GPT-6 Sol 与 Claude Opus 5.5：一个降价格，一个提完成率

据现有信息，Claude Opus 5.5 与 GPT-6 Sol 在 2026 年 9 月 23 日凌晨前后相继发布，发布时间相差约一至两个小时。Anthropic 先公布 Opus 5.5，OpenAI 随后推出 GPT-6 Sol 和 GPT-6 Luna。

这次发布的看点不只是型号从 5 变成 5.5，或者从 GPT-5.6 进入 GPT-6。两家公司都在降低使用成本，但降的是不同部分：

• GPT-6 Sol 主要降低 API 单价，目标是让接近前沿模型的能力进入高频、规模化的 Agent 工作流。
• Claude Opus 5.5 重点提升编码、知识工作和复杂任务的完成质量，同时通过缓存、输出效率和推理策略降低一次任务的总成本。

简单说，同样的活，Opus 5.5 更倾向于把结果做完整，Sol 更倾向于让你有钱反复尝试。

同一夜发布，竞争的却不是同一件事

两家公司的发布动作非常接近。OpenAI 为 Plus、Pro、Business 用户提供了一次额度重置；Anthropic 也向订阅用户提供一次可以自行选择时间使用的重置，使用有效期到 10 月 22 日。

这让不少开发者在短时间内同时面对三个新模型和两次额度重置：GPT-6 Sol、GPT-6 Luna、Claude Opus 5.5，以及两个服务平台的临时使用额度。

但这不是简单的“谁先发布、谁的型号更大”。产品定位已经出现分化。

OpenAI 把 GPT-6 产品线拆成了几个方向：

Anthropic 则把更多资源集中到 Opus 5.5。它是 Claude 5.5 系列的第一款模型，升级重点集中在长时间运行的编码 Agent、代码迁移、代码审查、知识工作和计算机操作。

两种策略很容易理解。OpenAI 想把模型能力拆成不同档位，让开发者根据任务选择成本；Anthropic 想让旗舰模型在更复杂的任务里少出错、少返工。

GPT-6 Sol：把前沿能力变成高频工具

GPT-6 Sol 的 API 价格是：

• 输入：每百万 Token 2 美元
• 输出：每百万 Token 10 美元

相比 GPT-5.6 Sol 的促销价格，输入和输出价格都降低了 50%。

这个价格并不意味着 Sol 在每项测试里都超过 GPT-6 Astra。它的卖点更接近于：用明显低于顶级模型的价格，完成足够复杂的编码和 Agent 任务。

OpenAI 还重点优化了 Prompt Caching 和推理效率。对于需要不断读取相同项目文件、产品规则、数据库结构或工具说明的 Agent 来说，缓存命中后可以减少重复输入，长任务的实际成本也会随之下降。

GPT-6 Sol 在几项测试中的表现，能说明它为什么适合规模化使用。

这些数字不能直接拼成“Sol 全面领先”。尤其是 OSWorld，两家公司使用的任务集不同；AutomationBench 和 DeepSWE 也可能在推理档位、工具配置、失败判定和 Token 消耗上存在差异。

更值得注意的是成本。OpenAI 的测试显示，GPT-6 Sol 在 AutomationBench 上的完成率不算最高，但一项任务只需要大约 0.27 美元。对于一个每天并行运行数千次的代码检查、网页操作或资料整理流程来说，这个差距会迅速放大。

GPT-6 Luna 则把价格进一步压低到：

• 输入：每百万 Token 0.10 美元
• 输出：每百万 Token 0.50 美元

部分信息还提到 Luna 的缓存输入价格为每百万 Token 0.01 美元。由于不同信息对 Sol 和 Luna 的缓存价格表述并不完全一致，不能把两个模型的缓存数字混在一起计算。

Luna 更适合做搜索、分类、信息抽取、初步检查和并行子任务。一个多模型 Agent 系统可以让 Luna 处理大量低成本工作，再把少数需要判断的任务交给 Sol 或 Astra。它的意义不只是替代某个模型，而是让整个系统可以拆成不同价格的执行层。

Opus 5.5：重点是少返工，少把任务做残

Claude Opus 5.5 的标准价格是：

• 输入：每百万 Token 4 美元
• 输出：每百万 Token 20 美元

普通输入和输出 Token 的价格相比 Opus 5 下降约 20%。Cache Read 价格则从每百万 Token 0.50 美元降到 0.20 美元，下降约 60%。Anthropic 估算，典型任务的整体成本可以下降约 40%。

