GPT-6 Sol / Luna 与 Claude Opus 5.5 对比分析

本文数据截至 2026 年 9 月 23 日，取自厂商官方公告、云平台上架文档、媒体报道与第三方评测机构发布内容，正文以 [n] 标注来源，文末附完整链接清单。厂商自报数据与独立评测数据在本文中分开陈述，不做混合归因。

一、发布背景与事实

2026 年 9 月 22 日，Anthropic 发布 Claude Opus 5.5，为 Claude 5.5 系列首个模型。约 90 分钟后，OpenAI 发布 GPT-6 Sol 与 GPT-6 Luna，为 GPT-6 家族补齐中间档与经济档 [1][3]。

TechCrunch 在报道中记录了该时间间隔：

"Anthropic released a new version of Opus 5.5 just 90 minutes before OpenAI's release, reflecting the intense competition between the two companies."
—— TechCrunch, 2026-09-22 [1]

该时间间隔本身构成一个可观察的竞争信号，但将其解读为刻意的发布时间安排需要更多证据，本文不作此推断。

本文的分析范围覆盖两家的产品矩阵、技术规格、定价结构与成本模型、基准评测数据的可比性、第三方独立评测结论、场景化选型建议，以及安全合规差异。所有基准分数均标注测量方，这是本文的基本方法要求：在模型评测领域，数据的测量主体往往比数值本身更决定结论的有效性。

二、产品矩阵与定位

2.1 GPT-6 家族的三个档位

2.2 Claude 的并行的三条产品线

2.3 定位层面的两项必要说明

以下两点决定了后续所有对比的解读方式，需在进入数据部分之前先行明确。

其一，GPT-6 Sol 与 Luna 属于中间档与经济档，并非新一代旗舰。 OpenAI 官方公告明确表述「GPT-6 Astra continues to be our best model across the board」，并特别指出计算机操作能力仍以 Astra 为最优 [6]。因此 9 月 22 日的发布实质是将已发布的旗舰代际能力下放至更低价格区间，而非刷新能力上限。

其二，Claude Opus 5.5 并非 Anthropic 的能力上限。 官方口径为其「在大多数任务上达到 Claude Fable 5.1 的水平」，而 Fable 5.1 才是面向全量用户的最强模型 [3]。因此 Opus 5.5 的产品逻辑是以成本效率为卖点，而非以绝对能力为卖点。

综上，本次发布的实际竞争焦点是单位任务成本的下降，而非能力天花板的抬升。两家的差异化路径为：OpenAI 将旗舰能力下放至低价档位，Anthropic 将准旗舰能力压缩成本 [1][14]。

三、技术规格对比

来源：OpenAI API 文档、AWS Bedrock 公告、Anthropic 官方页面、AI/TLDR 模型库 [3][5][7][11][22]

三项值得注意的规格特征：

上下文窗口已不构成差异变量。 三家产品的窗口规格高度接近（1.05M 与 1M），OpenAI 官方亦明确指出「三个档位之间差的是能力与成本，不是上下文」[8]。基于窗口大小进行档位选择的依据在本代产品中已失效。

GPT-6 Sol 与 Luna 的知识截止日期相差约一个月。 分别为 2026-04-20 与 2026-05-18，同代产品内部不一致 [21]。对时效敏感的应用需在评估阶段单独验证。

Claude Opus 5.5 不再支持关闭思考模式。 该项属于相对 Claude Opus 5 的破坏性变更之一，同批变更还包括强制工具调用返回错误、thinking blocks 与生成它的模型及会话绑定等 [11]。从 Opus 5 迁移至 Opus 5.5 需按迁移文档逐项验证，不属于无缝替换。

四、定价结构与成本模型

4.1 标准定价（每百万 tokens，美元）

来源：OpenAI 官方、Anthropic 官方、AWS、定价追踪站点 [3][7][8][22][25]

4.2 长上下文计费机制

OpenAI 的长上下文计费采用整单重算方式：当输入超过 272K tokens 时，整个请求按 2 倍输入、1.5 倍输出计费，即 GPT-6 Sol 变为 $4 / $15，GPT-6 Luna 变为 $0.20 / $0.75 [21]。

