Claude Opus 5 vs GPT-5.6 Sol: Tolok Ukur, Harga, dan Mana yang Harus Dipilih

Jika Anda memilih model untuk pekerjaan agentik di paruh kedua 2026, daftarnya singkat, dan dua nama di dalamnya meluncur dengan selisih dua minggu. Anthropic merilis Claude Opus 5 pada 24 Juli, dan OpenAI memindahkan GPT-5.6 Sol ke ketersediaan umum pada 9 Juli. Keduanya merupakan tier flagship, ditujukan untuk tugas profesional jangka panjang, dan harga keduanya tampak hampir identik.

Dalam artikel ini, saya akan membandingkan Claude Opus 5 dan GPT-5.6 Sol pada aspek coding, penalaran, penggunaan komputer, penggunaan alat, harga, dan akses, sehingga Anda dapat memutuskan mana yang cocok dengan alur kerja Anda. Untuk ulasan mendalam tiap model secara terpisah, lihat panduan Claude Opus 5 dan panduan keluarga GPT-5.6 kami.

Ringkasnya

• Opus 5 adalah spesialis penalaran novel dan agentik; GPT-5.6 Sol adalah generalis yang lebih kuat pada terminal dan penelusuran.
• Token input berharga $5 per juta pada keduanya. Untuk output, Opus 5 lebih murah 17%.
• Pilih Opus 5 untuk masalah benar-benar baru, coding, dan penggunaan komputer. Pilih Sol untuk alur kerja terminal, agen penelusuran, dan pertahanan keamanan siber.

Apa Itu Claude Opus 5?

Claude Opus 5 adalah model tier Opus dari Anthropic, dirilis pada 24 Juli 2026, dan memberikan hasil serupa dengan Fable 5 yang bertier lebih tinggi dengan separuh harga. Ini adalah model default baru di Claude Max dan model terkuat yang tersedia di Claude Pro.

Perilaku pembeda model ini adalah persistensi. Menurut Anthropic, Opus 5 memverifikasi pekerjaannya sendiri dan beriterasi hingga berhasil alih-alih berhenti pada sesuatu yang sekadar masuk akal, serta melaporkan skor audit perilaku tidak selaras sebesar 2,3—terendah di antara model Anthropic terbaru. Konteks mencapai 1M token dengan batas output 128K, dan kemampuan "berpikir" aktif secara default.

Jika Anda ingin membangunnya alih-alih sekadar membaca, tutorial API Claude Opus 5 kami memandu pembuatan agen perbaikan bug dan melakukan benchmark di kelima tingkat upaya.

Apa Itu GPT-5.6 Sol?

GPT-5.6 Sol adalah flagship keluarga GPT-5.6 dari OpenAI, yang mencapai ketersediaan umum pada 9 Juli 2026 setelah pratinjau terbatas. Keluarga ini memiliki tiga tier:

• Sol: model flagship dengan performa tertinggi
• Terra: model seimbang untuk penggunaan sehari-hari
• Luna: opsi hemat biaya

OpenAI menggambarkan Sol memberikan hasil mutakhir untuk coding, pekerjaan berbasis pengetahuan, keamanan siber, dan sains, sambil menghabiskan token lebih sedikit dibanding model yang dikalahkannya.

Fitur utama Sol adalah ultra, pengaturan penalaran yang secara default mengoordinasikan empat agen dalam alur kerja paralel. OpenAI juga menambahkan Programmatic Tool Calling di Responses API, yang memungkinkan model menulis dan menjalankan program kecil untuk mengorkestrasi alat dan memfilter data antara alih-alih mengirim ulang setiap respons alat melalui model.

Untuk detail struktur keluarga dan catatan selama masa pratinjau, lihat rangkuman GPT-5.6 kami. Kami juga membahas klaim contoh tandingan GPT-5.6 Pro terhadap dugaan Dinitz-Garg-Goemans, yang sejauh ini merupakan hal paling menarik yang dilakukan siapa pun dengan keluarga ini.