这两个数字看起来容易矛盾：Token 单价只降了约 20%，为什么任务总成本能降约 40%？

因为一次任务的费用不只由 Token 单价决定。模型如果能更早找到正确方案，少调用几次工具，少修改几轮代码，少重新读取完整上下文，最终消耗的 Token 就会减少。速度提高，也会影响开发者是否愿意让 Agent 长时间运行。

Anthropic 披露，Opus 5.5 的输出速度提升超过 30%，上下文窗口为 100 万 Token，最大常规输出为 128K Token。它的 Adaptive Thinking 始终开启，开发者可以调节推理强度，默认档位是 medium。

几项基准测试显示，Opus 5.5 的提升主要集中在编码和知识工作：

在一项财报资料检索和报告任务中，Opus 5.5 运行 18 次通过 16 次，另外两款 Claude 模型在同一测试中没有通过任何一次。

还有两个更容易让人形成画面感的案例。Anthropic 称，一名早期用户使用 Opus 5.5，在一天内完成了涉及 68 万行代码的迁移。另一个 20 万行代码库的审查和修复任务中，Opus 5.5 用时不到 3 小时，Opus 5 用时超过 20 小时，后者消耗的 Token 约为前者的 2.5 倍。

这些案例来自 Anthropic 或早期用户披露，并不等于独立机构已经验证了同样的普遍表现。它们能说明模型的目标方向，却不能替代可复现的测试。

Opus 5.5 还采用了安全分级访问。在生物和网络安全任务上，它的能力接近受限模型的水平；敏感请求可能被转交给其他模型。通过审核的研究机构和安全机构，可以申请更宽松的权限。

推理更多，不一定完成得更好

模型测试中一个容易被忽略的问题，是推理档位。

在 FrontierCode v1.1 Main 中，Opus 5.5 的 medium 档得分约为 54.6%，单任务成本约 0.8 美元；max 档得分约为 54.4%，单任务成本却升到约 6.19 美元。

max 比 medium 多花了几倍成本，得分反而略低。

这并不奇怪。有些测试会惩罚超出任务范围的修改。模型思考时间增加后，可能开始重构不需要改动的文件，或者为了追求“更完整”的方案引入新的错误。更多 test-time compute 并不自动转化为更好的结果。

CodeRabbit 的多步骤代码审查测试也得出了类似观察：Opus 5.5 medium 可以达到或超过 Opus 5 high 的表现，同时只使用大约一半 Token。这个结论属于 CodeRabbit 的测试结果，不能直接扩展到所有任务，但足以提醒开发者：默认推理档位未必是最差选择。

视频生成测试中也出现了类似的成本误判。一位测评者称，Opus 5.5 生成视频耗时约 2 小时 10 分钟，但 Token 消耗不到 10 万。等待时间很长，不代表模型一直在连续思考。还可能有排队、服务调度、工具执行和生成环节。

“他其实并没有思考这么长时间，而是用的人太多了。”这句话虽然是口语化判断，却指出了一个实际问题：用户感知到的等待时间，和模型真正消耗的推理资源，不是同一个指标。

放在同一组测试里，Opus 5.5 更强，Sol 更便宜

在现有材料列出的共同测试中，Opus 5.5 的任务完成质量更高。

AutomationBench 的结果是：

• Claude Opus 5.5：40.0%
• GPT-6 Sol 最佳成绩：33.2%

FrontierCode 的结果是：

• Opus 5.5 max：54.4%
• Opus 5.5 默认档：54.6%
• GPT-6 Sol max：49.3%
• Claude Fable 5.1：50.3%

Artificial Analysis 的综合智能指数中，Opus 5.5 得分为 58 分，GPT-6 Astra 和 Fable 5.1 都低 5 分；GPT-6 Sol max 为 48 分，只比上一代高 1 分。

但同一份分析里的任务成本，给出了另一条线索：GPT-6 Sol 完成一个指数任务的平均成本约为 1.06 美元，约为 GPT-5.6 Sol 的一半。Sol 的输出 Token 使用量其实略多，成本下降主要来自价格下调。

这也是为什么不能只看综合智能指数判断 Sol 的价值。对于每天运行数千次的 Agent 系统，单次任务多花几美元，可能比模型在排行榜上少几分更重要。

OpenAI 还称，GPT-6 Sol 在内部事实准确性测试中的错误数量约为上一代的一半，可靠性接近 Astra。这个测试使用了经过匿名处理、曾被用户标记为错误的真实对话，属于 OpenAI 自己的测试口径。

