GPT-5.6 Terra vs Claude Sonnet 5: benchmarki, ceny i który wybrać

Jeśli wybierasz model ze średniej półki, który ma stać za agentem działającym cały dzień, dziś masz dwóch oczywistych kandydatów: GPT-5.6 Terra i Claude Sonnet 5. Oba są domyślnymi modelami udostępnianymi użytkownikom za darmo, oba mają okno kontekstu rzędu ~1 mln tokenów i oba kosztują na wejściu niemal tyle samo.

W tym artykule porównam GPT-5.6 Terra i Claude Sonnet 5 pod kątem agentów do kodowania i terminala, pracy z wiedzą, postawy w zakresie cyberbezpieczeństwa, zachowania przy długim kontekście, powierzchni sterowania API oraz cen — tak, byś wybrał model pasujący do twojego obciążenia. Po bardziej szczegółowe omówienia poszczególnych modeli zajrzyj do naszych przewodników po rodzinie GPT-5.6 i Claude Sonnet 5.

TL;DR

• Terra to mocniejszy wybór dla agentów terminalowych i potoków mocno opartych na narzędziach — tam jej efektywność tokenowa naprawdę robi różnicę.
• Sonnet 5 to spokojniejsza opcja do pracy z długim kontekstem i dużą liczbą dokumentów, bo jej stawki pozostają stałe w całym oknie.
• Wybierz GPT-5.6 Terra, jeśli twoi agenci żyją w powłoce, wywołują wiele narzędzi na turę lub chcesz tańszych tokenów wyjściowych po sierpniu.
• Wybierz Claude Sonnet 5, jeśli wysyłasz bardzo duże prompty, chcesz przewidywalnego rozliczania per token albo celowo potrzebujesz modelu, który odmawia pracy nad exploitami.

Czym jest GPT-5.6 Terra?

GPT-5.6 Terra to środkowy poziom w rodzinie GPT-5.6 OpenAI, która trafiła do ogólnej dostępności 9 lipca 2026 r., obok flagowego Sol i najtańszego poziomu, Luna. OpenAI opisuje Terrę jako wyważoną opcję do codziennej pracy i zauważa, że mniej więcej odpowiada poziomowi mini wcześniejszych rodzin GPT-5. Oferuje okno kontekstu 1 050 000 tokenów, pułap wyjścia 128 000 tokenów i cutoff wiedzy 16 lutego 2026 r.

Dwie rzeczy sprawiają, że Terra jest ciekawa, a nie tylko tania. Dziedziczy Programmatic Tool Calling z Responses API, co pozwala modelowi pisać i uruchamiać niewielkie programy w pamięci do koordynowania narzędzi — zamiast odpytywać model po każdej odpowiedzi z narzędzia. A 30 lipca 2026 r. OpenAI obniżyło cenę Terry o 20%, z $2,50/$15 na starcie do $2,00/$12 za 1 mln tokenów.

Szerzej opisaliśmy rodzinę w naszym przewodniku po GPT-5.6 Sol, Terra i Luna, a jeśli chcesz zobaczyć, do czego wykorzystywany jest poziom flagowy, zajrzyj do naszego tekstu o tym, jak GPT-5.6 Sol pomógł obalić hipotezę Maxwella. Jest też pojedynek na poziomie flagowców w naszym porównaniu Claude Opus 5 vs GPT-5.6 Sol.

Czym jest Claude Sonnet 5?

Claude Sonnet 5 to model ze średniej półki Anthropic, wydany 30 czerwca 2026 r., reklamowany jako najbardziej „agentyczny” Sonnet, jaki firma dostarczyła. Anthropic twierdzi, że planuje, steruje przeglądarkami i terminalami oraz działa autonomicznie na poziomie, który wcześniej wymagał modeli klasy Opus — zbliżając się do Opus 4.8 w rozumowaniu, użyciu narzędzi, kodowaniu i pracy z wiedzą, przy niższej cenie.

To model domyślny w planach Free i Pro i ma zestaw celowych ograniczeń: temperature, top_p i top_k zniknęły, ręczne extended thinking zwraca błąd 400, a adaptive thinking jest domyślnie włączone. Używa też nowego tokenizera, który generuje ok. 30% więcej tokenów dla tego samego tekstu niż Sonnet 4.6 — Anthropic skompensował to cenami wprowadzającymi do 31 sierpnia 2026 r.

Przeanalizowaliśmy liczby z premiery w naszym przewodniku po Claude Sonnet 5 i porównaliśmy go w górę z flagowcem Anthropic w Claude Opus 5 vs Claude Sonnet 5.