Claude Opus 5 vs GPT-5.6 Sol: Perbandingan Langsung

Berikut ringkasan sebelum saya masuk ke tiap dimensi.

Penalaran novel dan masalah abstrak

Di sinilah kedua model paling jauh berbeda, jadi saya mulai dari sini. ARC-AGI-3 meminta model memecahkan masalah yang tidak ditemui saat pelatihan, menjadikannya ujian paling mendekati penalaran alih-alih ingatan.

Opus 5 mencetak 30,2%. GPT-5.6 Sol mencetak 7,78%, meskipun merupakan model peringkat kedua di papan peringkat. Sebagai perbandingan, Gemini 3.1 Pro Preview hanya mencapai 0,42%. Untuk memberi konteks angka Opus 5, Opus 4.8 mencetak 1,5% dua bulan sebelumnya—lonjakan dua puluh kali dalam satu generasi Anthropic.

Saya ingin berhati-hati soal makna selisih 4x pada satu tolok ukur. ARC-AGI-3 sengaja dibuat memusuhi penghafalan, dan skor 30,2% masih berarti mayoritas kegagalan. Namun jika pekerjaan Anda melibatkan masalah yang tidak menyerupai apa pun dalam korpus pelatihan, ini adalah angka paling relevan di seluruh perbandingan, dan selisihnya jauh.

Coding dan rekayasa agentik

Pada coding, hasilnya terbagi—bukan satu model menyapu bersih. Masing-masing vendor unggul pada tolok ukur yang mereka tekankan, persis seperti yang diharapkan dan alasan mengapa Anda perlu membaca melampaui klaim utama.

Pola menjadi jelas saat Anda memisahkan pekerjaan repositori dari pekerjaan terminal. Opus 5 unggul pada SWE-Bench Pro hampir 15 poin dan lebih dari dua kali lipat skor Frontier-Bench Opus 4.8, yang mengukur rekayasa perangkat lunak agentik pada tugas seperti merekonstruksi komponen mesin di FreeCAD dari gambar teknis. Contoh Anthropic sendiri layak dikutip: tanpa cara melihat gambar, Opus 5 menulis pipeline visi komputer sendiri untuk mengekstrak geometri dari piksel mentah, dan tidak ada model pesaing yang menyelesaikannya dalam lima percobaan.

Sol menguasai terminal, tetapi marginnya lebih kecil dibanding versi sebelumnya. Ia seri dengan Opus 5 pada Terminal-Bench 2.1, namun terdorong ke 91,9% saat ultra diaktifkan. Sol juga unggul pada DeepSWE v1.1, uji rekayasa berjangka panjang pada kode nyata, sebesar 3,9 poin sambil menggunakan kurang dari setengah token output Fable 5 dan sekitar sepertiga biaya lebih rendah.

Satu hal dari pekerjaan praktik kami: saat kami membangun agen perbaikan bug dengan Opus 5 dan menjalankannya pada kelima tingkat upaya, upaya low memperbaiki bug pada ketiga percobaan, sementara upaya max gagal pada satu dari tiga. Percobaan yang gagal itu mengembalikan laporan yang valid secara skema namun kosong sama sekali, tanpa panggilan alat dan kolom akar masalah diisi "b0". Pelajarannya: output terstruktur menjamin struktur, bukan substansi, dan upaya lebih tinggi tidak otomatis lebih baik. Detail lengkap ada di tutorial API Opus 5 kami.

Menurut saya: jika agen Anda hidup di shell dan Anda bisa menanggung ultra, Sol sedikit unggul. Jika mereka hidup di repositori dan perlu menalar arsitektur lintas banyak berkas, Opus 5 lebih cocok. Tidak ada model yang menang telak pada kategori "coding", dan klaim vendor yang mengatakan sebaliknya sedang memilih tolok ukur.

Penggunaan komputer dan penelusuran

Penggunaan komputer penting jika Anda membangun sesuatu yang mengendalikan GUI, dan hasilnya terbagi seperti pada coding.