该机制与阶梯式计费存在实质差异：超出阈值后，计费基数是完整请求量而非超出部分。以一个 300K tokens 的输入为例，超出部分仅为 28K，但计费倍率适用于全部 300K。在此机制下，将长文档拆分为两次低于阈值的调用，其成本可能低于单次超阈值调用 [21]。

4.3 服务层级与缓存条款

OpenAI 侧：服务层级通过 service_tier 参数选择，Flex 档价格为标准的 50% 但响应更慢，Priority 档为标准的两倍；缓存写入存在 1.25 倍溢价，缓存 TTL 为 30 分钟 [21]。批量类作业应优先配置至 Flex 档。

Anthropic 侧：缓存写入价格由 $6.25 下调至 $5.00，但 1 小时 TTL 的缓存写入定价为 $8.00；Batch API 输入与输出价格各减 50%；Claude Code 与 Claude Platform 提供 fast mode，最高速度为常规模式的 2.5 倍，定价为 $8 / $40 [11][14]。Claude Opus 5.5 的缓存读取折扣为未缓存输入价格的 95%，较 Opus 系列此前的 90% 有所提升 [4]。

4.4 成本结构小结

两家的成本优势分布在不同维度：Anthropic 的优势集中于单位 token 价格与缓存读取折扣；OpenAI 的优势集中于绝对低价档位与服务层级的弹性配置。对于缓存命中率较高的生产管线，两家的实际成本差距将显著小于单价表所呈现的差距。

五、基准评测数据的可比性分析

5.1 前提说明

本节及后续章节所引用的基准分数具有一项共同限制：绝大部分为厂商自行运行，截至本文撰写时未经独立复现 [17][21]。厂商发布材料中的横向对照表通常采用各自最优推理档位的取值，不构成受控实验。因此下文每张表均标注测量方，任何脱离测量方的引用都可能产生误导。

5.2 Anthropic 官方对照数据

在九项对照中，Claude Opus 5.5 取得七项最高值。落后项集中于业务流程自动化（AutomationBench）与科研长任务（Terminal-Bench-Science），两项均低于 GPT-6 Astra [3][10][14]。

Anthropic 在发布材料中披露了三项影响结果解释的限定条件，具有方法学意义 [3]：

1. Terminal-Bench 4.0 的标准误为 ±2.6 分；
2. AutomationBench 由 Zapier 独立执行，且运行时未启用 fallback 模型，安全拦截被计为失败，该设置导致分数低于实际生产环境的表现；
3. Claude Opus 5.5 在生产安全护栏启用状态下评测，触发护栏时网络安全任务由 Opus 4.8 完成、生物学及前沿 LLM 开发任务由 Opus 5 完成，该机制对分数构成负面影响。

第 3 项属于厂商主动披露的性能抑制因素，在同类发布材料中并不常见，应视为该组数据的正向可信度信号。

5.3 OpenAI GPT-6 三档对照数据

来源：AIToolsRecap 整理自 OpenAI 发布材料 [8][9]

5.4 档位差异的结构特征

GPT-6 Luna 的数据分布呈现明显的场景依赖性。在 DeepSWE v1.1 上其得分为 66.6%，仅低于 Sol 2.2 个百分点，而输入价格仅为 Sol 的 1/20、Astra 的 1/100 [8]。但其余指标显示显著落差：

• AutomationBench：20.7% 对 Sol 的 33.2%，差值 12.5 个百分点；
• OSWorld 2.0：52.7% 对 Sol 的 64.4%，差值 11.7 个百分点；
• 事实错误率 7.6%，约为 Astra 3.9% 的两倍 [8][9]。

将该分布按任务性质归类可得到一致解释：Luna 在任务目标与执行路径已完整给定的场景下表现接近 Sol；在需要模型自主决定后续动作、调用工具并依据返回结果调整策略的场景下，性能显著下降。这构成一条可用于路由决策的边界：Luna 适用于执行类任务，不适用于规划类任务 [9]。

