Claude Opus 4.7 vs. GPT-5.4: Który model z czołówki wybrać?

GPT-5.4 zadebiutował 5 marca 2026 r. jako flagowy model OpenAI do pracy profesjonalnej, łącząc kodowanie i rozumowanie w jeden model ogólnego przeznaczenia. Sześć tygodni później, 16 kwietnia, Anthropic wypuścił Claude Opus 4.7, zbudowany wokół innej tezy: modelu, który autonomicznie radzi sobie z inżynierią o długim horyzoncie i zachowuje spójność w sesjach, na których większość agentów się wykłada.

To dobry moment, by porównać je bezpośrednio, choć warto zaznaczyć: ten tekst ukazał się w dniu premiery Opus 4.7, więc poniższe zestawienia są w większości raportowane przez dostawców. Traktujmy je jako punkt wyjścia, a nie werdykt.

Aktualizacja: OpenAI opublikowało następcę GPT-5.4. Wszystko na ten temat w naszym przewodniku GPT-5.5.

Opus 4.7 vs. GPT-5.4 — porównanie bezpośrednie

Oto szybkie zestawienie przed wejściem w szczegóły. Najwięcej niuansów kryje się w cenach — temu poświęcamy oddzielną sekcję.

Kluczowe parametry obu modeli. Ilustracja: autor.

Gemini 3.1 Pro to realna alternatywa, jeśli główną potrzebą jest masowe przetwarzanie dokumentów lub długie analizy prawne; działa przy niższych kosztach za token i oferuje okno kontekstu 2 mln. W tym artykule skupiamy się jednak na porównaniu Anthropic i OpenAI.

Sposób, w jaki każdy dostawca pozycjonuje swój model, wiele mówi o przewidzianych zastosowaniach.

Pozycjonowanie modeli i zamierzone zastosowania

OpenAI pozycjonuje GPT-5.4 jako zunifikowany model ogólnego przeznaczenia. Wchłania on możliwości kodowania, które wcześniej były w GPT-5.3-Codex, więc deweloperzy nie muszą już kierować żądań na różne endpointy w zależności od typu zadania. Jeden model, jeden endpoint, niezależnie od zadania.

Oferta Anthropic dla Opus 4.7 jest węższa: model zoptymalizowany do „kodowania, agentów, obsługi komputera i przepływów pracy w przedsiębiorstwach”, z autonomią w długim horyzoncie jako głównym wyróżnikiem. Przekazuje się mu trudną pracę inżynierską i ufa, że wychwyci własne błędy przed raportowaniem. Warto też zaznaczyć, że Opus 4.7 to najpotężniejszy model Anthropic dostępny powszechnie, ale nie najwyższy w ofercie; ponad nim jest ograniczony do defensywnych zastosowań cybersecurity Claude Mythos Preview.

Ta różnica ujawnia się w ekstremach: przy bardzo długich sesjach kodowania lub w potokach łączących dziesiątki narzędzi.

Kodowanie i przepływy agentowe

W zadaniach na poziomie repozytorium Opus 4.7 prowadzi w benchmarkach, które każdy z dostawców zdecydował się opublikować (pełne liczby poniżej). Wprowadził samoweryfikację wyników, czyli model sprawdza własną pracę przed raportowaniem, a Genspark szczególnie podkreślił jego odporność na zapętlenia: Opus 4.7 rzadziej utknie, cyklicznie próbując rozwiązać jeden problem. To coś, na co zwraca się uwagę dopiero wtedy, gdy agent przez 40 minut kręci się w kółko bez efektu.

GPT-5.4 prowadzi w Terminal-Bench 2.0 o około sześć punktów (75,1% vs 69,4%), choć Anthropic zaznacza, że wynik GPT-5.4 pochodzi z własnego harnessa. GPT-5.4 wprowadził też korektę planu w trakcie odpowiedzi poprzez Interactive Thinking: podczas złożonego rozumowania można zainterweniować przed zakończeniem generowania i przekierować model, jeśli obierze złą ścieżkę. Opus 4.7 nie ma odpowiednika. Różnica na SWE-bench jest realna: sześć punktów w benchmarku wybranym przez dostawcę to użyteczny sygnał, nie wyrok.

