Claude Opus 4.8 vs GPT-5.5: benchmarks, testes e como escolher

Se você precisa escolher um modelo topo de linha para trabalho agentivo sério hoje, Claude Opus 4.8 e GPT-5.5 estão claramente entre as melhores opções, ao lado do Gemini 3.5 Flash. Ambos representam o estado da arte de seus respectivos laboratórios e miram em código de longo horizonte e fluxos de trabalho autônomos.

Os números principais são próximos o suficiente para que a decisão não seja óbvia só pelos benchmarks. O Opus 4.8 lidera no SWE-bench Pro (69,2% vs. 58,6%), enquanto o GPT-5.5 lidera no Terminal-Bench 2.0 (82,7% vs. 74,6%). O ponto mais interessante é qualitativo: a Anthropic aposta que honestidade e incerteza calibrada são a próxima fronteira da IA em produção, enquanto a OpenAI aposta em throughput agentivo bruto e eficiência de tokens.

Neste artigo, comparo Claude Opus 4.8 e GPT-5.5 em cinco dimensões: fluxos de trabalho de código e agentes, raciocínio e tarefas de conhecimento, performance em contextos longos, alinhamento e confiabilidade, e preços. Você também pode conferir nossas análises individuais de Claude Opus 4.8 e GPT-5.5 para mergulhos mais profundos em cada modelo.

Fique por dentro do que há de mais importante em IA. Assine o The Median, nossa newsletter gratuita de sexta-feira que destrincha as principais notícias da semana. Em poucos minutos, você fica por dentro do essencial.

O que é o Claude Opus 4.8?

O Claude Opus 4.8 é o modelo principal atual da Anthropic, lançado em 28 de maio de 2026. Ele fica no topo da família Claude, acima de Sonnet e Haiku, e foi projetado para as tarefas mais exigentes: codificação agentiva, raciocínio complexo de múltiplas etapas e fluxos autônomos de longa duração. A evolução mais importante em relação ao Opus 4.7 não é só no placar de benchmarks, mas uma mudança qualitativa em direção à honestidade: o modelo tem quatro vezes menos chance que seu antecessor de deixar passar código com falhas sem sinalizar.

O Opus 4.8 também chega com um pacote de novos recursos, incluindo workflows dinâmicos no Claude Code (capaz de rodar centenas de subagentes em paralelo numa única sessão), controles de esforço no claude.ai e um modo rápido que agora custa um terço do preço dos Opus anteriores. O preço para uso padrão é de US$ 5 por milhão de tokens de entrada e US$ 25 por milhão de tokens de saída, inalterado em relação ao Opus 4.7.

Não deixe de conferir também nossos guias sobre Claude Fable 5 e Claude Mythos 5, os mais novos modelos principais da Anthropic.

O que é o GPT-5.5?

O GPT-5.5 é o flagship da OpenAI de abril de 2026, descrito pela empresa como seu modelo de codificação agentiva mais forte até agora. Está disponível no ChatGPT e no Codex para usuários Plus, Pro, Business e Enterprise, com janela de contexto de 1M no Codex. A principal alegação da OpenAI é que o GPT-5.5 iguala a latência por token do GPT-5.4 em produção real, entregando um nível de inteligência significativamente maior e usando menos tokens para concluir as mesmas tarefas no Codex.

Há também uma variante GPT-5.5 Pro para trabalhos de maior acurácia, precificada em US$ 30 por milhão de tokens de entrada e US$ 180 por milhão de tokens de saída na API. O preço padrão da API do GPT-5.5 é de US$ 5 por milhão de tokens de entrada e US$ 30 por milhão de tokens de saída.

Claude Opus 4.8 vs. GPT-5.5: comparação direta

Segue um resumo rápido de onde cada modelo se destaca antes de entrarmos nos detalhes. O cenário se divide por domínio, então a escolha certa depende bastante do que você está construindo.

Código e fluxos de trabalho agentivos

É aqui que os modelos mais se diferenciam, e a divisão é por ambiente, não por qualidade geral. No SWE-bench Pro, que usa repositórios reais em manutenção ativa sem vazamento de gabarito público, o Opus 4.8 marca 69,2% contra 58,6% do GPT-5.5. É uma diferença de 10,6 pontos a favor do Opus 4.8 em engenharia de software no nível de repositório.

No Terminal-Bench 2.0 o quadro se inverte: o GPT-5.5 atinge 78,2% contra 74,6% do Opus 4.8. O Terminal-Bench testa fluxos complexos de linha de comando que exigem planejamento, iteração e coordenação de ferramentas; se seu trabalho é pesado em shell ou orientado a DevOps, o GPT-5.5 leva vantagem. Um detalhe do system card da Anthropic: no esforço mínimo, o Opus 4.8 já iguala o pico do Opus 4.7 no esforço máximo no SWE-bench Pro, o que diz muito sobre o espaço que os controles de esforço oferecem.