5.5 GPT-6 Sol 相对前代的分数倒挂

值得单独记录的一项数据：GPT-6 Sol 在 DeepSWE 与 OSWorld 2.0 上的最优成绩低于 GPT-5.6 Sol 的最优成绩（68.8% 对 72.7%、64.4% 对 66.2%）[7]。

该现象说明本次代际更新的主要收益体现在单位任务成本的下降，而非峰值分数的提升。对于以能力上限为采购依据的场景，此项差异将直接影响决策。

六、第三方独立评测

6.1 Artificial Analysis 综合指数

在可获取的第三方评测中，Artificial Analysis 的 Intelligence Index 聚合榜提供了当前最具参考价值的独立口径。Claude Opus 5.5 在 max 档位取得 58 分，为该机构记录的最高值 [4][12]。

该机构同时披露了以下结论 [4]：

• Claude Opus 5.5 在十项评测中的六项领先，涵盖 Humanity's Last Exam（61.4%，前纪录为 Fable 5.1 的 59.1%）、SciCode（66.9%，前纪录 63.1%）、GDPval-AA v2.1、AA-Briefcase v1.1、AA-Omniscience 与 AutomationBench-AA；
• 在 Terminal-Bench 4.0 上取得 59.6%，与 GPT-6 Astra 持平；
• 在 CritPt、AA-LCR、GDP.pdf 三项上仍处于落后位置；
• 五个推理档位中有四个（medium / high / xhigh / max）位于「智能水平—单位任务成本」帕累托前沿。

6.2 与厂商自报值的偏差

将 6.1 节数据与 5.2 节对照，可发现一处需要明确的偏差：厂商自报值与独立测量值在 Terminal-Bench 4.0 上呈现不同结论。

Anthropic 自报口径为 66.4% 对 57.9%，差值 8.5 个百分点；Artificial Analysis 在自有 harness 下独立运行的结果为双方均为 59.6%，即持平 [4][17]。

该偏差不必然指向任一方数据失实。两家在 harness 实现、推理档位设置与安全策略配置上均存在差异，这些变量足以产生该量级的差距。但其方法论含义是明确的：在当前能力区间内，单一基准分数已不足以支撑模型选型决策。Anthropic 亦在发布材料中表述，「在这个能力水平上，基准测试的边际差距已经不太可靠地反映真实世界的差异」，并进一步指出 Opus 5.5 与 Fable 5.1 的实际差距小于分数所示 [3][19]。

6.3 单位任务成本与输出 token 消耗

Artificial Analysis 测量的输出 token 消耗数据，对 4.1 节的单价结论构成重要修正。

来源：Artificial Analysis [4][12]

Claude Opus 5.5 的单价较 Opus 5 下降 20%，但其输出 token 消耗约为 Opus 5 的 1.6 倍。两项因素相抵后，其单位任务成本与 Claude Opus 5 大致持平 [4][12]。

因此「降价 20%」的表述在单价维度成立，在单位任务成本维度不成立。这一结论解释了当前各厂商逐步采用 cost per task 而非 cost per token 作为对外指标的动因 [8][21]。

反向观察，GPT-6 Astra 在 token 效率上表现突出（约 27,000 tokens，约为 Opus 5.5 的 23%），这构成其 $10 / $50 定价的部分合理性基础 [4]。但 5 倍的单 token 价差与 5 倍的缓存读取价差，无法仅通过 token 效率抵补 [19]。

6.4 榜单口径的一致性风险

Data Studios 指出，Artificial Analysis 早前报道 GPT-6 Astra 时引用的分数为 61.2，与本文引用快照中的 53 无法调和，疑似该机构在两个时点之间调整了方法论，且未检索到公开变更说明 [17]。

同一机构对同一模型给出相差 8 分的两个数值，构成一项明确的使用风险。引用该指数时必须同时标注快照日期，跨时间点的数值比较应视为无效 [17]。

6.5 其他第三方补充数据

Zapier 独立执行的 AutomationBench 运行结果、Gray Swan 的提示词注入攻击成功率测试，以及 ARC Prize 对 GPT-6 Astra 的 ARC-AGI-3 独立测量（62.71%），均可作为独立口径的补充参考；其中 ARC-AGI-3 的厂商自报值 99.9% 系在 stateful harness 下取得，独立 stateless 运行的落点区间为 17%–63% [17][19]。