Opus 5 unggul di OSWorld 2.0 dengan 70,6% melawan 62,6% milik Sol—selisih 8 poin. Anthropic juga mengklaim Opus 5 melampaui hasil terbaik OSWorld Fable 5 dengan biaya hanya sekitar sepertiga, yang lebih menarik mengingat Fable 5 berharga $10 per juta token input, sedangkan Opus 5 $5.

Penelusuran pada dasarnya seri. Opus 5 melaporkan 90,8% pada BrowseComp; Sol melaporkan 90,4%, naik ke 92,2% dengan ultra pada enam belas agen paralel. Sekali lagi, ultra yang menjadi pembeda.

Hasil OSWorld Sol disertai klaim efisiensi token yang patut dicatat: OpenAI mengatakan Sol melampaui Opus 4.8 sambil menggunakan 85% lebih sedikit token output. Itu perbandingan dengan generasi sebelumnya Anthropic, bukan dengan Opus 5, jadi tidak bisa diterapkan pada pertandingan ini, tetapi mengindikasikan jalur penggunaan komputer Sol relatif murah per tugas.

Penggunaan alat dan otomasi

Penggunaan alat adalah dimensi di mana kesenjangan kapabilitas abstrak berubah menjadi tugas bisnis yang selesai, dan Opus 5 memimpin dengan jelas.

Pada AutomationBench milik Zapier, yang mengukur apakah model dapat menuntaskan tugas bisnis dari awal hingga akhir, Opus 5 mencetak 26,0% melawan 18,1% milik Sol. Anthropic melaporkan tingkat kelulusannya kira-kira 1,5x model terbaik berikutnya pada biaya per tugas yang sama, dan bahkan pada pengaturan upaya terendah, Opus 5 meluluskan lebih banyak tugas daripada model lain.

CEO Zapier Wade Foster menggambarkan satu run spesifik: Opus 5 mengambil workbook kesehatan akun mentah dan menjalankan urutan pencegahan churn dari ujung ke ujung, menandai akun berisiko, memberi tahu pemilik yang tepat, dan meringkas untuk tim retensi. Model sebelumnya tidak lulus; Opus 5 mencapai 100%.

Jawaban Sol bersifat arsitektural, bukan berbasis skor. Programmatic Tool Calling di Responses API memungkinkan Sol menulis program kecil yang mengoordinasikan alat, memfilter hasil antara, dan memilih tindakan berikutnya seiring pekerjaan berlangsung, sehingga tugas yang berat penggunaan alatnya maju dengan lebih sedikit perjalanan bolak-balik ke model. Itu mekanisme efisiensi yang nyata, tetapi berbeda dari menyelesaikan lebih banyak tugas dengan benar, dan AutomationBench mengukur yang terakhir.

Keamanan siber dan sains

Di dimensi ini, kedua vendor secara sengaja mengambil pilihan yang berlawanan, dan hal ini bisa jadi penentu bagi sebagian pembaca.

Anthropic tidak melatih Opus 5 pada tugas siber. Mereka menyatakan secara jelas bahwa Opus 5 tidak mendorong batas kapabilitas dual-use dan tetap berada di belakang Mythos 5 dalam riset biologi dan keamanan siber ofensif. Pada OSS-Fuzz, Opus 5 mengidentifikasi kerentanan pada tingkat yang mendekati Mythos 5 tetapi jauh tertinggal dalam mengembangkan eksploitnya. Pengklasifikasi siber Opus 5 memblokir pemindaian kerentanan berbasis biner, pengujian penetrasi, dan pembuatan eksploit, meski Anthropic memperkirakan intervensinya sekitar 85% lebih jarang dibanding Fable 5.

