。因此,這場比較的一邊是可以調整的設定,另一邊則是固定的計價方式。這種不對稱正是本文的全部重點。

記分板,並附上測試框架名稱

本節中的所有內容皆為 Artificial Analysis 的獨立測量結果,而非任一供應商公布的表格。兩個模型都在相同的測試套件上以最高投入程度執行,並採用相同的評分方式,而這是這項比較唯一值得進行的方式。兩家供應商都沒有公布自家的專業模式評估。

• 智能指數 — GPT-6.2 Sol 57.3,於 11 月 18 日測量時,在榜上 58 個計分項目中排名第 5;相較之下,Claude Opus 5.5 為 59.1,排名第 4。

• 每項 Index 任務的成本 — $1.01 對比 $10.04,相差 9.9 倍。

• Terminal-Bench 4.0 — 60.1% 對 59.6%,實際上不相上下。

• Terminal-Bench Science — 67.6% 對 59.0%,是整個榜單上最大的單一差距,而且方向恰好相反。

• HLE Diamond — 64.0% 對比 67.9%。

• FrontierCode 2.0 — 44.4% 對 46.4%。

• AutomationBench — 71.3% 對比 69.5%。

• AnalystAgent — 53.8% 對 56.3%。

{{1}}AA-Omniscience{{/1}} — 在 61.6% 準確率下為 40.4,幻覺率為 55.4%;相較之下,在 65.5% 準確率下為 48.1,幻覺率為 50.3%。

• 上下文 — 1,050,000 個 token,最大輸入 922,000、最大輸出 128,000,對比 1,000,000 個 token、最大輸出 128,000。

• 價格 — 每百萬 $2.00 輸入 / $0.10 快取 / $2.50 快取寫入 / $10.00 輸出,對比 $4.00 / $0.20 / $5.00 / $20.00。

讀一讀那份清單的中段,就會看到一種被綜合指數掩蓋的模式。在終端機工作上,這兩個模型難以區分;而在科學終端機工作上,較便宜的那個以將近九分勝出。在代理式自動化套件上,它再度勝出。Opus 5.5 領先之處,在於那些有正確答案、且必須靠回想而非推導的任務——HLE Diamond、FrontierCode——以及知道自己不知道什麼;在這方面,它在全知指數上以將近八分擊敗 GPT-6.2 Sol,在準確率上則以五分勝出。

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.

為什麼帳單相差 10 倍,而價目表只相差 2 倍

標價比率是 2×:$4/$20 對上 $2/$10。實測比率是 9.9×。另外那五倍的因素,在於每個模型完成同一項任務要花多少 token,而這是這項比較中最有用的一個數字。

在最高投入程度下,Claude Opus 5.5 平均每項 Index 任務輸出 173,313 個 token——其中 120,460 個為推理、52,853 個為可見答案。GPT-6.2 Sol 平均40,360,包含 22,800 個推理與 17,561 個答案。這是在 2 倍價格比之外,又加上 4.3 倍的 token 比,兩者相乘即是你實際支付的 9.9 倍帳單。Claude Opus 5.5 的延伸思考並非額外附加在模型上的免費功能;它是帳單上的主要項目,而且就思考 token 會以輸出計費、且沒有獨立開關能讓它們更便宜這點來說,它是預設開啟的。

這也解釋了實際耗時上的差異。Opus 5.5 在最高運算強度下,平均每項任務耗時 1,475 秒;相較之下,GPT-6.2 Sol 的最高強度設定只花費四分之一的輸出權杖。一個長時程代理若每張工單執行二十次這類任務,付出的不只是十倍以上的成本,更是每項任務都讓執行緒持續開啟二十五分鐘。

這一切都不代表 Opus 5.5 的昂貴是出於誤會。Anthropic 賣的是一個思考更久、對自身斷言更謹慎的模型,而全知差距正是這筆錢所買到的東西。問題在於,你的工作負載能否從中兌現。

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.

每一款如何值回售價

如果工作成果可驗證,就選 GPT-6.2 Sol。程式碼代理、CI 修復、遷移、大量使用終端機的自動化,以及任何能靠測試套件或 shell 結束碼告訴你答案是否正確的工作。在這些任務上,你付費換取的是會受到檢查的輸出,校準落差不會讓你付出代價,因為測試框架會捕捉到錯誤,而 10 倍節省會在每次重試中複利累積。Terminal-Bench Science 的結果——67.6% 對上 59.0%——是本文中最有力的證據,證明在實證工作上,較便宜的模型並不是較弱的模型。

如果工作是長跨度、且錯誤是無聲的,就選 Claude Opus 5.5。合約審閱、研究綜合、多文件分析,任何由代理產出、而人類在沒有可先執行的測試下閱讀的東西。HLE Diamond 達到 67.9%,全知指數高出八點,描述的是一個錯誤形態不同的模型,而在未經驗證的路徑上,那個差異在衡量指標上的價值超過 2 倍。

兩者都採用,並依任務進行路由。對大多數生產系統而言,誠實的答案是:分界不在於模型對模型,而在於呼叫對呼叫。單一端點搭配路由策略,可以把驗證密集的路徑送到便宜模型,並把靜默錯誤路徑送到謹慎的模型,這正是路由 DSL 的實際職責——規則只需寫一次,而價格變動或模型淘汰會變成設定編輯,而不是遷移。

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.

這也是把兩者保留在同一把金鑰上的實際理由。在 OrcaRouter 上,openai/gpt-6.1-sol 與 anthropic/claude-opus-5.5都列於目錄中,以供應商定價提供、0% 加成——上方所列的 $2/$10 與 $4/$20 就是你實際支付的價格,而非閘道商加價後的版本。截至 11 月 18 日,GPT-6.2 Sol 尚未登上我們的目錄,因此此處任何內容都不應被解讀為聲稱它今日可透過我們呼叫;它所取代的 6.1 層級則可,而當你需要讓切換立即發生時,本次比較所對照定價的正是後者。

兩個基準測試都無法解決的專業模式問題

上方的每個數字都是標準模式下的最高努力程度,因為那正是獨立測試框架所測量的。沒有人發表過 GPT-6.2 Sol 的專業模式評估,而原因是結構性的:專業模式「彙總為產生最終答案所執行的模型工作」,並按標準費率對這些 token 計費,因此其成本取決於模型選擇在你的特定任務上額外投入多少工作。文件中沒有可供預算參考的乘數。

這個比較的後果並不對稱,這並不尋常。Opus 5.5 的成本可以事先得知——固定的 $4/$20,對照你只需測量一次的 token 用量。GPT-6.2 Sol 的成本在標準模式下可得知,在 pro 模式下則沒有上限。如果你選擇較便宜模型的理由是成本可預測性,那麼 pro 模式會部分抵銷這個理由,而 9.9× 的差距會縮小多少,只有你自己的流量能告訴你。在投入預算之前,先測量一個樣本。

這個決定,直白地說

GPT-6.2 Sol 在指數上落後 Claude Opus 5.5 達 1.8 點,但每完成一項任務的成本約便宜十倍;在構成該指數的八項評估中,它有三項領先,包括關於科學終端工作的一項。Claude Opus 5.5 是更適合處理無人檢查之工作的模型,而其領先幅度正好出現在隱性錯誤代價高昂之處。

如果你能驗證輸出,兩點的差距只是捨入誤差,十倍的帳單則不是。如果你不能驗證,十倍的帳單就是你為一個較不可能自信地出錯的模型所付的溢價。其他一切都是路由規則。

本文中的比較1

根據本文內容識別 · 基準測試:Artificial Analysis · 每日更新