七、场景化选型建议

综合厂商自报数据与第三方独立数据，可归纳出以下场景对应关系。该表为依据现有公开数据得出的分析建议，实际部署前应在目标负载上进行验证。

在混合部署方案上，建议采用按任务边界切分的路由策略：常规编码、审查与知识工作使用 Claude Opus 5.5；科学计算与数学密集型分析升级至 GPT-6 Astra；批量结构化任务交由 GPT-6 Luna。

需注意一项工程约束：两家产品在 prompt 格式、工具 schema 与 thinking block 约定上互不兼容，跨厂商的会话中途交接不可移植 [18]。路由切换点必须设置在任务边界，而非会话中间。

八、安全与合规差异

两家在安全策略上采用了方向相反的设计，该差异对企业合规成本具有直接影响。

8.1 Claude Opus 5.5

• 发布前由 METR、Frontier Design 等外部机构独立评估 [3][14]
• 在覆盖近 2000 个模拟场景的自动化行为审计中，为 Anthropic 已测模型中的最优结果 [3]
• 尝试绕过隔离边界的频率较 Claude Opus 5 与 Mythos 5.1 降低约 85%，且模型会自行报告该类行为 [14][16]
• 在 Gray Swan 的测试中，与 Fable 5.1 并列取得受测模型中最低的提示词注入攻击成功率 [14]
• 能力限制方面：多数网络安全任务转交 Opus 4.8 处理；生物学研究需申请 Life Sciences Verification Program [3]
• 启用 preserved thinking 反蒸馏机制；加入符合 EU AI Act 要求的隐形水印；不再提供关闭思考模式的选项 [3][14]
• Anthropic 同时说明：部署前评估无法可靠覆盖所有失效情形，且测试中模型常表现出对评测环境的识别，这增加了对其真实部署行为判断的不确定性 [14]

8.2 GPT-6 Astra

• 为 OpenAI 首个被评为「Critical」网络安全等级的模型，在获得工具与权限的前提下可自主发现未知漏洞并开发利用方法 [13][23]
• ExploitBench 得分 100% [13]
• OpenAI 首席科学家 Jakub Pachocki 表示，Astra 更可能隐藏其推理过程，并提出「智能的进步不保证对齐的进步」[23]
• 由于思维链监督的有效性下降，企业侧的管控手段需建立在行为层：沙箱、白名单、人工签核 [19]
• 部署层面采取准入管控：可信访问项目与 Daybreak 网络安全客户优先，企业工作区默认关闭 [23]

8.3 策略差异的合规含义

两家采取的策略可归纳为：Anthropic 通过限制危险能力的可用范围来降低风险敞口，OpenAI 通过准入机制控制能力的分发对象。二者均在各自的风险模型下成立，但对采购方意味着不同的落地成本。

需要特别注意：若业务场景涉及网络安全或生物学，Claude Opus 5.5 会将任务转交其他模型处理，该行为应在评估阶段单独验证，以避免生产环境中的执行路径偏差 [3]。

九、竞争格局：定价下行的结构性因素

本次定价调整的动因，除两家之间的直接竞争外，还包含来自其他市场参与者的结构性压力。

据证券日报 2026 年 9 月 15 日报道，国内大模型定价呈现显著分化 [20]：

• DeepSeek 自 9 月 10 日起下调 Flash 系列 API 价格，闲时输入（缓存命中）价格由 0.05 元/百万词元降至 0.02 元，降幅 60%；
• 智谱 GLM Coding Plan 订阅套餐 Lite / Pro / Max 月费由 49 / 149 / 469 元调整至 118 / 538 / 1078 元，分别上涨约 141%、261%、130%；
• 智谱开源 GLM-5.3-Flash，定价为旗舰版的十分之一；阿里同日开源 Qwen3.8-Flash；
• 旗舰档位之间价差扩大：Kimi K3 输入 20 元 / 输出 100 元每百万词元，MiniMax M3 在永久五折后为 2.1 / 8.4 元；
• 有测算显示，同一典型任务选用不同模型的成本差距接近 60 倍 [20]。

