GPT-6 Sol vs Claude Opus 5.5: ár, benchmarkpontszámok és programozási feladatok – melyiket válasszuk?

Nézzük először a következtetést: Általános API-programozási feladatokhoz először próbáljuk ki a GPT-6 Sol-t. A standard bemeneti/kimeneti ára $2/$10 millió tokenenként, ami mindkettő a Claude Opus 5.5 felének felel meg; az Artificial Analysis (AA) azonos értékelési rendszerének legmagasabb szintű konfigurációjában az Opus 5.5 összesített indexe 58, a Sol-é 48. A kettő viszonya nem „azonos ár, erősebb”: először a saját tárolód feladataival hasonlítsd össze az elsőre teljesített arányt, a fordulók számát, az összes tokent és a kézi újramunkálást, majd döntsd el, fizetsz-e az Opus magasabb eredményéért. Még nehezebb hosszú távú feladatoknál feljebb lehet lépni a GPT-6 Astra vagy a Claude Fable 5.1 felé; a négy modell egységára és képességei nem ugyanabban a sorrendben vannak.

Mi üzemeltetjük a Codexet és a Claude Code-ot támogató PandaNpc-t, ezért van termékhasználati esetünk; ebben a cikkben nem végeztünk négy modellen azonos feladatokból álló valós tesztet, és az alábbi nyilvános értékeléseket nem állítjuk be saját mérésként. Az ár a modell API-költségét jelenti, nem az eszköz előfizetési árát. Az adatok ellenőrzése: 2026. szeptember 23., a pénznem mindenhol amerikai dollár.

A négy modell specifikációi: először tisztázzuk a kapacitást, a kimenetet és az alapértelmezett szintet

A mobiltelefonos olvashatóság érdekében az alábbi táblázatok OpenAI és Anthropic szerint csoportosítanak; a „maximális kimenet” a válaszonkénti felső határ, a kontextus pedig a bemenethez és kimenethez együtt rendelkezésre álló ablak, ami nem jelenti azt, hogy minden alkalommal ugyanolyan hosszúságot ad ki. Az API-modellazonosítók közvetlenül használhatók a számla vagy az értékelési konfiguráció ellenőrzéséhez.

Adatok: GPT-6 Sol hivatalos modelloldala, GPT-6 Astra hivatalos modelloldala.

Adatok: Opus 5.5 hivatalos modelloldala, Fable 5.1 hivatalos modelloldala. Az Opus 300K-s kimenete csak a megadott Batch beta és output-300k-2026-03-24 header esetén érvényes, nem a szokásos interaktív kérések felső határa.

A négy modell számlázása: a normál bemenet, a gyorsítótár-írás és a találat különböző tokenek

Az alábbi táblázatok mind millió tokenenkénti dollárárat mutatnak, az adott tokenkategória egységárát. A normál bemenetre nem számít fel külön „gyorsítótár-írási díjat”; csak a gyorsítótárba először beírt tokenekre vonatkozik az írási ár. Gyorsítótár-találat esetén az olvasási ár alapján számlázunk, a kimenet továbbra is külön díjköteles. Mindkét szolgáltatónál 50% Batch bemeneti/kimeneti kedvezmény van, de a Batch aszinkron feldolgozás, ezért nem alkalmas azonnali visszajelzést igénylő programozási beszélgetésekhez.

Források: Sol, Astra, OpenAI ártáblázat, OpenAI gyorsítótár-magyarázat. A 272K feletti résznél nem csak a többletre van felár; a számlázás átlépése a teljes kérés bemeneti tokenjei alapján történik, beleértve a gyorsítótárhoz kapcsolódó bemenetet is.

Források: Opus 5.5, Fable 5.1, Anthropic árazás és Batch/gyorsítótár-szabályok, hosszú kontextus magyarázata. Az Anthropic kifejezetten engedélyezi a Batch és a gyorsítótár-kedvezmények kombinálását; a gyorsítótár-találathoz teljesülnie kell a megfelelő érvényességi időnek és az azonos előtagnak.

Ugyanabban az értékelési rendszerben a négy modell konkrét eredményei

Az alábbi táblázat teljes egészében az Artificial Analysis Intelligence Index v4.3.2-ből származik. A tesztkonfiguráció: GPT-6 Sol max, GPT-6 Astra max, valamint Claude Opus 5.5 és Fable 5.1 adaptive reasoning max effort beállítással, default fallback engedélyezve. Ezek nem a négy modell alapértelmezett szintjei, különösen az Opus alapértelmezett medium, a Fable alapértelmezett high; a különböző modelleknél még ha mindkettő max jelzést is kap, a tényleges érvelési tokenfelhasználás eltérő. Az AA egységes feladatokat és saját harness-t használ, ezért az eredmények azon a tesztkonfiguráción belül hasonlíthatók össze vízszintesen; a gyártói bemutatókon elért eredmények nem keverhetők ebbe a táblázatba. Linkek: Sol–Opus eredeti összehasonlítás, Astra–Fable eredeti összehasonlítás, AA módszertan.