Okno kontekstu i praca na długim kontekście

Oba modele obsługują około 1 mln tokenów; różni się to, co dzieje się z rachunkiem, gdy z tego kontekstu się korzysta. Opus 4.7 nalicza stałą stawkę w całym oknie, więc żądanie 900 tys. tokenów kosztuje tyle samo za token co 9 tys. GPT-5.4 pobiera 2,50 USD za milion poniżej 272 tys. tokenów wejściowych, ale po przekroczeniu tego progu cała sesja jest przeliczana. Dokładne liczby w sekcji o cenach.

Jest też kwestia tokenizera: Opus 4.7 może zmapować ten sam tekst do nawet o 35% większej liczby tokenów niż 4.6. Cena za token się nie zmienia, ale efektywny koszt zadania może wzrosnąć.

Jeśli chodzi o faktyczną wydajność na długim kontekście, testy partnerskie dały Opus 4.7 remis na najwyższy wynik spójności w sześciu modułach badawczych na poziomie 0,715. Potoki RAG, które wypełniają okno blisko limitu 1 mln, warto przetestować na własnych obciążeniach, zanim zaufa się benchmarkom dostawców.

Obsługa narzędzi, multimodalność i interakcja ze środowiskiem

Na papierze powierzchnie narzędzi wyglądają podobnie, a w praktyce różnice są większe. W OSWorld-Verified (obsługa komputera stacjonarnego) Opus 4.7 prowadzi teraz z 78,0% wobec 75,0% GPT-5.4, przy czym oba są powyżej progu eksperta ludzkiego 72,4%. Obraz odwraca się w badaniach sieci przez przeglądarkę: GPT-5.4 osiąga 89,3% w BrowseComp (wariant Pro) wobec 79,3% Opus 4.7. Jeden nagłówek „obsługa komputera” zaciemnia podział desktop vs przeglądarka.

Najważniejsza multimodalna nowość Opus 4.7 to rozdzielczość wizji: obrazy do 2576 pikseli po dłuższym boku, ok. 3,75 Mpix, ponad trzykrotnie więcej niż w poprzednich modelach Claude, przetwarzane z wyższą wiernością automatycznie, bez parametru API. Partner bezpieczeństwa XBOW zgłosił wzrost precyzji wzrokowej z 54,5% w Opus 4.6 do 98,5% w 4.7 — to największy skok na pojedynczym benchmarku w całej tej wersji.

Modele różnią się też architekturą narzędzi. System wyszukiwania narzędzi w GPT-5.4 ładuje definicje na żądanie zamiast osadzać je wszystkie w promptach, ograniczając narzut tokenów w dużych ekosystemach narzędzi. Opus 4.7 rozumuje nad problemem zanim sięgnie po narzędzia, dzięki czemu wykonuje mniej wywołań; użycie narzędzi rośnie wraz z poziomem wysiłku.

Sterowalność, niezawodność i styl wyjścia

Opus 4.7 trzyma się instrukcji literalnie. Nie będzie uogólniać z jednego elementu na inny ani wnioskować niepoproszonych żądań, więc prompty pisane pod 4.6 mogą zachowywać się nieoczekiwanie; Anthropic zaleca ponowne dostrojenie. Zaletą jest niezawodność w długich pętlach agentowych: zespół inżynieryjny Ramp odnotował, że w wielonarzędziowych przepływach potrzeba znacznie mniej prowadzenia „krok po kroku”, a testy Hexagon wykazały, że Opus 4.7 przy niskim wysiłku jest mniej więcej równy Opus 4.6 przy średnim.

Anthropic wprowadził też xhigh jako nowy poziom wysiłku między high a max, a domyślną wartość w Claude Code podniesiono do xhigh dla wszystkich planów. W połączeniu z nowym tokenizerem liczba tokenów wyjściowych może rosnąć bardziej niż w 4.6 w późniejszych turach agentowych; Task Budgets (obecnie w publicznej becie) pozwalają ograniczyć wydatki agenta w sesji. W przypadku GPT-5.4 narracja o sterowalności koncentruje się na Interactive Thinking, o czym wspomniałem w sekcji o kodowaniu, a przewodnik OpenAI po promptach wskazuje, że model dobrze radzi sobie przy wyraźnie określonych kontraktach wyjściowych.

