Claude Opus 4.8 и GPT-5.5: бенчмарки, тесты и как выбрать

Если вы выбираете флагманскую модель для серьёзной агентной работы прямо сейчас, Claude Opus 4.8 и GPT-5.5 — очевидно два из лучших вариантов наряду с Gemini 3.5 Flash. Обе — текущие производственные вершины своих лабораторий и обе нацелены на долгие циклы кодинга и автономные рабочие процессы.

Заглавные цифры достаточно близки, чтобы выбор по одним лишь бенчмаркам был неочевиден. Opus 4.8 лидирует на SWE-bench Pro (69,2% против 58,6%), тогда как GPT-5.5 впереди на Terminal-Bench 2.0 (82,7% против 74,6%). Но интереснее качественная сторона: Anthropic делает ставку на честность и калиброванную неопределённость как следующий рубеж производственного ИИ, а OpenAI — на сырую агентную пропускную способность и эффективность по токенам.

В этой статье мы сравним Claude Opus 4.8 и GPT-5.5 по пяти направлениям: кодинг и агентные рабочие процессы, задачи на рассуждение и знания, производительность на длинном контексте, согласованность и надёжность, а также цены. Отдельно можно посмотреть наши материалы по Claude Opus 4.8 и GPT-5.5 — для детального разбора каждой модели.

Будьте в курсе последних новостей об ИИ. Подпишитесь на The Median — нашу бесплатную пятничную рассылку с разбором ключевых событий недели. Держите руку на пульсе, тратя всего несколько минут в неделю.

Что такое Claude Opus 4.8?

Claude Opus 4.8 — текущая флагманская модель Anthropic, выпущенная 28 мая 2026 года. Она находится на вершине семейства Claude над Sonnet и Haiku и создана для самых требовательных задач: агентный кодинг, сложное многошаговое рассуждение и длительные автономные рабочие процессы. Главное улучшение по сравнению с Opus 4.7 — не только рост в бенчмарках, но и качественный сдвиг к честности: модель в четыре раза реже, чем предшественник, пропускает проблемный код без пометки.

Opus 4.8 также получила пакет новых функций, включая динамические рабочие процессы в Claude Code (которые могут запускать сотни параллельных сабагентов в одной сессии), регуляторы усилий в claude.ai и быстрый режим, который теперь стоит треть от цены предыдущих Opus. Цены для стандартного использования — $5 за миллион входных токенов и $25 за миллион выходных токенов, без изменений относительно Opus 4.7.

Обязательно ознакомьтесь с нашими материалами про Claude Fable 5 и Claude Mythos 5 — новые флагманские модели Anthropic.

Что такое GPT-5.5?

GPT-5.5 — апрельский флагман OpenAI 2026 года, описанный компанией как её самая сильная на сегодня модель для агентного кодинга. Доступна в ChatGPT и Codex для пользователей Plus, Pro, Business и Enterprise, с окном контекста 1M в Codex. Ключевое заявление OpenAI: GPT-5.5 сохраняет задержку на токен на уровне GPT-5.4 в реальной выдаче при заметно более высоком уровне интеллекта и использует меньше токенов для решения тех же задач в Codex.

Вариант GPT-5.5 Pro также доступен для задач с повышенной точностью, по цене $30 за миллион входных токенов и $180 за миллион выходных токенов в API. Стандартная цена GPT-5.5 в API — $5 за миллион входных токенов и $30 за миллион выходных токенов.

Claude Opus 4.8 и GPT-5.5: лобовое сравнение

Ниже — краткое резюме позиций моделей перед деталями. Картина делится по доменам, так что правильный выбор сильно зависит от того, что именно вы строите.

Кодинг и агентные рабочие процессы

Это направление, где модели расходятся наиболее явно, и разделение идёт по среде, а не по общей «силе». На SWE-bench Pro, который использует реальные активно поддерживаемые репозитории без утечки эталонных ответов, Opus 4.8 набирает 69,2% против 58,6% у GPT-5.5. Разрыв в 10,6 п.п. в пользу Opus 4.8 для инженерии на уровне репозитория.

Картина переворачивается на Terminal-Bench 2.0: GPT-5.5 — 78,2% против 74,6% у Opus 4.8. Terminal-Bench тестирует сложные консольные рабочие процессы, требующие планирования, итераций и координации инструментов, так что если ваша работа сильно завязана на shell или DevOps, у GPT-5.5 есть преимущество. Важная деталь из системной карты Anthropic: при минимальном усилии Opus 4.8 уже достигает пиковых результатов Opus 4.7 при максимальном усилии на SWE-bench Pro, что говорит о запасе, который дают регуляторы усилий.

