AI BENCHY Compare

Anthropic: Claude Opus 4.8 vs OpenAI: GPT-5.5

Rezumat

Comparație benchmark Claude Opus 4.8 vs GPT-5.5: GPT-5.5 conduce la scorul mediu cu 9.0 vs 7.7. Claude Opus 4.8 are costul de benchmark mai mic, $1.270 vs $3.679. Claude Opus 4.8 este mai rapid cu 10.83s vs 37.98s, cu rate de reușită de 79.4% vs 87.3%.

Model recomandat: Claude Opus 4.8 - Oferă cel mai bun compromis per total: scor competitiv (7.7), cost mai mic decât GPT-5.5 și timp de răspuns echilibrat.

Benchmark-urile au fost generate din suitele de teste AI BENCHY la: 2026-07-02

Metrică	Claude Opus 4.8 Claude Opus 4.8 low Lansare: 2026-05-28	GPT-5.5 GPT-5.5 medium Lansare: 2026-04-24

Metrică	Claude Opus 4.8 Claude Opus 4.8 low Lansare: 2026-05-28	GPT-5.5 GPT-5.5 medium Lansare: 2026-04-24
Scor	7.7	9.0
Rang	#38	#9
Fiabilitate	10.0	10.0
Consistență	8.8	8.9
Teste corecte
Rată de trecere pe încercare	79.4%	87.3%
Teste instabile	3	3
Rulări totale	63	63
Cost per rezultat	8.466	21.638
Cost total	$1.270	$3.679
Preț de intrare	$5.000 / 1M	$5.000 / 1M
Preț de ieșire	$25.000 / 1M	$30.000 / 1M
Total tokenuri de intrare	60,946	34,212
Tokenuri de ieșire	31,771	1,985
Tokenuri de raționament	6,831	114,925
Timp de răspuns (mediu)	10.83s	37.98s
Timp de răspuns (maxim)	127.97s	332.10s
Timp de răspuns (total)	227.39s	797.60s

Prezentare generare

Hamster playing table tennis

Prompt: Create a detailed SVG illustration of a hamster playing table tennis.

#38 Claude Opus 4.8

low

Cost: $0.031
Timp: 14.1s
Tokenuri: 1,345 tok

#9 GPT-5.5

medium

Cost: $0.112
Timp: 71.9s
Tokenuri: 3,807 tok

Top modele după scor

Scor vs cost total

Timp de răspuns (mediu)

Scor vs Timp de răspuns (mediu)

Total tokenuri de ieșire

Scor vs Total tokenuri de ieșire

Defalcare pe categorii

Trucuri anti-AI	Scor	Consistență	Rată de trecere pe încercare	Teste instabile	Teste corecte	Timp de răspuns (mediu)	Tokenuri de intrare	Tokenuri de ieșire	Tokenuri de raționament
Claude Opus 4.8	10.0	10.0	100.0%	0		3.30s	834	793	371
GPT-5.5	10.0	10.0	100.0%	0		4.66s	606	250	1,335

Programare	Scor	Consistență	Rată de trecere pe încercare	Teste instabile	Teste corecte	Timp de răspuns (mediu)	Tokenuri de intrare	Tokenuri de ieșire	Tokenuri de raționament
Claude Opus 4.8	6.6	4.6	77.8%	2		7.58s	10,590	3,637	809
GPT-5.5	8.8	7.8	88.9%	1		59.77s	7,305	362	24,959

Combinat	Scor	Consistență	Rată de trecere pe încercare	Teste instabile	Teste corecte	Timp de răspuns (mediu)	Tokenuri de intrare	Tokenuri de ieșire	Tokenuri de raționament
Claude Opus 4.8	9.8	10.0	100.0%	0		20.84s	23,500	2,216	1,081
GPT-5.5	10.0	10.0	100.0%	0		19.29s	11,019	312	2,841

Parsare și extragere de date	Scor	Consistență	Rată de trecere pe încercare	Teste instabile	Teste corecte	Timp de răspuns (mediu)	Tokenuri de intrare	Tokenuri de ieșire	Tokenuri de raționament
Claude Opus 4.8	6.3	5.8	66.7%	1		2.27s	10,503	310	0
GPT-5.5	10.0	10.0	100.0%	0		4.18s	7,140	234	593

Specific domeniului	Scor	Consistență	Rată de trecere pe încercare	Teste instabile	Teste corecte	Timp de răspuns (mediu)	Tokenuri de intrare	Tokenuri de ieșire	Tokenuri de raționament
Claude Opus 4.8	5.3	10.0	33.3%	0		45.53s	975	23,311	3,908
GPT-5.5	5.3	7.2	44.4%	1		164.14s	723	67	79,625

Inteligență generală	Scor	Consistență	Rată de trecere pe încercare	Teste instabile	Teste corecte	Timp de răspuns (mediu)	Tokenuri de intrare	Tokenuri de ieșire	Tokenuri de raționament
Claude Opus 4.8	10.0	10.0	100.0%	0		2.55s	708	231	0
GPT-5.5	10.0	10.0	100.0%	0		4.16s	477	138	223

Respectarea instrucțiunilor	Scor	Consistență	Rată de trecere pe încercare	Teste instabile	Teste corecte	Timp de răspuns (mediu)	Tokenuri de intrare	Tokenuri de ieșire	Tokenuri de raționament
Claude Opus 4.8	9.8	10.0	100.0%	0		2.78s	909	111	221
GPT-5.5	10.0	10.0	100.0%	0		3.36s	660	93	538

Rezolvare de puzzle-uri	Scor	Consistență	Rată de trecere pe încercare	Teste instabile	Teste corecte	Timp de răspuns (mediu)	Tokenuri de intrare	Tokenuri de ieșire	Tokenuri de raționament
Claude Opus 4.8	10.0	10.0	100.0%	0		3.01s	894	592	184
GPT-5.5	10.0	10.0	100.0%	0		6.76s	642	241	2,225

Apelare instrumente	Scor	Consistență	Rată de trecere pe încercare	Teste instabile	Teste corecte	Timp de răspuns (mediu)	Tokenuri de intrare	Tokenuri de ieșire	Tokenuri de raționament
Claude Opus 4.8	10.0	10.0	100.0%	0		6.85s	11,775	370	35
GPT-5.5	10.0	10.0	100.0%	0		10.57s	5,445	258	832

Cultură generală	Scor	Consistență	Rată de trecere pe încercare	Teste instabile	Teste corecte	Timp de răspuns (mediu)	Tokenuri de intrare	Tokenuri de ieșire	Tokenuri de raționament
Claude Opus 4.8	3.0	10.0	0.0%	0		5.48s	258	200	222
GPT-5.5	2.8	1.6	33.3%	1		37.86s	195	30	1,754

Comparație rapidă

Schimbă perechea de comparație