GPT-5.6 Terra vs Claude Sonnet 5: porównanie bezpośrednie

Tak wyglądają oba modele zestawione obok siebie, zanim przejdziemy do poszczególnych obszarów możliwości.

Agenci do kodowania i terminala

Zwykle podział idzie na korzyść Anthropic przy programowaniu w repozytorium i na korzyść OpenAI przy pracy w terminalu.

Ta druga część się utrzymuje: w Terminal-Bench 2.1 Terra osiąga 87,4%, względem 80,4% dla Sonnet 5 w materiałach premierowych Anthropic — to 7 punktów przewagi w przepływach wiersza poleceń. Co istotne, Terra wyprzedza też Claude Opus 4.8 (78,9%) i Claude Fable 5 (83,1%) w przebiegu tego samego ewalu przez OpenAI.

Ale obecnie oba konkurujące modele ze średniej półki są na równi w kodowaniu w repo. W SWE-Bench Pro, który uruchamia wieloetapowe poprawki na prawdziwych repozytoriach, OpenAI raportuje Terrę na 63,4%, a Anthropic Sonnet 5 na 63,2%.

Narracja samego Anthropic potwierdza ten podział. Historia kodowania w Sonnet 5 dotyczy doprowadzania zadań do końca, a nie rekordowych punktacji: wczesni testerzy opisywali, że kończy zadania, w których Sonnet 4.6 się zatrzymywał, i sprawdza własne wyjścia bez proszenia.

Jeśli twój agent żyje w powłoce, Terra ma przewagę. Jeśli żyje w kodzie i rozumuje o awarii, benchmarki mówią, że wybierasz między dwoma modelami tej samej klasy.

Praca z wiedzą i zadania profesjonalne

Obaj dostawcy raportują GDPval-AA v2, miarę stylu Elo dla jakości wyników profesjonalnych, a liczby są na tyle blisko, że wychodzi remis. OpenAI podaje Terrę na 1593 Elo; Anthropic podaje Sonnet 5 na 1618. OpenAI ocenia Claude Opus 4.8 na 1600 Elo w tej ewaluacji, podczas gdy Anthropic ocenia ten sam model na 1615 — więc 25 punktów różnicy między Terrą a Sonnet 5 mieści się w szumie metodologicznym.

Tam, gdzie Terra ma nieodpowiedziane roszczenie, jest Agents' Last Exam — ewaluacja długotrwałych przepływów pracy w 55 dziedzinach. Terra zdobywa 50,4%, przed GPT-5.5 (46,9%), Claude Opus 4.8 (45,2%) i Claude Fable 5 (40,5%). Anthropic nie raportował Sonnet 5 w tej ewaluacji, więc traktuj to jako wybraną przez OpenAI arenę, a nie werdykt.

Korzystanie z komputera to jedyne miejsce, gdzie odradzałbym w ogóle bezpośrednie porównanie. OpenAI raportuje Terrę na 50,2% w OSWorld 2.0, podczas gdy Anthropic raportuje Sonnet 5 na 81,2% w OSWorld-Verified. To różne zbiory i różne sposoby punktacji, a Anthropic wprost zmienił sposób uruchamiania OSWorld-Verified na tę premierę — więc zestawianie tych liczb nic nie mówi.

Praktyczna przewaga Terry w tym obszarze to rozliczanie tokenów. Notion raportował, że wiele agentów na GPT-5.5 działa równie dobrze na Terrze przy połowie kosztu i z 16% mniejszą liczbą tokenów, a Clio podawał, że Programmatic Tool Calling obciął tokeny promptu o 38% przy wieloetapowej analizie dokumentów bez utraty jakości. To twierdzenia partnerów dostawcy, nie niezależne pomiary, ale są konkretne co do zmian.

Cyberbezpieczeństwo: dwa przeciwstawne zakłady

To najszersza różnica w porównaniu i jest to decyzja projektowa, a nie przypadek kompetencji.

OpenAI trenowało rodzinę GPT-5.6 do pracy cyber: Terra ma 91,8% na wyzwaniach Capture-the-Flag, 57,7% na SEC-Bench Pro, 52,9% na ExploitBench i 23,2% na ExploitGym. Dwie z tych wartości biją GPT-5.5, poprzedni flagowiec, który miał 45,8% na SEC-Bench Pro i 47,9% na ExploitBench.