OpenAI mengambil arah sebaliknya. Sol digambarkan sebagai model keamanan siber terkuat OpenAI, dan angkanya besar:

• ExploitBench: 73,5% versus 47,9% milik GPT-5.5 pada anggaran token output yang sebanding
• ExploitGym: 24,9% dalam batas dua jam, naik ke 33,7% dalam enam jam, melawan puncak 15,1% milik GPT-5.5
• SEC-Bench Pro: 71,2% versus 45,8% milik GPT-5.5, dengan latensi yang membaik
• Capture-the-Flag: 96,7%

Keduanya memberlakukan pembatasan. OpenAI menyalurkan kapabilitas pertahanan lanjutan melalui Trusted Access for Cyber milik Daybreak, mewajibkan passkey berbasis perangkat keras per 1 September untuk akses berkelanjutan ke model paling kapabel di ranah siber, dan menyatakan pengaman siber Sol memblokir kira-kira sepuluh kali lebih banyak aktivitas berpotensi berbahaya dibanding model sebelumnya. Anthropic menjalankan Cyber Verification Program yang memberi perusahaan dan peneliti terdaftar build Opus 5 dengan pembatasan lebih longgar.

Untuk sains, Opus 5 mengungguli Opus 4.8 pada semua evaluasi ilmu hayati Anthropic, dengan kenaikan terbesar pada kimia organik (naik 10,2 poin persentase pada inferensi struktur molekul dari data spektroskopi) dan prediksi fungsi urutan protein (naik 7,7 poin). Sol melaporkan 28,7% pada GeneBench Pro melawan 12% milik GPT-5.5 dan 59,9% pada LifeSciBench. Tidak ada tolok ukur bersama, jadi ini bukan perbandingan; ini dua vendor menilai pekerjaan rumah sendiri pada ujian berbeda.

Harga

Tarif input dan cached-read sama persis pada konteks standar, yang menghilangkan satu variabel dari keputusan. Yang tersisa adalah premi output 20% pada Sol, plus biaya tambahan konteks panjang yang hanya dibebankan Sol.

Tarif token berdampingan

Seluruh selisih biaya konteks pendek jatuh pada generasi, sehingga premi Sol terasa paling kuat pada penalaran yang verbose dan output panjang. Selisih ini menyusut pada pekerjaan retrieval di mana Anda mengirim jauh lebih banyak token masuk daripada keluar, sampai titik di mana biaya tambahan konteks panjang Sol mengambil alih.

Kedua model kini menawarkan Mode Cepat dengan harga kira-kira dua kali lipat untuk kecepatan sekitar 2,5×. OpenAI menggabungkan Priority Processing lama Sol ke Mode Cepat pada 30 Juli 2026, jadi tuas ini simetris di keduanya dan bukan pembeda.

Biaya beban kerja nyata

Tarif per juta token sulit dijadikan anggaran, dan satu rasio tetap menyembunyikan bagian terpenting dari perbandingan ini: selisih antara dua model ini sepenuhnya bergantung pada bentuk beban kerja. Berikut tiga bentuk representatif pada tarif standar, tanpa caching atau diskon batch.

Pada pekerjaan yang berat generasi, premi output 20% hampir sepenuhnya mengalir, dan Sol sekitar 19% lebih mahal. Pada retrieval pendek, selisihnya hampir tertutup menjadi sekitar 7%, karena output hanyalah angka pembulatan terhadap tarif input yang identik.

Baris ketiga yang perlu diperhatikan. Setelah permintaan melampaui 272K token input, biaya tambahan Sol menerapkan 2× input dan 1,5× output ke seluruh permintaan sementara Opus 5 tetap flat hingga 1M, sehingga premi tidak menyusut di skala—tagihan hampir berlipat ganda. Untuk pekerjaan retrieval berat atau konteks besar, pembalikan ini lebih penting daripada premi output utama.

