Opus 5.5 对 GPT-6 Sol，谁更强？

美国时间 9 月 22 日，Anthropic 发布了 Claude Opus 5.5。

大约 90 分钟后，OpenAI 发布了 GPT-6 Sol 和 GPT-6 Luna。

两家打的是同一张牌：能力不降，价格往下砍。Opus 5.5 比上一代 Opus 5 便宜约 40%，Sol 和 Luna 的 API 价格直接比上一代砍了一半。

那么这两个模型放在一起，到底谁更强？先说结论：Opus 5.5 能力更强，Sol 单价更低，但"Sol 一定更省钱"并不成立。

1、定位：一个往上够旗舰，一个往下铺主力

Anthropic 对 Opus 5.5 的说法是：大多数工作能达到自家旗舰 Claude Fable 5.1 的水平，运行成本比 Opus 5 低约 40%，输出速度快 30% 以上。

它是 Claude 5.5 系列的第一个模型，Sonnet 5.5 和 Haiku 5.5 会在接下来几周跟上。

OpenAI 这边，本月初发布的 GPT-6 Astra 才是旗舰。Sol 主打复杂编程和 Agent 工作流，Luna 负责抽取、摘要、快速问答这类大批量任务。原来夹在中间的 Terra 已经下线。

两家的产品线放在一起看：

价格单位是美元每百万 token，斜杠前是输入价，后面是输出价。

按命名对位，媒体普遍把 Sol 看作 Opus 的对手、Luna 看作 Haiku 的对手。但按价格对位，Sol 真正的同价竞品是 Claude Sonnet 5，两者都是 2 美元和 10 美元。

所以这场对比从一开始就不完全对等：Opus 5.5 的单价是 Sol 的两倍，它要证明的是多花的钱值不值。

2、价格：单价差两倍，每任务成本要看档位

先看账面价格。

Sol 的输入和输出单价正好是 Opus 5.5 的一半。缓存读取两家都是 0.20 美元，打平。

长时间跑的 Agent 会反复读同一段上下文，缓存读取往往占了账单的大头。Anthropic 这次把缓存读取从 0.50 美元砍到 0.20 美元，降了 60%，比砍单价更实在。

OpenAI 的价格还有两处细节：

• Batch 和 Flex 模式在此基础上再打五折。
• 单次请求输入超过 27.2 万 token，整次请求按长上下文计价：输入和缓存价翻倍，输出涨 50%。Sol 变成 4 美元和 15 美元，Luna 变成 0.20 美元和 0.75 美元。两个模型都号称 105 万 token 上下文，但不能拿这个长度直接乘以 2 美元。

单价只是一半。另一半是完成一个任务要用掉多少 token。

第三方评测机构 Artificial Analysis 在同一套智能指数任务上测了两家的模型。开到最高档（max）时，Opus 5.5 每个任务平均输出约 11.9 万 token，Sol 只有约 3.1 万。

这样算下来，max 档的 Opus 5.5 每任务约 6 美元，Sol 是 1.06 美元，Luna 只要 0.07 美元。单价差两倍，每任务成本差到五倍多。

但这个差距只在 max 档成立。

Opus 5.5 默认用的是中档（medium）。Anthropic 公布的 FrontierCode 数据里，Opus 5.5 中档得分 54.6%，每任务约 0.8 美元；开到 max，成本涨到约 6.19 美元，得分反而是 54.4%。

再看同一个测试里 OpenAI 公布的 Sol 数据：max 档 49.3%，每任务 2.14 美元。

两家的测试环境不完全一样，这组数字只能粗比。但它至少说明，在写代码这件事上，默认档的 Opus 5.5 分数更高，每任务成本也更低。

Artificial Analysis 也指出，Opus 5.5 的五个推理档里有四个落在"智能 vs 成本"的最优曲线上。问题在于用户会不会习惯性开到最高档。

3、能力：官方没正面交手，第三方测出了差距

看官方跑分之前要先知道一件事：两家都没拿对方的新模型比。

OpenAI 的图表拿 Sol 比的是 Claude Opus 5，因为 Opus 5.5 只比它早发一个半小时。Anthropic 比的是 GPT-6 Astra 和上一代 GPT-5.6 Sol。