至于 OSWorld，两家公司使用了不同任务集，数字不能直接比较。任何把两组分数放在同一行后直接宣布谁更强的做法，都忽略了测试条件。

视频实测：Sol 能做出来，Opus 5.5 更容易做完整

基准测试看的是完成率和分数，视频实测更容易暴露模型在细节上的差异。

在同一仓库、同一工作流和同一提示词下进行的视频生成对比中，测评者认为 Opus 5.5 的表现很突出。他多次发出“卧槽”，甚至认为生成结果需要反复观看。让他惊讶的并不是画面能动起来，而是细节、表情、肢体语言和对任务要求的理解都更完整。

他说：“这已经完全不是肢体语言的问题了，它整个的细节都有。”

GPT-6 Sol 的测试则更像一个能够快速交付初版、但仍需要人工检查的系统。

例如“骑自行车”的视频，第一次生成的动作效果较差。经过反馈修正后，模型能够表现出蹬车动作，但背景基本没有变化。

在像素风游戏测试里，Sol 可以实现音乐、道具、速度变化和多关卡等基础交互，不过关卡疑似是重复复制的，地图变化有限。生成 3D 上海地图时，画面里出现了车辆、人物、东方明珠、金茂大厦和上海环球金融中心等元素，但光影、雾感和模型细节仍比较粗糙。赛车测试中还出现建模粗糙、左右方向反转和卡顿。

这些结果不能说明 Sol 不会生成视频或游戏。恰恰相反，价格这么低，而且效果还不赖，已经足以让它适合大量试错。但如果任务要求成品有连贯的动作、稳定的镜头和细节统一，Opus 5.5 更容易减少后续返工。

多机器人仿真测试也体现出类似差异。Opus 5.5 在路线被多次拦截后，能够动态规划新的路径；GPT-6 Sol 同样可以完成动态规划。不过两次测试没有采用完全相同的随机任务设置，因此不能据此直接判断谁更强。

同一组视频里，Grok 4.7 有时出现“点不动”和过度思考的问题。这只是一次具体环境中的观察，不能扩展成对该模型整体稳定性的判断。

至于 Claude 账号或订阅使用中的封号问题，视频测评者确实提到过自己的使用体验，但这属于个人经历，不能写成 Anthropic 的普遍服务结论。

选择模型，先看你要结果还是要尝试次数

如果任务是高难度代码审查、代码迁移、长时间运行的编码 Agent，或者结果不完整会带来较高人工返工成本，Opus 5.5 更值得优先测试。

它的优势不只体现在单项跑分上，也体现在任务链条中：能否理解整个仓库，能否在工具调用后修正路线，能否避免修改无关文件，能否在报告或代码交付前补齐缺失部分。

如果任务需要高频调用、大规模并行、长上下文复用，GPT-6 Sol 更合适。比如批量检查代码、并行处理网页、反复生成多个候选方案，或者搭建需要不断试错的 Agent 系统，较低的 API 单价会直接转化为更多尝试次数。

GPT-6 Luna 则适合被放在更低成本的执行层，承担分类、搜索、抽取、初步检查和子智能体工作。它不一定负责最终决策，但能让系统用更低的价格处理大量中间步骤。

可以把选择标准列成这样：

这里的“单位任务成本”不能只看 API 账单。更准确的计算方式是：

单位任务成本 = Token 费用 + 工具调用成本 + 重试成本 + 人工检查和修复成本

一个便宜但经常输出不完整结果的模型，可能会把节省下来的 API 费用重新消耗在人工返工上。一个价格更高但能一次完成的模型，也不一定在所有场景里更划算，因为它可能承担不了大规模并发。

下一轮竞争，比较的是事情有没有完成

GPT-6 Sol 和 Claude Opus 5.5 的差别，暂时可以概括为两句话：

Opus 5.5 更接近高质量完成任务的选择。
GPT-6 Sol 更接近大规模部署和低成本试错的选择。

OpenAI 正在把前沿能力拆成不同档位，再通过降价、缓存和长任务优化，把模型推向更多调用场景。Anthropic 则在旗舰模型上继续提高编码和知识工作的完成质量，同时减少 Token、等待和返工。

这场竞争已经不只是“谁的模型分数最高”。开发者更关心它能不能持续运行，企业更关心它会不会频繁出错，产品团队更关心每完成一件事需要多少钱。

从目前这些测试和实测看，Opus 5.5 的优势是更容易把复杂任务做完整，GPT-6 Sol 的优势是让同样的预算支持更多次调用。至于哪个更值得付费，取决于错误代价和调用规模。

“我希望它们彼此竞争，最终把智能的价格打到低得离谱。”这句话代表了不少用户的期待。至少从这轮发布看，竞争已经不再只围绕模型能力上限展开，也开始围绕一件更实际的事展开：让更多人、更多系统，能够长期负担得起一次成功的任务。