Anthropic poszedł w drugą stronę. Sonnet 5 nie był celowo trenowany do zadań cyber, a w ewaluacji tworzenia exploitów przygotowanej z Mozillą na podatnościach Firefox 147 nie wyprodukował działającego exploita w ogóle — 0,0%. Anthropic dostarcza Sonnet 5 z włączonymi w czasie rzeczywistym zabezpieczeniami cyber i rekomenduje Opus 4.8 do pracy cyber wymagającej poluzowania guardrails.

Dla większości czytelników to cecha Sonnet 5, a nie słabość. Jeśli budujesz produkt, w którym próba generowania exploitów przez model jest ryzykiem, model, który wiarygodnie odmawia, jest bezpieczniejszą zależnością. Jeśli robisz defensywne bezpieczeństwo, Terra jest w programie OpenAI Daybreak Trusted Access for Cyber, a indywidualni członkowie muszą mieć włączone klucze sprzętowe do 1 września, by utrzymać dostęp do najbardziej „cyber” modeli.

Warto też zaznaczyć tarcie po stronie OpenAI. OpenAI mówi, że zabezpieczenia cyber w GPT-5.6 Sol blokują ok. 10 razy więcej potencjalnie szkodliwej aktywności niż wcześniejsze modele, i dodało opcję ponowienia na modelu o niższych możliwościach w ChatGPT i Codex właśnie dlatego, że benign requesty są chwytane. Na Reddicie po stronie Anthropic pojawiają się te same skargi: Sonnet 5 blokuje nieszkodliwe treści edukacyjne z bezpieczeństwa, więc żaden dostawca nie rozwiązał problemu nadmiernego blokowania.

Okno kontekstu i praca z długim kontekstem

Nominalnie oba wyglądają tak samo: Terra publikuje okno kontekstu 1 050 000 tokenów z pułapem wyjścia 128 000 tokenów, a Sonnet 5 ma okno 1 mln i pułap wyjścia 128 tys. Różni się to, co dzieje się, gdy naprawdę je wypełnisz.

Terra ma opublikowane wyniki wyszukiwania w całym oknie. W OpenAI MRCR v2 8-needle ma 89,6% w paśmie 256–512 tys. i 72,5% w paśmie 512 tys.–1 mln, blisko Sol (91,5% i 73,8%) i daleko powyżej Luny (41,3%). To oznacza, że możesz oczekiwać, iż model znajdzie ukryte szczegóły w ok. 9/10 przypadków w dokumencie 512k, co czyni go bardzo niezawodnym partnerem do ekstrakcji wiedzy. Anthropic nie opublikował porównywalnych wyników „needle-retrieval” dla Sonnet 5 na starcie.

Bardziej znacząca różnica dotyczy rozliczeń. Prompty powyżej 272 tys. tokenów wejścia na Terrze są wyceniane 2x na wejściu i 1,5x na wyjściu dla całego żądania, nie tylko nadwyżki. Sonnet 5 nie ma opublikowanej dopłaty za długi kontekst, więc jego stawki trzymają się w całym oknie. Podam liczby w sekcji o cenach, bo to odwraca, który model jest tańszy.

Powierzchnia sterowania: wysiłek, „thinking” i ograniczenia API

Oba modele wystawiają pokrętło „reasoning-effort”, po czym ostro się rozjeżdżają w tym, co jeszcze możesz ruszać.

Sonnet 5 całkowicie usunął temperature, top_p i top_k, a wywołania z tymi polami zwracają błąd 400. Ręczne extended thinking też zwraca 400; masz domyślnie adaptive thinking albo całkiem wyłączasz thinking.

Sonnet 5 nie wspiera też Priority Tier na platformie Anthropic, co ma znaczenie, jeśli twój zespół polega dziś na gwarancjach opóźnień dla Opus lub Sonnet 4.6. Anthropic podniósł limity szybkości w Chat, Cowork, Claude Code i Claude Platform, by wchłonąć większe zużycie tokenów przy wyższych poziomach wysiłku.

Powierzchnia Terry jest szersza w innym kierunku. Warto znać te funkcje:

• Programmatic Tool Calling w Responses API, który uruchamia w pamięci programy koordynujące i jest zgodny z Zero Data Retention.

• Beta multi-agenta w Responses API, pozwalająca modelowi uruchamiać równoległe subagenty i syntetyzować ich pracę w jednym żądaniu.

• Ustawienie wysiłku max, przełączalne przez każdego użytkownika z dostępem do GPT-5.6 w ChatGPT Work i Codex.