所以要把两边的数字放在一起，得挑能对上的测试，还要看清各自用的是哪一档。

AutomationBench 测的是 Agent 用 47 个工具完成销售、运营、财务等真实业务流程。Opus 5.5 高出约 7 个百分点，但每任务成本是 Sol 的 4.7 倍左右。

OSWorld 的两个数字看着差了 20 多分，其实没法比。Anthropic 自己的表里 Opus 5 是 74.0%，OpenAI 给 Opus 5 标的是 60.3%，同一个模型在两家的测法下就差了十几分。

Terminal-Bench 4.0 常被拿来说事。Anthropic 公布 Opus 5.5 拿到 66.4%，但那是它的 xhigh 档对比 Astra 的 high 档，Astra 的分数还是 OpenAI 自己报的。Artificial Analysis 独立实测，Opus 5.5 是 59.6%，和 Astra 打平。OpenAI 没公布 Sol 的这项成绩。

真正在同一把尺子下量过两家的，是 Artificial Analysis 的智能指数。它综合了 10 项评测，Opus 5.5 以 58 分排第一，是该指数至今的最高分；Sol 48 分，Luna 37 分。

这张榜上 Opus 5.5 那一项标注了"带 fallback"，意思是被安全分类器拦下的任务交给其他模型完成。

Sol 的问题在于它比上一代进步不大。Artificial Analysis 的数据里，Sol 只比 GPT-5.6 Sol 高 1 分，Luna 反而比上一代低 1 分。在 GDPval-AA 知识工作测试上，Sol 退步了约 100 分，Luna 退步约 75 分，主要原因是交付物变短、常常漏掉必需的内容。

OpenAI 自己的数据也显示，Sol 在 DeepSWE 上 max 档拿到 68.8%，比上一代 GPT-5.6 Sol 的 72.7% 还低，Opus 5 是 73.7%。Sol 的卖点是用更低的成本接近这些分数，而不是超过它们。

科技媒体 The Decoder 还批评 OpenAI 的跑分"挑着报"：GDPval、Terminal-Bench 这类常规项目都没出现在发布页里。

不过 Artificial Analysis 也被质疑过。它此前因为测试集过时把 Astra 评得偏低，更新两次之后 Astra 才回到榜首。

只论能力，Opus 5.5 明显领先；Sol 的看点在于用上一代旗舰的分数，收一半的价钱。

4、上手：编程差距最明显，写作各有偏好

Anthropic 给了不少客户案例。这些是厂商挑出来的，适合当参考：

• 有测试者用 Opus 5.5 在一天内完成了 68 万行代码的迁移，官方说这原本需要一个工程团队干好几周。
• 审计并修复一个 20 万行的代码库，Opus 5.5 不到 3 小时，Opus 5 用了 20 多个小时，token 用量是前者的 2.5 倍。
• 内部把 HAProxy 从 C 改写成 Rust，Opus 5.5 和 Fable 5.1 都几乎通过了全部回归测试。Opus 5.5 用了 9.5 小时，Fable 5.1 用了 12 小时，Opus 5.5 的成本低 51%。
• 据 Marktechpost 报道，德勤说 Opus 5.5 在最低档就找出了 72% 的已知代码审查问题，Opus 5 开到高档才找出 56%。

发布当晚，科技媒体 Every 的团队做了一场直播，把 Opus 5.5 和 Sol 放在一起试。以下是个人体验，不是系统评测。

工程师 Kieran Klaassen 此前很不喜欢 Opus 5，日常主力一直是 Fable 5.1。现在他改用 Opus 5.5。在他自己的 Ruby 性能优化难题上，Opus 5.5 中档的结果超过了 Sol、Fable 和 Astra。

他还说 Opus 5.5 能稳定遵循他们团队的工程规范，而 Sol 需要反复重跑。

另一位成员 Mike Taylor 之前因为 Claude 的一些毛病转去用了 OpenAI 的 Codex，这次给 Opus 5.5 打了接近满分，只在长任务的时间把控上扣了分。

但写作上的结论正好反过来。

Every 创始人 Dan Shipper 用团队日常编辑工作做成个人测试集，排名是 Astra 第一、Sol 第二，Opus 5.5 紧随其后。他觉得 Opus 5.5 很聪明，但答案偏长，重点出来得晚；Astra 和 Sol 写得更直接。他也提醒观众，他用的是 Opus 的 high 档，评价要打个折扣。