Uwaga z oceny bezpieczeństwa samego Anthropic: Opus 4.7 poprawił szczerość i odporność na wstrzyknięcia promptów względem 4.6, ale nieznacznie pogorszył się w zakresie opierania się zbyt szczegółowym poradom redukcji szkód dotyczących substancji kontrolowanych. Ogólna ocena Anthropic: „w dużej mierze dobrze dostrojony i godny zaufania, choć nie w pełni idealny w zachowaniu”.

Opus 4.7 vs. GPT-5.4 w testach benchmarkowych

Benchmarki warto analizować uważnie i ufać im tylko do pewnego stopnia. Obaj dostawcy wybrali testy im sprzyjające, a Vals.ai i Artificial Analysis nie zdążyły jeszcze zindeksować Opus 4.7 w momencie pisania. Przetestuj na własnych zadaniach, zanim wyciągniesz wnioski.

Benchmarki kodowania

Tabela poniżej obejmuje najistotniejsze dane o kodowaniu z materiałów wydawniczych każdego z dostawców.

Benchmarki kodowania wyraźnie sprzyjają Opus 4.7. Ilustracja: autor.

SWE-bench ma kilka wariantów i obaj dostawcy podkreślili te, w których wypadają najlepiej. Anthropic zastosował filtry na potencjalną memorystykę i raportuje, że przewaga Opus 4.7 utrzymuje się po wykluczeniu oznaczonych zadań. Kontekstowo: otwartowagowy GLM-5.1 od Z.ai przez krótki czas prowadził w SWE-bench Pro z wynikiem 58,4% na początku kwietnia 2026 r., zanim pojawił się wynik 64,3% Opus 4.7, więc każdy „stan sztuki” w tym miejscu ma krótki termin ważności.

Benchmarki agentów i obsługi komputera

Przy premierze Opus 4.7 Anthropic opublikował porównania dla obu modeli w większości benchmarków agentowych. Obraz jest mieszany, a nie jednostronny.

Obraz dzieli się według środowiska: Opus 4.7 wygrywa na desktopie, w obsłudze narzędzi i pracy wiedzochłonnej; GPT-5.4 wygrywa w badaniach przeglądarkowych. Kilka wyników GPT-5.4 pochodzi z wariantu Pro, więc standardowa wersja może wypadać niżej. Kolejny krok to niezależne uruchomienia na wspólnej infrastrukturze.

Ceny: Opus 4.7 vs. GPT-5.4

Stawki nagłówkowe wyglądają prosto. Rzeczywisty obraz kosztów już nie.

Struktura cen w API

Różnicę w cenach najłatwiej zrozumieć na kilku konkretnych scenariuszach.

Przy wejściu 100 tys. tokenów i wyjściu 10 tys. (sporo poniżej progu 272 tys. w GPT-5.4) GPT-5.4 kosztuje ok. 0,40 USD wobec 0,75 USD dla Opus 4.7. Prawie połowa ceny dla krótkiego i średniego kontekstu.

Przy 500 tys. wejścia i 20 tys. wyjścia, powyżej progu GPT-5.4, oba modele kosztują podobnie: 2,95 USD vs 3,00 USD. Przy 900 tys. wejścia i 10 tys. wyjścia są niemal identyczne.

Próg repricingu 272 tys. to element, który zaskakuje: dotyczy całej sesji, a nie tylko tokenów powyżej limitu. Potok, który regularnie wysyła prompty po 280 tys. tokenów, płaci stawkę za długi kontekst za każde pojedyncze żądanie, a nie tylko za dodatkowe 8 tys. To przeliczenie na poziomie sesji, nie dopłata marginalna.

Koszty GPT-5.4 rosną powyżej 272 tys. tokenów. Ilustracja: autor.

Jak wspomniano w sekcji o oknie kontekstu, nowy tokenizer może zmapować to samo wejście do nawet o 35% większej liczby tokenów niż w Opus 4.6. Cena za token się nie zmienia, ale realny koszt zadania może wzrosnąć. Mierz na prawdziwym ruchu; ekstrapolacja z baz 4.6 da zaniżony wynik.

Obie platformy oferują ok. 90% zniżki na zcache’owane tokeny wejściowe: 0,50 USD za milion dla Opus 4.7, 0,25 USD za milion dla GPT-5.4 poniżej 272 tys. Batch API dodają kolejne ~50% zniżki dla zadań niepilnych. Dla obciążeń asynchronicznych te zniżki to największa dźwignia na obu platformach.