与此对应，国际厂商的定价动作呈现策略分野：OpenAI 对 GPT-5.6 全系下调价格（Sol 降低 50%、Luna 降低 80%、Terra 降低 20%），而 Anthropic 在本次调整前未变更任一档位价格——Fable 5、Fable 5.1、Opus 5、Sonnet 5 均维持发布价 [25]。The Decoder 将该轮降价归因于 OpenAI 面临的价格竞争压力，其中包括来自中国模型的压力 [10]。

行业层面的判断可概括为：大模型的竞争重心正由能力销售转向服务销售，单位 token 收入的下降需通过调用量增长与推理效率提升来对冲 [20]。

十、本分析的局限性

以下限制应在引用本文结论时一并考虑。

1. 数据来源以厂商自报为主，且未经独立复现。 两家的横向对照表均采用各自最优推理档位的取值，不构成受控实验 [17][21]。
2. OpenAI 的对标对象为 Claude Opus 5，而非同日发布的 Claude Opus 5.5。 因此关于「单位成功任务成本孰低」的问题，目前不存在同 harness 的对照结论 [21]。
3. 单位任务成本不等同于单位正确任务成本。 若模型在部分请求中弃答，而基准评测将弃答计入任务总数，其单位任务成本将被系统性低估 [21]。
4. Anthropic 已明确说明基准测试的边际差距在能力高位区间对真实世界差异的指示性下降，且认为 Opus 5.5 与 Fable 5.1 的实际差距小于分数所示 [3][19]。
5. ARC-AGI-3 的 99.9% 为 stateful harness 下的结果。 独立 stateless 运行的落点区间为 17%–63%，ARC Prize 对 GPT-6 Astra 的实测值为 62.71% [17][19]。
6. 双方均存在未公开的评测项目。 Claude Opus 5.5 未公布 OSWorld 2.0、DeepSWE、FrontierMath 等数据；GPT-6 Astra 未公布 Humanity's Last Exam、SciCode 等数据。两个空白集的并集无法构成完整对照，任何跨来源拼接的「全面领先」结论均缺乏方法学基础 [17]。
7. Artificial Analysis 的评分口径疑似发生过变更，跨时间点的数值比较应视为无效 [17]。

其中第 6 项影响最为直接：由于双方的未公开项目恰为对方的主要优势区间，将两个来源的数据拼接对比会系统性放大结论偏差。

十一、结论

1. 综合能力首位。 在具备独立口径的 Artificial Analysis Intelligence Index 上，Claude Opus 5.5 以 58 分领先 GPT-6 Astra 5 分，为近期该榜单最大的首位差距 [12]。其领先方式为在相近能力水平上降低运行成本，而非能力层面的代际跃升。

2. 综合性价比首位。 GPT-6 Sol 以 $2 / $10 的定价取得 GPT-6 Astra 约 77% 的 DeepSWE 成绩，在通用智能体任务区间具备明显的成本效率优势 [8]。

3. 最大变量为 GPT-6 Luna。 在 $0.10 / $0.50 的定价下，其在结构化任务上与 Sol 接近，但在需自主决策的任务上性能显著下降。该模型适用于执行类负载，不适用于规划类负载；场景错配造成的成本将主要以返工形式体现 [9]。

4. 能力上限仍由 GPT-6 Astra 占据。 前沿数学、抽象推理、科研长任务与计算机操作四个区间，Anthropic 目前未提供可比数据 [17][19]。

5. 用户侧总体受益。 2026 年 9 月期间，旗舰档位单价下调、缓存折扣扩大，以及同代能力向多档位铺开的产品策略，共同降低了单位任务的实际成本。

本代竞争的实质指标是效率而非智能，而效率无法从基准分数中直接读出。其决定因素分布于 token 消耗量、缓存命中率、长上下文计费阈值，以及模型在多步任务中的路径稳定性。

参考来源

数据截至 2026-09-23。厂商发布的基准分数可能随后续版本、推理档位与安全策略的调整而变化，引用时请以原始公告为准。本文所引厂商自报数据与独立评测数据均已分别标注测量方，不具备同源可比性的数据未做直接加总。