Mengapa tugas yang sama biayanya berbeda

Dua hal membuat pekerjaan identik menghasilkan tagihan berbeda di sini, di luar tarif utama:

• Biaya tambahan konteks panjang Sol. Setiap permintaan di atas 272K token input ditagih 2× input dan 1,5× output di seluruh permintaan, jadi satu prompt yang terlalu besar memindahkan Sol ke tingkat tarif yang lebih tinggi yang tidak dimiliki Opus 5. Ini adalah pergantian tarif, bukan perbedaan token, dan sudah tercermin pada baris beban kerja ketiga di atas.
• Sol ultra. Ultra tidak membawa premi tarif—menagih pada $5/$30 yang sama dengan Sol dasar—tetapi mode multiagen dan upaya tinggi ini menghabiskan jauh lebih banyak token per tugas, yang dapat mendorong pekerjaan agentik menjadi kira-kira tiga kali biaya Sol dasar pada tarif yang sama. Kelipatan ini adalah perkiraan yang dilaporkan, bukan angka terukur.

Klausul itu berlaku umum untuk sisi output. Klaim efisiensi yang beredar hampir semuanya membandingkan dengan model lain: Sol dilaporkan menggunakan kurang dari separuh token output Fable 5 pada Coding Agent Index, dan Anthropic melaporkan Opus 5 menghasilkan 26% lebih sedikit token daripada Opus 4.8 pada penalaran maksimum. Keduanya perbandingan dengan pendahulu, dan tidak dapat mengubah angka di atas. 

Kapan Memilih Claude Opus 5 vs GPT-5.6 Sol

Hasil per dimensi cukup selaras dengan beban kerja, jadi berikut panduan keputusan sebelum saya uraikan tiap sisi.

Pilih Claude Opus 5 jika...

• Masalah Anda benar-benar baru. Kesenjangan ARC-AGI-3 adalah hasil tunggal terbesar di perbandingan ini dan langsung terkait pekerjaan riset dan hal-hal di mana jawabannya tidak ada di korpus pelatihan.
• Anda butuh agen yang menuntaskan tugas, bukan sekadar mencoba. Keunggulan AutomationBench adalah sinyal terkuat di artikel ini tentang penyelesaian alih-alih kapabilitas.
• Anda bekerja pada konteks panjang. 1M token sebagai default dan maksimum, tanpa tier biaya tambahan, adalah cerita yang lebih bersih dibanding angka apa pun yang dipublikasikan OpenAI untuk penanganan konteks Sol.
• Alignment adalah persyaratan eksplisit. Skor audit perilaku tidak selaras 2,3 adalah yang terbaik milik Anthropic sejauh ini, dengan tingkat penipuan terendah dan kerentanan terendah terhadap upaya penyalahgunaan.

Pilih GPT-5.6 Sol jika...

• Anda menjalankan agen kompleks yang hidup di shell. Mode ultra Sol mendorongnya ke puncak 
• Anda melakukan pekerjaan keamanan defensif. Angka ExploitBench, ExploitGym, dan SEC-Bench Pro sangat besar, dan pengklasifikasi Opus 5 secara aktif memblokir pembuatan eksploit, jadi ini bukan keputusan yang ketat.
• Anda ingin orkestrasi agen paralel bawaan. ultra mengoordinasikan empat agen secara default dan mendorong BrowseComp ke 92,2% pada enam belas agen, dan beta multiagen di Responses API memungkinkan Anda membangun pola serupa sendiri.

Pikiran Akhir

Dengan selisih dua minggu, kedua vendor membuat taruhan yang berlawanan: Opus 5 mengejar penalaran novel dan penyelesaian tugas, sementara Sol menonjol pada pekerjaan terminal, penelusuran, dan keamanan defensif, seraya mengenakan premi output 20%.

Pilih Opus 5 jika masalah Anda benar-benar baru, agen Anda perlu menyelesaikan alih-alih mencoba, atau Anda bekerja pada konteks panjang di mana harga flat 1M-nya mengalahkan biaya tambahan Sol; pilih Sol jika agen Anda hidup di shell, Anda melakukan reproduksi eksploit yang diblokir Opus 5 secara desain, atau Anda bisa menanggung ultra untuk memuncaki papan peringkat terminal dan penelusuran.

Di sebagian besar dimensi lain, selisihnya lebih kecil daripada yang disarankan pemasaran vendor mana pun, jadi cocokan model dengan beban kerja dominan Anda, bukan dengan tolok ukur utama.