Картина по кодингу делится чётко: Opus 4.8 — для инженерии на уровне репозитория, где важно понимание структуры кодовой базы; GPT-5.5 — для терминал-зависимых сценариев и shell-автоматизации. Если вы запускаете Claude Code с динамическими рабочими процессами, Opus 4.8 теперь может оркестрировать сотни параллельных сабагентов в одной сессии — это иной класс возможностей, чем то, что отражают сырые бенчмарки.

Задачи на рассуждение и знания

На Humanity's Last Exam — бенчмарке действительно сложных задач уровня магистратуры по естественным наукам, математике и гуманитарным дисциплинам — Opus 4.8 лидирует как с инструментами, так и без них. Без инструментов: 49,8% у Opus 4.8 против 41,4% у GPT-5.5. С инструментами: 57,9% против 52,2%. Стабильный разрыв в 7–8 п.п. в пользу Opus 4.8 по междисциплинарному рассуждению.

Особенно показательная история — по математике. На математической олимпиаде США (USAMO) Opus 4.8 набрал 96,7% в нынешнем году, причём соревнование прошло после среза обучающих данных модели, что исключает контаминацию. Opus 4.7 на тех же задачах набрал 69,3%. То есть скачок на 27 п.п. по задачам-доказательствам за одно поколение модели. GPT-5.5 показывает 51,7% на FrontierMath уровни 1–3 и 35,4% на уровне 4 — это сильные результаты, но прямого сравнения по USAMO для GPT-5.5 в исследовательских заметках нет.

Anthropic не публиковала показатель GPQA Diamond именно для Opus 4.8, вероятно, из‑за сильной насыщенности метрики на данный момент и меньшей релевантности относительно других бенчмарков.

Примечательно, что обе модели уступают Gemini 3.5 Flash (57,9%) в финансовых задачах, согласно бенчмарку Finance Agent v2 (соответственно 53,9% и 51,8%).

Использование инструментов и взаимодействие с компьютером

Opus 4.8 лидирует на обоих ключевых бенчмарках для инструментов и компьютерного взаимодействия. На OSWorld-Verified, где проверяется способность модели выполнять задачи, управляя живым рабочим столом мышью и клавиатурой, Opus 4.8 набирает 83,4% против 78,7% у GPT-5.5. На MCP-Atlas, измеряющем многошаговое использование инструментов через реальные API, Opus 4.8 достигает 82,2% против 75,3% у GPT-5.5.

Разрыв на OSWorld примечателен, потому что Opus 4.7 и GPT-5.5 были по сути на равных (78,0% против 78,7%). Opus 4.8 вырвался вперёд примерно на пять пунктов — это ощутимое улучшение для команд, строящих браузерных агентов или десктопную автоматизацию. Ранние тестеры сообщали, что Opus 4.8 набирает 84% на Online-Mind2Web — бенчмарке веб-агентов, что выше Opus 4.7 и GPT-5.5.

Оговорка по агентной производительности: системная карта Anthropic отметила регресс в стойкости к внедрению подсказок (prompt injection). Без защит успешность одной атаки против Opus 4.8 составляла около 7% против 2,3% у Opus 4.7. С развёрнутыми мерами защиты это возвращается к 2%, но если вы строите агентные конвейеры, обрабатывающие недоверенные данные, это стоит учитывать до миграции.

Производительность на длинном контексте

Здесь у Opus 4.8 самое явное преимущество. На GraphWalks, который стресс-тестирует рассуждение на длинном контексте, внедряя крупный ориентированный граф в окно контекста и требуя его обхода, Opus 4.8 набирает 85,9% на подмножестве BFS 256K против 73,7% у GPT-5.5. На полном подмножестве 1M токенов разрыв растёт: 68,1% у Opus 4.8 против 45,4% у GPT-5.5.

Как отмечалось в нашем обзоре GPT-5.5, GPT-5.4 фактически «рассыпался» за пределами 128K токенов, и GPT-5.5 это исправил. Но Opus 4.8 всё ещё существенно впереди на уровне 1M. Для документоёмких процессов, плотной финансовой отчётности или любых задач, требующих рассуждения на очень большом контексте, Opus 4.8 — заметно более сильный выбор.

Согласованность, честность и надёжность

Это направление, по которому Anthropic наиболее явно конкурирует в Opus 4.8, и результаты действительно интересны. В тесте, где модель должна подытожить сессию кодинга, скрыто содержащую провалы, Opus 4.8 замалчивает эти провалы лишь в 3,7% случаев. Это также первая модель Claude, получившая ноль в тесте, где требуется поймать ошибочные данные до выдачи результата.

Команда по согласованию поведения Anthropic также обнаружила, что частота несогласованного поведения у Opus 4.8 существенно ниже, чем у Opus 4.7, и сопоставима с Claude Mythos Preview — самой способной и наиболее тщательно согласованной моделью Anthropic. Есть важная оговорка: в процессе обучения Opus 4.8 порой, по-видимому, рассуждал о том, как будет оцениваться, а не о том, как выполнить задачу. По словам Anthropic, поведенческий эффект умеренный, но в высокорисковых агентных развёртываниях это может иметь значение.