Em código, a divisão é clara: Opus 4.8 para engenharia no nível de repositório, onde entender a estrutura do codebase importa; GPT-5.5 para fluxos pesados de terminal e automação de shell. Se você usa Claude Code com workflows dinâmicos, o Opus 4.8 agora orquestra centenas de subagentes em paralelo numa única sessão — uma capacidade de outra ordem, que os benchmarks não capturam plenamente.

Raciocínio e tarefas de conhecimento

No Humanity's Last Exam, um benchmark de questões realmente difíceis em nível de pós-graduação em ciências, matemática e humanidades, o Opus 4.8 lidera com e sem ferramentas. Sem ferramentas: 49,8% para o Opus 4.8 versus 41,4% para o GPT-5.5. Com ferramentas: 57,9% versus 52,2%. É uma diferença consistente de 7 a 8 pontos a favor do Opus 4.8 em raciocínio multidisciplinar.

A história em matemática chama ainda mais atenção. Na USA Mathematical Olympiad, o Opus 4.8 marcou 96,7% na competição deste ano, que ocorreu após o cutoff de treinamento do modelo, descartando contaminação. O Opus 4.7 havia feito 69,3% nos mesmos problemas. São 27 pontos de salto em matemática baseada em provas em uma única geração de modelo. O GPT-5.5 marca 51,7% no FrontierMath Tier 1-3 e 35,4% no Tier 4, resultados fortes, mas a comparação com o USAMO não está disponível para o GPT-5.5 nas notas de pesquisa.

A Anthropic não publicou uma pontuação de GPQA Diamond específica para o Opus 4.8, provavelmente porque o benchmark está muito saturado neste ponto, e outros resultados são mais relevantes.

Vale notar que ambos ficam atrás do Gemini 3.5 Flash (57,9%) em trabalhos financeiros, medidos no benchmark Finance Agent v2 (53,9% e 51,8%, respectivamente).

Uso de ferramentas e interação com computador

O Opus 4.8 lidera nos principais benchmarks de uso de ferramentas e de computador. No OSWorld-Verified, que testa a capacidade do modelo de concluir tarefas controlando um desktop real com mouse e teclado, o Opus 4.8 marca 83,4% vs. 78,7% do GPT-5.5. No MCP-Atlas, que mede uso de ferramentas em múltiplas etapas via APIs reais, o Opus 4.8 alcança 82,2% vs. 75,3% do GPT-5.5.

A diferença no OSWorld é relevante porque Opus 4.7 e GPT-5.5 estavam praticamente empatados nesse benchmark (78,0% vs. 78,7%). O Opus 4.8 abriu cerca de cinco pontos, um ganho significativo para times que constroem agentes de navegador ou automações de desktop. Testadores iniciais relataram que o Opus 4.8 marcou 84% no Online-Mind2Web, um benchmark de agente web, superando tanto o Opus 4.7 quanto o GPT-5.5.

Um aviso sobre desempenho agentivo: o system card da Anthropic apontou uma regressão na resistência a prompt injection. Sem salvaguardas, um único ataque teve sucesso contra o Opus 4.8 em cerca de 7% dos casos, contra 2,3% no Opus 4.7. Com salvaguardas ativas isso volta a 2%, mas se você constrói pipelines agentivos que processam entrada não confiável, vale saber disso antes de migrar.

Performance em contextos longos

Aqui o Opus 4.8 tem a liderança mais clara. No GraphWalks, que estressa raciocínio de longo contexto inserindo um grande grafo direcionado na janela de contexto e pedindo ao modelo que o percorra, o Opus 4.8 marca 85,9% no subset BFS 256K contra 73,7% do GPT-5.5. No subset completo de 1M tokens, a diferença aumenta: 68,1% para o Opus 4.8 contra 45,4% para o GPT-5.5.

Como destacamos na nossa análise do GPT-5.5, o GPT-5.4 praticamente desmoronava acima de 128K tokens, e o GPT-5.5 corrigiu isso. Mas o Opus 4.8 ainda está bem à frente em 1M. Para fluxos de documentos volumosos, arquivos financeiros densos ou qualquer tarefa que exija raciocínio em um contexto muito grande, o Opus 4.8 é a escolha mais forte, com larga margem.

Alinhamento, honestidade e confiabilidade

Esta é a dimensão em que a Anthropic compete de forma mais explícita com o Opus 4.8, e os resultados são realmente interessantes. Em um teste no qual o modelo resume uma sessão de codificação que secretamente continha falhas, o Opus 4.8 omite essas falhas em apenas 3,7% dos casos. É também o primeiro Claude a marcar zero em um teste em que precisa detectar dados com falhas antes de reportar um resultado.

O time de alinhamento da Anthropic também encontrou taxas de comportamento desalinhado substancialmente menores que as do Opus 4.7 e similares ao Claude Mythos Preview, o modelo mais capaz e cuidadosamente alinhado da Anthropic. Há um porém: durante o treinamento, o Opus 4.8 às vezes pareceu raciocinar sobre como seria avaliado, e não sobre como concluir a tarefa. A Anthropic diz que o impacto comportamental é modesto, mas isso pode importar em implantações agentivas de alto risco.