A soronkénti értékek forrása mindkét fentebb hivatkozott AA azonos verziójú modell-összehasonlító oldal és az Astra–Fable oldal. Például az AA saját Terminal-Bench 4.0 harness-ében az Opus 5.5 16 százalékponttal magasabb, mint a Sol; ez nem keverhető össze az Anthropic hivatalos oldalán szereplő 66,4%-kal, mert az utóbbi futási beállításai eltérők.

A soronkénti értékek forrása: AA Sol–Opus, AA Astra–Fable. Az 1–2 százalékpontos kis eltéréseket nem érdemes szilárd győzelemként értelmezni; az Elo, az indexpont és a sikerarány szintén nem ugyanaz az egység.

A forrás továbbra is AA Sol–Opus és AA Astra–Fable. A feladatköltség az AA tesztfelhasználás súlyozott átlaga, nem a te tárolódban egy „követelmény teljesítésének” ajánlata. Az Opus max konfigurációja több kimeneti és érvelési tokent fogyaszt, ez is az egyik oka annak, hogy a számlakülönbség meghaladja az egységár-különbséget.

A két gyártó hivatalos oldalának grafikonjai: saját következtetéseiket igazolják, de nem állíthatók össze egyazon verseny győztesévé

Az OpenAI DeepSWE v1.1 grafikonja GPT-6 Sol max esetén 68,8%-ot mutat, a grafikonon a Claude Fable 5 xhigh értéke 69,9%; Opus 5.5 nincs rajta. A vízszintes tengely a feladatonkénti költség, logaritmikus skálán. A grafikonon szereplő Opus 5 szintén nem Opus 5.5. Ez azt mutatja, hogy a Sol az OpenAI által közzétett beállítások mellett a csúcskategóriás modellekhez közeli programozási agent-eredményt ér el, de nem helyettesíti a négy modell azonos körülmények közötti tesztjét.

1. ábra: OpenAI: „Introducing GPT-6 Sol and Luna”, „Programozás”, 2026-09-22. A modelleket és az effort beállítást a jelmagyarázat és az eredeti szöveg lábjegyzete szerint kell értelmezni. Nyisd meg a teljes eredeti képet az apró betűk elolvasásához.

Az Anthropic Terminal-Bench 4.0 grafikonja Claude Opus 5.5 xhigh esetén 66,4%-ot mutat. A grafikonon a GPT-6 Astra 57,9%-a high beállítással szerepel, nem GPT-6 Sol. A görbén van egy pont az alapértelmezett effort beállítással is, de annak helyét nem szabad xhigh pontszámnak tekinteni. Az itteni gyártói harness különbözik az AA fenti táblázatában szereplő Terminal-Bench 4.0-tól, ezért a 66,4%-ból nem lehet kivonni az AA által a Sol-nak adott 44%-ot.

2. ábra: Anthropic: „Claude Opus 5.5”, „Programozás”, 2026-09-22. A vízszintes tengely a kísérletenkénti költség, logaritmikus skálán; az ábrázolt szinteket, statisztikai intervallumokat és korlátozásokat lásd az eredeti szövegben. Nyisd meg a teljes eredeti képet az apró betűk elolvasásához.

Vannak olyan eredmények, amelyeket a gyártók egyoldalúan tettek közzé, és nem célszerű őket közvetlenül kivonni egymásból: az OpenAI jelentése szerint a Sol xhigh beállítással az AutomationBench 1.0.6-on 33,2%-ot, max beállítással az Agents' Last Exam V1-en 56,4%-ot, xhigh beállítással az OSWorld 2.0 offline-on 60,5%-ot ér el, forrás ugyanaz az OpenAI bejelentési oldala; az Anthropic jelentése szerint az Opus 5.5 a FrontierCode v1.1 Main-on 54,4%-ot, a CursorBench 4.0-on 57,8%-ot, a GDPval-AA v2.1-en 1846 Elo-t, a Humanity's Last Exam with tools-on 67,7%-ot ér el, forrás ugyanaz az Anthropic bejelentési oldala. Ezen elemek verziója, eszközei, effort- vagy harness-beállításai nem igazoltan azonosak a másik félével, ezért nem soroljuk fel, hogy „mennyivel vezet”. A nem publikált, négy modellre azonos módszertannal mért értékeket nem lehet kitalálni.

Mennyibe kerül ugyanakkora feladatmennyiség esetén? Öt újraszámolható példa

Az alábbiakban a bemenetet három, egymást kizáró tokenkategóriára bontjuk: normál, első gyorsítótár-írás és későbbi gyorsítótár-olvasás, majd hozzáadjuk a kimenetet. Minden sor egyetlen kérésre vonatkozik, nem tartalmazza az eszközhívásokat, a platform felárait vagy a további fordulókat; a kimenet mindegyik esetben a szokásos kérések 128K felső határa alatt van. Az árak a fenti hivatalos árak alapján számítottak, ezért a tokenek számát a saját használati naplód alapján kicserélheted.