OpenAI не публиковала сопоставимые метрики согласованности для GPT-5.5 в доступных исследовательских материалах, поэтому прямое сравнение по этому направлению невозможно. Можно сказать, что Anthropic делает приоритетом честность и калиброванную неопределённость, хотя последние результаты неоднозначны.

Цены

На стандартном уровне API модели близки, но не идентичны. Обе берут $5 за миллион входных токенов. По выходу Opus 4.8 — $25 за миллион токенов против $30 у GPT-5.5 — разница в 17%, что быстро накапливается при объёмных генерациях.

У Opus 4.8 есть быстрый режим со скоростью в 2,5 раза выше, по цене $10 за миллион входных токенов и $50 за миллион выходных токенов. Anthropic снизила стоимость быстрого режима до трети от прежней для моделей Opus, что делает его более практичным вариантом для чувствительных к задержке процессов.

GPT-5.5 Pro для задач с повышенной точностью стоит $30 за миллион входных токенов и $180 за миллион выходных токенов — заметная наценка относительно стандартного GPT-5.5.

Когда выбирать Claude Opus 4.8, а когда GPT-5.5

Речь не о том, какая модель «лучше» в целом. Важно, какая подходит под конкретную форму вашей работы. Вот как это можно сформулировать.

Выбирайте Claude Opus 4.8, если…

• Вы занимаетесь инженерией на уровне репозитория. Разрыв в 10 п.п. на SWE-bench Pro — ощутимый сигнал, и наши собственные ревью кода подтвердили, что Opus 4.8 находит тонкие баги без подсказок.
• Вы строите агентные конвейеры для длинных документов или больших кодовых баз. Разрыв на GraphWalks 1M (68,1% против 45,4%) — крупнейшая разница между моделями в любом бенчмарке.
• Вам нужна модель, помечающая свою неопределённость. Улучшения честности в Opus 4.8 особенно важны при автономных агентных прогонах, где нельзя проследить каждый шаг.
• Вы запускаете браузерных агентов или десктопную автоматизацию. Opus 4.8 опережает GPT-5.5 на OSWorld-Verified примерно на пять пунктов, а ранние тесты показывали 84% на Online-Mind2Web.
• Стоимость выходных токенов важна в масштабе. При $25 за миллион выходных токенов против $30 у GPT-5.5 разница быстро накапливается на больших объёмах.

Выбирайте GPT-5.5, если…

• Ваша работа сильно завязана на терминал. GPT-5.5 лидирует на Terminal-Bench 2.0 на восемь пунктов (82,7% против 74,6%), и это согласуется с нашими тестами GPT-5.5.
• Вам нужен уровень Pro для самых сложных задач. GPT-5.5 Pro доступен по $30 за миллион входных токенов и $180 за миллион выходных токенов для более высокой точности. У Opus 4.8 нет эквивалентного уровня.
• Вы глубоко в экосистеме OpenAI. GPT-5.5 интегрируется с Codex, ChatGPT и широкой линейкой инструментов OpenAI, где сообщество больше, а примеров интеграций — больше, чем в экосистеме Anthropic.
• Вы ведёте научные исследования. GPT-5.5 показал сильные результаты на GeneBench (25,0%) и BixBench (80,5%), а OpenAI позиционирует его как «со‑учёного» для биомедицинских исследований.

Итоговые мысли

Opus 4.8 сильнее для большинства задач, важных для дата‑саентистов и ML‑инженеров: кодинг на уровне репозитория, рассуждение на длинном контексте, многошаговое использование инструментов и агентные процессы, которые должны работать без надзора. Больше всего впечатляют улучшения честности: модель, которая сообщает, когда застряла, в продакшене полезнее, чем та, что уверенно рапортует об успехе. Удержится ли это на практике — покажет время, но направление выглядит многообещающим.

GPT-5.5 — верный выбор для терминал-зависимой работы и команд, уже инвестировавших в экосистему OpenAI. Разрыв на Terminal-Bench реален, а GPT-5.5 Pro даёт вариант с повышенной точностью, которому Opus 4.8 пока не может противопоставить ступенчатый аналог.

На что ещё стоит обратить внимание: в анонсе Opus 4.8 Anthropic неоднократно упоминала Claude Mythos Preview, называя его своей наиболее согласованной моделью и отмечая, что он уже ограниченно используется в кибербезопасности. Возможно, Opus 4.8 — ещё не потолок. Если хотите быстро разобраться в основах ИИ и научиться работать с такими моделями на практике, рекомендуем начать со скилл-трека AI Fundamentals на DataCamp.