Są też koszty per-narzędzie, które często umykają. Anthropic pobiera 10 USD za 1000 wyszukiwań w sieci, plus standardowe koszty tokenów dla pobranych treści. OpenAI pobiera opłaty osobno za przechowywanie i zapytania w wyszukiwaniu plików. W potokach bogatych w narzędzia te koszty się sumują.

Koszt dla różnych obciążeń

Dla pracy o krótkim kontekście i dużej wolumenowości (wywołania API poniżej 100 tys. tokenów, klasyfikacja wsadowa, szybka iteracja) GPT-5.4 jest tańszy. Różnica kosztów wejścia może sięgać 2x.

Powyżej 272 tys. tokenów przewaga się odwraca. Płaska stawka Opus 4.7 ułatwia budżetowanie i niemal zrównuje się z GPT-5.4 pod względem łącznego kosztu.

Obie platformy doliczają niewielką premię za rezydencję danych (ok. 10% po każdej stronie). Na tym poziomie to decyzja zgodnościowa, nie cenowa. W sesjach agentowych Claude Code główną dźwignią kontroli wydatków na tokeny są Task Budgets (omówione w sekcji o sterowalności).

Czy Claude Opus 4.7 jest lepszy niż GPT-5.4?

Nie ma jednej odpowiedzi, a każdy artykuł twierdzący, że jest inaczej, coś sprzedaje.

Wybierz Claude Opus 4.7, jeśli Pana/Pani główną pracą jest długotrwała inżynieria oprogramowania, gdzie liczy się samoweryfikacja, jeśli agent obsługuje aplikacje desktopowe, jeśli prompty regularnie przekraczają 272 tys. tokenów, jeśli przepływ pracy obejmuje gęste zrzuty ekranu lub diagramy techniczne, lub jeśli już korzysta Pan/Pani z Claude Code, Cursor, Replit albo Devin.

Wybierz GPT-5.4, jeśli agent intensywnie prowadzi badania w przeglądarce, jeśli obciążenia pozostają poniżej 272 tys. tokenów i koszt ma znaczenie, jeśli zależy Panu/Pani na ładowaniu narzędzi na żądanie w dużym ekosystemie narzędzi, lub jeśli zespół już korzysta z OpenAI Responses API.

Rozważ przetestowanie obu, jeśli praca dzieli się między autonomiczne badania w sieci a długą formę kodowania. Mocne strony GPT-5.4 w przeglądarce i terminalu sprzyjają agentowym przepływom webowym; odporność na zapętlenia i płaskie ceny Opus 4.7 lepiej sprawdzą się w głębokich sesjach inżynierskich i potokach dokumentowych.

Dobór odpowiedniego modelu do Pana/Pani przepływu pracy. Ilustracja: autor.

Jedna rzecz wspólna dla obu wyborów: zniżki Batch API mogą mieć większe znaczenie niż sam wybór modelu w obciążeniach asynchronicznych. A ponieważ niezależne benchmarki dla Opus 4.7 wciąż nadrabiają, pilotaż na realnym wycinku własnej pracy jest wart więcej niż jakikolwiek artykuł porównawczy, włącznie z tym.

Wnioski

Różnica między Claude Opus 4.7 a GPT-5.4 mniej dotyczy tego, „który jest mądrzejszy”, a bardziej — jakiego rodzaju pracę Pan/Pani wykonuje.

Anthropic postawił na autonomię: model budowany, by utrzymywać spójność podczas długich zadań inżynierskich i sprawdzać własne wyniki. OpenAI postawił na szerokość: szerszą powierzchnię narzędzi i tańsze stawki dla większości promptów pozostających poniżej 272 tys. tokenów.

To ceny najczęściej zaskakują zespoły i, jak wspomniano wcześniej, konkretną pułapką jest zmiana cennika przy 272 tys. w sesji. Na miesięczne wydatki bardziej niż wybór stawki bazowej wpływają zwykle cache’owanie i zniżki Batch API na obu platformach.

Różnice w benchmarkach to pojedyncze punkty procentowe, a obaj dostawcy wypuszczają nowe modele co kilka tygodni. Wybierz ten, który pasuje do faktycznego stosu, i wróć do tematu za miesiąc.

Jeśli chce Pan/Pani zagłębić się w praktyczne wykorzystanie tych modeli, nasz kurs Software Development with Cursor omawia w praktyce przepływy pracy z asystą AI w kodowaniu.