Számítási példa: A Sol esetén = 0,1×$2 + 0,05×$10 = $0.70. B Opus 5m esetén = 0,2×$5 + 0,05×$4 + 0,02×$20 = $1.60; C Opus esetén = 0,2×$0.20 + 0,05×$4 + 0,02×$20 = $0.64. E Sol bemenete 300K, ami meghaladja a 272K-t, ezért a teljes kérésre $4 bemeneti és $15 kimeneti ár vonatkozik; az Astra esetében ez $20/$75. Az Opus/Fable 1M kontextusa a standard egységáron marad. B és C különböző kérések: az első írás, a második olvasás; C esetén gondoskodni kell arról, hogy a gyorsítótár még érvényes. Az OpenAI gyorsítótár-megőrzési ideje és az Anthropic 5m/1h számlázási mechanizmusa eltér, ezért a B írási díját nem szabad tévesen hozzáadni a C minden egyes kéréséhez. Alap: OpenAI két modell ára, Anthropic árazási szabályok.

Hogyan osszuk fel a munkát a valós programozási munkafolyamatban?

A Sol fusson először a mindennapi iterációkban. A követelmények lebontását, a meglévő tároló kisebb módosításait, a tesztjavításokat és a kötegelt ellenőrzésre alkalmas munkát először a Sol-lal végeztesd, majd jegyezd fel a feladatsikerességi arányt, az újramunkálások számát és az összes tokent. Alacsony egységára az A–D-hez hasonló, 272K-t nem átlépő példákban a legközvetlenebb; a nagyon hosszú kéréseknél az árelőny csökken.

Az Opus 5.5 kezelje a nehezen egy menetben lezárható agentfeladatokat. Az AA azonos körülmények közötti tesztje az összesített, terminál- és tudásmunkában magasabb eredményt ad neki, de max konfigurációban az egy feladatra jutó átlagos költség is jelentősen magasabb. Először az alapértelmezett medium vagy a ténylegesen használt effort beállítással érdemes helyi bázist kialakítani, majd a nehéz feladatoknál feljebb lépni. Ne tekintsd az AA max eredményét alapértelmezett élménynek.

Az Astra és a Fable 5.1 a felső kategória. Az Astra versenyképes az AA AutomationBench-AA, Terminal-Bench 4.0 és GDP.pdf mérésein, a Fable 5.1 a hosszú távú tudásmunka egyes mutatóiban erősebb, de a $10/$50-es alap bemeneti/kimeneti áruk jelentősen magasabb, mint a Sol-é. A Fable gyorsítótár-olvasása $0.25, ami alacsonyabb az Astra $1.00-jánál; ha nagy előtagot olvasol ismételten, a költségsorrend megváltozhat. Nehéz feladatoknál érdemes ugyanazon tároló követelményein négy modellből álló kis mintás átvételt végezni, és a „sikeresen befejezett és összevonható feladat költsége” alapján választani, nem egyetlen ranglista pontszáma alapján.

A PandaNpc-ben a Codex és a Claude Code két elérhető Agent Engine. A belépési pont kiválasztásakor figyelembe kell venni a meglévő előfizetésedet vagy API-csatornádat, az eszközengedélyeket, a tároló kontextusát és a csapat felülvizsgálati folyamatát; a modell API-ára nem számítható át közvetlenül eszköz-előfizetési keretre. Ez a cikk nyilvános specifikációkat és értékeléseket mutat be, nem állítja, hogy a PandaNpc-ben a négy modell valós rangsorát mérte volna.

FAQ

A Sol biztosan feleannyiba kerül, mint az Opus 5.5? Csak a standard API bemeneti és kimeneti egységára feleannyi. A 272K feletti bemenet, a gyorsítótár írása/olvasása, a tényleges érvelési tokenek, a fordulók és az eszközdíjak mind megváltoztatják a teljes feladat számláját. A fenti E forgatókönyv már $1.50 és $1.60 közé szűkítette a kettő egyszeri árát.

A két hivatalos programozási grafikon bizonyítja, ki a nyertes? Nem. Az OpenAI grafikonján nincs Opus 5.5, az Anthropic grafikonján nincs Sol, ráadásul a benchmarkok és a harnessek is eltérnek. Ha a négy modell azonos körülmények közötti eredményét szeretnéd látni, nézd meg az AA v4.3.2 fix konfigurációjú táblázatát; ha a saját eszközválasztásodról akarsz dönteni, futtasd újra a saját tárolód feladatait.

A gyorsítótár és a Batch kombinálható? Az Anthropic árazási dokumentációja kifejezetten támogatja a kombinálást; a tényleges gyorsítótár-találat az előtagtól, az érvényességi időtől és a kérés beállításaitól függ. Az OpenAI két modelljénél a Batch a standard díj 50%-a; a konkrét számlát a megfelelő API használati naplója alapján ellenőrizd.