两家这次都在改文风。Anthropic 说 Opus 5.5 改掉了用户吐槽的"Claude 腔"，重点放前面，也更能遵守你给的写作规则。OpenAI 也把 Astra 的沟通风格带到了 Sol 和 Luna 上：少行话、少废话，回答整体更短。

写代码和长任务，早期体验更偏向 Opus 5.5；要短平快的文字，Sol 更合适。

5、安全与限制：护栏会直接影响你用到的是哪个模型

OpenAI 这次把事实准确度当成主要卖点。

在一批用户标记过错误的真实对话上，Sol 的事实错误比上一代少了约一半，接近 Astra。Artificial Analysis 的幻觉测试也显示，Sol 的幻觉率从 92% 降到 60%，Luna 从 93% 降到 77%。代价是 Sol 更常拒答，准确率降了 5 个点到 54%。

OpenAI 还公布了几项对抗性测试的结果。这些测试是故意设计来诱导坏行为的，而且没有开系统级防护：

• 编程欺骗率：Sol 从上一代的 10.4% 降到 1.3%，Luna 从 9.5% 降到 2.8%。
• 遇到"access denied"这类明确禁止时，Sol 仍有 64.4% 的情况会设法绕过，上一代是 68.2%，几乎没改善。Luna 从 76.5% 降到 42.4%。

Anthropic 这边，Opus 5.5 是 CEO Dario Amodei 呼吁"控制前沿发展节奏"之后发布的第一个模型，发布前请 METR 等外部机构做了测试。

它在一套覆盖近 2000 个场景的自动化行为审计上拿到了历来最好的成绩。在一项新测试中，它试图越过边界的次数比 Opus 5 少了约 85%。

Anthropic 也承认了一个局限：Opus 5.5 经常察觉到自己正在被测试，这让评估结果能在多大程度上代表真实使用打了问号。

对用户影响最大的是改派机制。Opus 5.5 的网络安全能力很强，所以大部分网络安全任务会被转给更老的 Opus 4.8，日常找 bug、修 bug 不受影响。被分类器标记的生物和前沿大模型开发任务，会转给 Opus 5。

也就是说，在这些场景里你实际用到的不是 Opus 5.5。做安全研究或生物研究的机构，可以申请 Anthropic 的验证计划解除限制。

另外两点变化需要开发者注意：

• 防蒸馏的"preserved thinking"这次也加到了 Opus 5.5 上，禁止 API 用户改写之前的上下文来套取推理内容，只对 2026 年 8 月 31 日之后创建的 API 账号生效。
• Opus 5.5 不能再关闭 thinking 模式，API 还有一些不兼容的改动，迁移前要先测。

OpenAI 这边也有摩擦。Shipper 在直播里提到，Codex 的安全分类器会拦住 Sol 的自主操作，长任务频繁被打断。

6、结论：能力选 Opus 5.5，规模选 Sol

回到标题的问题：只论能力，Opus 5.5 更强。第三方智能指数高出 10 分，编程和知识工作测试基本都领先。

但"谁更强"不等于"该用谁"。

选 Opus 5.5 的情况：代码迁移、大型代码库审计、复杂研究报告这类长任务，返工一次的代价远高于 token 钱。用默认中档就够，别习惯性开到 max，那是成本暴涨、分数几乎不涨的一档。

选 GPT-6 Sol 的情况：业务流程自动化、需要快速验收的批量任务、要求简短直接的写作。在 AutomationBench 上，Sol 用不到 Opus 5.5 四分之一的钱，拿到了它八成多的分数。

选 GPT-6 Luna 的情况：抽取、摘要、快速问答。每任务成本只有几美分，比 Sol 低一个数量级。

还有一个容易漏掉的选项。如果你看中的是 Sol 的价格，Anthropic 同价位的是 Sonnet 5，Sonnet 5.5 也会在几周内发布，值得一起放进测试。

这次两家同一天发布，官方都在反复讲"每个任务花多少钱"，而不只是跑分更高。对企业来说，最好的办法是拿自己的真实任务，把两个模型都跑一遍，记下一次通过率、返工时间和最终花费。