• Jawne punkty przerwania cache z minimalnym czasem życia cache 30 minut, odczytami z cache z 90% zniżką i zapisami do cache po 1,25x stawki wejścia bez cache.

• Wywołania funkcji, strukturyzowane wyjścia, hostowana powłoka, interpreter kodu i obsługa komputera w Responses API; strojenie (fine-tuning) nieobsługiwane.

Jedna asymetria do odnotowania: ustawienie OpenAI ultra koordynuje czterech agentów równolegle, ale każdy opublikowany benchmark ultra należy do Sol, nie Terry. Nie zakładaj, że średnia półka dostaje te same zyski multi-agenta, dopóki ktoś nie opublikuje liczb Terra Ultra.

Ceny: ile faktycznie zapłacisz

Terra i Sonnet 5 obecnie różnią się na wejściu o dolara, więc to kształt obciążenia, a nie stawka nagłówkowa, zdecyduje o rachunku.

Stawki za tokeny obok siebie

Stawki Terry $2,00/$12,00 odzwierciedlają cięcie 20% z 30 lipca 2026 r., w dół z $2,50/$15,00 na starcie. Odczyty z cache wejścia na Terrze to $0,20 za 1 mln, a Anthropic wspiera cache promptów dla Sonnet 5 bez wyszczególnienia stawki Sonnet w materiałach premierowych.

Ponieważ Anthropic rozlicza tokeny „thinking” po stawce wyjściowej, uruchamianie Sonnet 5 na bardzo wysokim wysiłku to bezpośredni mnożnik na twoją najdroższą pozycję. To najprostszy sposób, by przebić budżet oszacowany na wolumenie wejścia.

Ile kosztuje realne obciążenie

Wzór jest prosty: (wolumen ÷ 1 mln) × stawka, zsumowane dla wejścia i wyjścia. Policzyłem trzy kształty obciążeń przy standardowych stawkach — tak dobrane, by każdy izolował mechanizm, w którym te dwa modele faktycznie się różnią.

Trzeci wiersz to sedno. Między drugim a trzecim nic nie zmienia się w łącznym wolumenie — tylko rozmiar pojedynczego żądania — a dopłata Terry od 272 tys. zmienia 41% przewagi kosztowej w 29% kary. Jeśli rutynowo ładujesz 300 tys. tokenów tekstu umów lub kontekstu repo do jednego wywołania, niższa cena naklejkowa Terry jest myląca.

Wiersz generacja-heavy też się odwraca, jeśli kupujesz przed wrześniem. Przy promocyjnych $2,00/$10,00 dla Sonnet 5, to obciążenie kosztuje $42 wobec $50 na Terrze, więc Sonnet 5 jest o $8 tańszy, dopóki 1 września 2026 r. nie wejdą stawki standardowe. Anthropic ustawił to okno, by migracja z Sonnet 4.6 była w przybliżeniu neutralna kosztowo — warto to pamiętać zanim zbudujesz na tym budżet.

Dlaczego to samo zadanie kosztuje różnie

Te stawki przekładają się na rachunek tylko wtedy, gdy oba modele zużyją tyle samo tokenów do tej samej pracy — a zwykle tak nie jest. Terra i Sonnet 5 używają różnych tokenizerów od różnych dostawców, więc identyczny tekst daje inne liczniki tokenów wejściowych zanim którykolwiek model odpowie.

Żaden dostawca nie opublikował między-modelowego porównania liczby tokenów, więc nie mogę podać skorygowanej wartości. Istnieją wcześniejsze deklaracje, które nic nie mówią o Terra vs Sonnet 5:

• Anthropic dokumentuje, że nowy tokenizer Sonnet 5 generuje ok. 30% więcej tokenów niż Sonnet 4.6, oraz
• Notion raportował, że Terra używa 16% mniej tokenów niż GPT-5.5.

Moja rada: traktuj powyższą tabelę jako porównanie stawek, nie prognozę, i zmierz własne liczniki tokenów na reprezentatywnej próbce przed decyzją. Zmiana tokenizera w Sonnet 5 szczególnie zaskoczyła zespoły na starcie — recenzja Simona Willisona i konsultanci chmurowi wskazywali to jako główne zaskoczenie migracji.

Kiedy wybrać GPT-5.6 Terra vs Claude Sonnet 5

Tak rozkłada się decyzja w scenariuszach, które najpewniej cię dotyczą.

Wybierz GPT-5.6 Terra, jeśli...

