Claude Opus 5.5 和 GPT-6 Sol：一个在榜单上比前任低一名，一个编程分数不如前任

Vals AI 的综合榜单上，Opus 5.5 排在 60 个模型里的第 4 名，得分 66.16%；而它要替代的上一代 Opus 5，排第 3，得分 67.21%。

新版本比旧版本低了一名。

这个结果跟 9 月 22 日发布会上的叙事完全对不上。Anthropic 的说法是 Opus 5.5 在多数工作上达到了 Fable 5.1 的水平，Terminal-Bench 4.0 拿到 66.4%，比 Fable 5.1 的 55.8% 高出十多个点。同一天晚了不到两小时，OpenAI 放出 GPT-6 Sol，宣传重点是 DeepSWE v1.1 上 68.8%，和 Fable 5.1 的 69.9% 几乎打平，成本却只要五分之一。

两家都在拿 Fable 当参照物，两家的数字又都经不起细看。所以这篇不按发布会给的顺序讲，而是从“这些分数在哪里会失真”倒着拆。

66.4% 背后那个 ±2.6

Terminal-Bench 4.0 这一项，Opus 5.5 的领先幅度确实大，对 GPT-6 Astra 的 57.9% 也有 8.5 个点，超出误差范围。但同一份成绩单里，FrontierCode v1.1 是 54.4% 对 Astra 的 53.3%，OSWorld 2.0 是 81.8% 对 Fable 5.1 的 80.7%，这两项的差距都落在标准误以内，第三方评测机构自己也注明了，Terminal-Bench 4.0 的标准误大约是正负 2.6 个点。

另外有两项它是输的：AutomationBench 40.0% 输给 Astra 的 41.4%，Terminal-Bench-Science 58.7% 输给 Astra 的 64.6%。

Vals AI 那个排名下滑，原因也查得到。它在迭代式智能体任务上涨得很猛，Terminal-Bench 提升 16.1 个点，Terminal-Bench-Science 提升 25.7 个点；可一到依赖检索和查证的任务就往下掉：MedCode 掉了 13.8 个点，Public Benefits 掉了 6.3，Legal Research 掉了 4.8。医疗编码、法律检索这类“答案必须跟某个权威来源逐字对齐”的活，Opus 5.5 反而不如上一代。

如果你的 Agent 是做法律、医疗、报税的，迁移前一定要自己回归测试。

Sol 的分数，一半要打个问号

GPT-6 Sol 那边的问题更隐蔽。它最好看的几个数字，几乎都是在 max 或 xhigh 推理档跑出来的，而默认档是 medium。

Artificial Analysis 的智能指数把这件事量化得很清楚：Sol 开到 max 是 48 分，xhigh 44 分，high 43 分，默认的 medium 只有 40 分，关掉推理是 28 分。跑一遍指数的成本，从 low 档的 0.13 美元到 max 档的 1.06 美元，差了 8 倍。同一份评测里 Opus 5.5 是 51 分，跑一遍约 1.34 美元。

也就是说，“Sol 便宜一半还差不多强”这句话，只在你不开高档推理的时候，前半句成立；开了高档，后半句才勉强成立。两个条件很难同时满足。

还有一个更尴尬的对照：上一代 GPT-5.6 Sol 在 DeepSWE 上是 72.7%，OSWorld 是 66.2%，新一代分别是 68.8% 和 64.4%。GPT-6 Sol 在编程上其实比自己的前任弱，OpenAI 的解释是前任每个任务的花费是它的两倍以上。

这是一次降本换代，不是一次能力换代。

再补一条很少有人提的：OpenAI 系统卡里的压力测试显示，Sol 在 64.4% 的测试用例里绕过了警告，Luna 是 42.4%，Astra 只有 17.4%。便宜的型号在“听不听劝”这件事上明显更松。要把它接进有删除、转账、发邮件权限的自动化流程，这个数字比任何跑分都重要。

把两边的价格摊到同一张表上

表面看 Sol 就是半价。但有三处数字，放进真实账单会变形。

第一处是缓存读取。两家都是 0.2 美元，这一项上 Opus 5.5 不比 Sol 贵。Opus 5.5 这次缓存读取降了 60%，比输入输出单价 20% 的降幅大得多。一个每轮都要带着几十万 token 代码库上下文的编程 Agent，大头费用在缓存读取上，两家的实际差距会远小于表面的两倍。

第二处是 Anthropic 自己宣传的“典型任务省 40%”。这个数是拿 Opus 5.5 的 medium 档对比 Opus 5 的 high 档算出来的。同档位同任务，非缓存场景只省 20%，缓存重的场景约 29%。还有一个坑：会话中途切换 effort 档位会让提示缓存失效，想省钱的人随手把档位调低，反而可能让账单变高。

第三处是 Sol 的上下文。OpenAI 文档写的是 1.05M，Artificial Analysis 的页面标的是 872K。两个数字差了将近 18 万 token，接近一本长篇小说的量。在弄清楚是哪一层的限制之前，别把 90 万以上的输入直接怼进去。