A OpenAI não publicou métricas equivalentes de alinhamento para o GPT-5.5 nas notas de pesquisa disponíveis, então não dá para comparar diretamente aqui. O que dá para dizer é que a Anthropic está priorizando honestidade e incerteza calibrada, embora os resultados recentes sejam mistos.

Preços

No nível padrão da API, os dois modelos são próximos, mas não idênticos. Ambos cobram US$ 5 por milhão de tokens de entrada. Na saída, o Opus 4.8 custa US$ 25 por milhão de tokens contra US$ 30 do GPT-5.5 — uma diferença de 17% que cresce rápido em cargas com muita saída.

O Opus 4.8 também tem um modo rápido que roda 2,5x mais veloz, por US$ 10 por milhão de tokens de entrada e US$ 50 por milhão de tokens de saída. A Anthropic reduziu o preço do modo rápido para um terço do que era nos Opus anteriores, tornando-o mais viável para fluxos sensíveis à latência.

O GPT-5.5 Pro, para trabalhos de maior acurácia, sai por US$ 30 por milhão de tokens de entrada e US$ 180 por milhão de tokens de saída — um prêmio significativo sobre o GPT-5.5 padrão.

Quando escolher Claude Opus 4.8 vs. GPT-5.5

A decisão não é sobre qual modelo é melhor no geral. É sobre qual combina com o formato específico do seu trabalho. Eu enquadraria assim:

Escolha o Claude Opus 4.8 se...

• Seu trabalho é engenharia no nível de repositório. A diferença de 10 pontos no SWE-bench Pro é um sinal real, e nossos próprios testes de revisão de código confirmaram que o Opus 4.8 pega bugs sutis sem ser provocado.
• Você constrói pipelines agentivos que processam documentos longos ou grandes codebases. A diferença no GraphWalks 1M (68,1% vs. 45,4%) é a maior entre os dois modelos em qualquer benchmark.
• Você precisa que o modelo sinalize sua própria incerteza. As melhorias de honestidade do Opus 4.8 importam mais em execuções agentivas sem supervisão passo a passo.
• Você roda agentes de navegador ou automação de desktop. O Opus 4.8 lidera o OSWorld-Verified por cerca de cinco pontos sobre o GPT-5.5, e testadores iniciais relataram 84% no Online-Mind2Web.
• O custo de tokens de saída importa em escala. A US$ 25 por milhão de tokens de saída vs. US$ 30 no GPT-5.5, a diferença se acumula rápido em altas volumes.

Escolha o GPT-5.5 se...

• Seu trabalho é pesado em terminal. O GPT-5.5 lidera o Terminal-Bench 2.0 por oito pontos (82,7% vs. 74,6%), e essa diferença bate com o que vimos nos nossos testes.
• Você precisa de uma camada Pro para as tarefas mais difíceis. O GPT-5.5 Pro está disponível por US$ 30 por milhão de tokens de entrada e US$ 180 por milhão de tokens de saída para trabalhos de maior acurácia. O Opus 4.8 não tem um nível equivalente.
• Você já está imerso no ecossistema OpenAI. O GPT-5.5 integra com Codex, ChatGPT e todo o stack da OpenAI, que tem comunidade maior e mais exemplos de integração que o ecossistema da Anthropic.
• Você conduz fluxos de pesquisa científica. O GPT-5.5 mostrou resultados fortes no GeneBench (25,0%) e BixBench (80,5%), e a OpenAI o posiciona explicitamente como co-cientista para pesquisa biomédica.

Considerações finais

O Opus 4.8 é mais forte na maioria das tarefas que mais importam para cientistas de dados e engenheiros de ML: codificação no nível de repositório, raciocínio com contexto longo, uso de ferramentas em múltiplas etapas e fluxos agentivos que precisam rodar sem supervisão. As melhorias de honestidade são a parte mais interessante: um modelo que avisa quando está empacado é mais útil em produção do que um que reporta sucesso com confiança. Se isso vai se sustentar na prática, vamos ver, mas a direção é promissora.

O GPT-5.5 é a escolha certa para trabalho pesado em terminal e para times já investidos no ecossistema OpenAI. A diferença no Terminal-Bench é real, e o GPT-5.5 Pro oferece uma opção de maior acurácia que o Opus 4.8 hoje não iguala com uma variante em camadas.

Um ponto para ficar de olho: a Anthropic mencionou repetidamente o Claude Mythos Preview durante o anúncio do Opus 4.8, descrevendo-o como seu modelo mais bem alinhado e já em uso limitado em cibersegurança. Pode ser que o Opus 4.8 não seja o teto por muito tempo. Se você quer se atualizar nos fundamentos de IA e aprender a trabalhar com esses modelos na prática, recomendo começar pela trilha de habilidades AI Fundamentals na DataCamp.