• Twoi agenci żyją w powłoce. 7-punktowa przewaga w Terminal-Bench 2.1 to największa opublikowana różnica w kodowaniu między tymi modelami.
• Wywołujesz dużo narzędzi na turę. Programmatic Tool Calling trzyma dane pośrednie poza kontekstem modelu, a PlayCo raportował 63,5% mniej tokenów łącznie i 50,1% mniej tur modelu przy strukturyzowanej konstrukcji scen.
• Robisz defensywne cyber. 57,7% na SEC-Bench Pro i 52,9% na ExploitBench to inna klasa niż celowa odmowa Sonnet 5.
• Potrzebujesz tańszych tokenów wyjścia. Po sierpniu 2026 stawka Sonnet 5 to $15 za 1 mln wobec $12 w Terrze.
• Chcesz udokumentowanych liczb retrieval dla długiego kontekstu, jak 72,5% w MRCR v2 w paśmie 512 tys.–1 mln.

Wybierz Claude Sonnet 5, jeśli...

• Masz duże prompty lub pliki w kontekście. Płaskie ceny do 1 mln tokenów biją próg 272 tys. w Terrze — to 29% różnicy przy 10 mln tokenów wejścia miesięcznie.
• Chcesz modelu, który z założenia odmawia pracy cyber. Ocena Anthropic jest taka, że Sonnet 5 ma znacznie słabsze możliwości cyber niż Opus 4.8 i Mythos 5 — dla większości zespołów produktowych to pożądane.
• Już jesteś w ekosystemie Claude. Sonnet 5 jest domyślny w Free i Pro i działa w Claude Code.
• Wolisz jedno pokrętło zamiast panelu ustawień. Adaptive thinking plus poziomy wysiłku to mniejsza powierzchnia do ogarnięcia niż wysiłek + max + ultra + tryby tool-calling.

Jeśli koszt jest głównym ograniczeniem, trzy policzone obciążenia najszybciej pokazują, po której stronie jesteś: $50 vs $63 przy miesiącu generacji, $32 vs $45 przy retrieval poniżej progu i $58 vs $45 gdy każde żądanie przekracza 272 tys. tokenów wejścia.

Jak zacząć z GPT-5.6 Terra i Claude Sonnet 5

Oba modele są dziś ogólnie dostępne i oba są tymi, które dostawcy rozdają za darmo — więc próba kosztuje tylko czas.

Pierwsze wywołanie API

To osobne SDK, więc przełączanie między nimi to więcej niż sama nazwa modelu. Oba wywołania są na tyle krótkie, że różnica jest widoczna od razu.

from openai import OpenAI

client = OpenAI()
response = client.responses.create(
    model="gpt-5.6-terra",  # swap for gpt-5.6-sol or gpt-5.6-luna
    input="Refactor this pytest fixture to avoid module-level state.",
)
print(response.output_text)

from anthropic import Anthropic

client = Anthropic()
message = client.messages.create(
    model="claude-sonnet-5",  # no temperature/top_p/top_k on this model
    max_tokens=1024,
    messages=[{"role": "user", "content": "Refactor this pytest fixture to avoid module-level state."}],
)
print(message.content.text)

Jeśli portujesz istniejący kod Anthropic, pamiętaj, by najpierw usunąć temperature, top_p, top_k i wszelką ręczną konfigurację extended thinking — Sonnet 5 zwraca 400 zamiast je ignorować.

Pełną ścieżkę konfiguracji po stronie Anthropic znajdziesz w naszym kompletnym przewodniku po Claude API. Po stronie GPT najlepiej zacząć od kursu Working with the OpenAI API.

Na koniec

W jednym zdaniu: Terra to lepszy model ze średniej półki dla agentów terminalowych i gęstych w narzędzia potoków, a Sonnet 5 — lepszy dla dużych promptów i zespołów, które chcą mniejszej powierzchni do ogarnięcia.

Najciekawsze jest to, że obaj dostawcy wybrali średnią półkę jako darmowy domyślny model, a potem postawili przeciwstawne zakłady, co taki model powinien odmawiać. OpenAI trenował Terrę do pracy cyber i schował najostrzejsze możliwości za weryfikacją tożsamości i kluczami sprzętowymi. Anthropic wytrenował Sonnet 5, by w ogóle tego nie robił, a na to nałożył zabezpieczenia. Żadne podejście nie jest oczywiście „właściwe” i oba tworzą realne tarcie przy legalnej pracy.

Jeśli wolisz sam zbudować tło do takich decyzji zamiast czytać cudze tabelki benchmarków, polecam zacząć od naszego AI Fundamentals skill track.