从 Opus 5 升级，有四处会直接报错

很多人以为换模型就是改一个模型名。这次 Opus 5.5 的破坏性变更不少，照旧代码直接跑会碰到 400 错误：

关闭思考的写法 thinking disabled 不再被接受，思考现在是常开的自适应模式；tool_choice 设成 any 或者指定某个工具会报错，强制调用工具的写法没了；旧的电脑操作工具版本在 Claude API 和 Google Cloud 上被拒，要迁到新的工具集，只有 Amazon Bedrock 还暂时接受旧版；8 月 31 日之后注册的账号，如果在修改系统提示或工具之后回放旧的思考块，也会报 400。

最阴的是一个不报错的变化。

工具调用之间那些简短说明，现在以 thinking 块返回，不再是 text。默认显示设置下这些块看起来是空的，日志里突然少了一截，程序不会有任何提示。另外它有时会用一段文字进度汇报结束当前轮，而不是继续调工具，评测方的建议是加两到三次自动续跑。

网络安全方面也有变化：大部分安全类任务会被路由到 Opus 4.8，日常修 bug 仍然留在 Opus 5.5。做安全产品的团队，拿到的可能并不是你以为的那个模型。

差距在哪些活上会消失

这里说一个跟主流看法不太一样的判断：对大多数公司的真实工作量而言，Opus 5.5 和 Sol 的能力差距比榜单上显示的小得多。

依据还是 Artificial Analysis 的分项。编程类 Opus 5.5 是 52.5%，Sol 是 43.9%，这 8.6 个点是真差距；但商务类任务 Sol 61.7%，Opus 5.5 是 61.2%，Sol 还略高。写邮件、做表格、整理会议纪要、处理工单，这些占企业调用量大头的活，两者基本分不出高下，而 Sol 跑一遍的钱大约是 Opus 5.5 的五分之一。

再往下一档，Luna 开到 max 在 DeepSWE 上是 66.6%，跟 Sol 开 xhigh 的成绩一样，每个任务的成本却是 0.22 美元对 1.00 美元。Sol 从 xhigh 开到 max，编程成绩只多 0.8 到 2.2 个点，花费却要涨 1.6 到 2.7 倍。

所以 OpenAI 这一代的正确用法，大概率是大量用 Luna，Sol 只开到 xhigh，max 几乎可以不碰。

Opus 5.5 这边也有类似规律：编程任务里 medium 和 high 常常追平甚至超过 max，只有研究分析类任务才吃高档位。Deloitte 的一个案例里，Opus 5.5 开最低档就抓到了 72% 的 bug，Opus 5 开 high 只抓到 56%。

两边各自最难看的地方

Opus 5.5 的短板很具体：检索型任务退步，医疗和法律场景尤其明显；依然是这一组里按 token 计价最贵的模型；而且它的思考块只有 Fable 5.1 和 Mythos 5.1 能读，如果你的流程要在不同模型之间接力传递对话，换回便宜模型时上下文会断。

另外 9 月 22 日这一次发布里并没有第三方独立审计过“达到 Fable 水平”这个说法，那是厂商对自家模型的描述。

GPT-6 Sol 的短板在另一个方向：编程能力比前任 GPT-5.6 Sol 有明确倒退；绕过警告的比例是 Astra 的将近四倍；知识截止比 Opus 5.5 早了近两个月；以及上下文到底是 1.05M 还是 872K，官方和第三方各执一词。

它唯一没有争议的优势就是便宜。

放进一个团队里，我会这样派活

写代码、跑多步骤终端任务、需要在一个大仓库里连续改几十个文件的，给 Opus 5.5，档位先用 medium，别急着开 max。它在 Claude 的订阅里也可以用，这次五小时会话额度上调了 20%，重度用户手里的活能多干一截。

批量处理工单、写营销文案、做数据清洗这类重复性业务流程，给 Sol 或者直接给 Luna，推理档不超过 xhigh。ChatGPT 的免费用户在桌面端已经能用上 Luna，先用它把流程跑通再说。

法律检索、医疗编码、报税这类必须逐字对上权威来源的场景，两个都别急着换，Opus 5 和 GPT-5.6 Sol 在这类任务上反而更稳，先并行跑一段时间再切。

任何有写权限、能发消息、能动钱的自动化，别只看价格选 Sol，先看它那 64.4%。

距离 Opus 5 发布（7 月 24 日）才两个月，Anthropic 已经说 Sonnet 5.5 和 Haiku 5.5 会在“接下来几周”跟上；OpenAI 这边有消息称 GPT-6.1 Astra 也在路上。这张表的有效期，大概也就两个月。

相关对比：《Claude Fable 5.1 和 GPT-6 Astra：分数差在哪儿，钱为什么流向不一样》、《GPT-6 Astra、Claude Opus 5、DeepSeek V4 Pro：一次全球宕机之后，这三家的账怎么算》、《Kimi K2.7 Code、DeepSeek V4.1 Flash、GPT-5.6 Luna：便宜五分之一的前提，没人写在价格页上》