A Anthropic lançou o Claude Sonnet 5.5 em 28 de setembro a US$ 2 por milhão de tokens de entrada e US$ 10 por milhão de saída. A OpenAI lançou o GPT-6 Sol em 22 de setembro pelos mesmos US$ 2 e US$ 10. Seis dias de diferença, preço de tabela idêntico e ambos posicionados um degrau abaixo dos modelos topo de linha de seus respectivos laboratórios. Para uma equipe que precisa escolher o modelo padrão para agentes de codificação, o preço de tabela não resolve nada. A verdadeira escolha é entre o Claude Code e o Codex como Runtime para cada modelo, além do custo de cada combinação por tarefa concluída.
Um teste justo envolve dois Runtimes, duas configurações, dois conjuntos de resultados e um revisor tentando lembrar qual terminal gerou qual diff. Escolher o modelo é apenas uma linha de configuração. Já comparar os dois é o caos dos agentes em miniatura.
TL;DR
O Claude Sonnet 5.5 e o GPT-6 Sol custam o mesmo por token e se diferenciam pelo Runtime em que costumam ser executados: Claude Code para o Sonnet 5.5 e Codex para o Sol. A tabela de lançamento da Anthropic traz quatro linhas com uma coluna para o GPT-6 Sol. O Sonnet 5.5 lidera com clareza em três delas; a quarta, o FrontierCode, depende do nível de esforço. O custo por tarefa varia drasticamente conforme o benchmark: no FrontierCode, o Sonnet 5.5 iguala o melhor resultado do Sol por cerca de um quinto do custo; no AA-Briefcase, o melhor resultado do Sol custa US$ 2,67 por tarefa, enquanto o do Sonnet 5.5 sai por US$ 29,19. Essa é a tabela de apenas um fornecedor. Decida entre o Sonnet 5.5 e o GPT-6 Sol executando a mesma Task em ambos os Runtimes no seu próprio código e contabilizando os minutos de revisão por alteração aceita. Manter ambos é uma resposta perfeitamente válida, desde que a Task continue sendo o registro central.
O que os números publicados realmente permitem comparar
Quatro linhas. A publicação de lançamento do Claude Sonnet 5.5 compara o Sonnet 5.5, o Sonnet 5, o Opus 5.5 e o GPT-6 Sol, e apenas estas linhas trazem pontuações para o Sol:
| Linha na tabela da Anthropic | Executado por | Sonnet 5.5 | GPT-6 Sol |
|---|---|---|---|
| FrontierCode 1.1 (Main) | Cognition: modelos Claude no Claude Code, modelos GPT no Codex CLI | 46,2% em max, 52,1% em xhigh | 49,3% |
| GDPval-AA v2.1 | Artificial Analysis | 1844 | 1487 |
| AA-Briefcase v1.1 | Artificial Analysis | 1811 | 1483 |
| Chartography, sem ferramentas | Benchmark da Surge AI; Sonnet 5.5 avaliado pela Anthropic, Sol conforme relatado pela Surge AI | 61,6% | 53,6% |
Essa é a tabela de apenas um fornecedor. O post da OpenAI sobre o Sol foi publicado seis dias antes de o Sonnet 5.5 existir; portanto, a única tabela de um fornecedor comparando ambos os modelos é a da Anthropic. Ambas as colunas vêm com ressalvas sobre bugs: os testes do Sonnet 5.5 na Artificial Analysis usaram uma versão pré-lançamento com um bug de saídas estruturadas (structured output), já corrigido, e a OpenAI corrigiu recentemente um bug de compreensão de imagem no Sol que as pontuações da Artificial Analysis e da Surge AI podem não refletir.
A linha do FrontierCode é a que qualquer equipe de desenvolvimento deve observar com atenção, pois já representa uma comparação entre Runtimes: 52,1% contra 49,3% é o Claude Code com Sonnet 5.5 contra o Codex CLI com Sol — a combinação que você de fato implementaria em produção. A nota de rodapé sobre a pontuação em max é igualmente importante. O FrontierCode penaliza alterações fora do escopo, e no esforço máximo (max) o Sonnet 5.5 acionou com mais frequência a habilidade de code review do Claude Code, que se desdobra em múltiplos subagentes. Em dois casos analisados pela Cognition, isso causou tempo limite esgotado (timeout) ou edições fora do escopo da tarefa. Mais esforço, diff mais amplo, mais revisão necessária.
Nada mais na página traz números para o Sol. Os gráficos de esforço do Terminal-Bench 4.0 e do CursorBench 4.0 mostram o GPT-5.6 Sol, pois nenhum dado sobre o GPT-6 Sol foi publicado.
Existe apenas um agregador independente. A Artificial Analysis posiciona o endpoint de esforço máximo do Sonnet 5.5 com pontuação 56 em seu Intelligence Index, em terceiro lugar entre 216 modelos em 29 de setembro. O Sol estava com 48 em 23 de setembro, quando fizemos o último registro. Duas datas distintas, um índice em constante mudança e nenhum desses números avalia o seu repositório de verdade.
Custo por tarefa concluída, não por token
Preços idênticos por token dizem pouco sobre a fatura final, porque a quantidade de tokens por tarefa depende do modelo, do esforço e do Runtime. A página de lançamento da Anthropic publica a pontuação e o custo por tarefa de acordo com o nível de esforço para duas das linhas comparadas:
| Esforço | FrontierCode: Sonnet 5.5 | FrontierCode: GPT-6 Sol | AA-Briefcase: Sonnet 5.5 | AA-Briefcase: GPT-6 Sol |
|---|---|---|---|---|
| low | 29,3%, US$ 0,19 | 37,3%, US$ 0,43 | 1264, US$ 0,87 | 905, US$ 0,12 |
| medium | 36,5%, US$ 0,24 | 45,9%, US$ 0,77 | 1461, US$ 1,64 | 1142, US$ 0,34 |
| high | 49,4%, US$ 0,42 | 47,7%, US$ 1,04 | 1634, US$ 3,95 | 1289, US$ 0,63 |
| xhigh | 52,1%, US$ 1,59 | 48,4%, US$ 1,32 | 1746, US$ 9,63 | 1364, US$ 1,19 |
| max | 46,2%, US$ 20,78 | 49,3%, US$ 2,07 | 1811, US$ 29,19 | 1483, US$ 2,67 |
Analise o FrontierCode primeiro. O Sonnet 5.5 em high atinge 49,4% por US$ 0,42 por tarefa, empatando com o melhor resultado do Sol (49,3% a US$ 2,07); o resumo da Anthropic destaca "cerca de um quinto do custo por tarefa". O detalhe prático mais importante está mais abaixo: em medium, o Sonnet 5.5 marca 36,5%, ficando atrás do Sol mesmo em low — e medium é o esforço padrão do Claude Code para o Sonnet 5.5. O guia de engenharia de prompts da Anthropic sugere começar em high, ou em medium para tarefas de codificação agêntica bem especificadas. Aquela configuração que ninguém altera pode definir toda a comparação.
O AA-Briefcase, um benchmark voltado a trabalho de conhecimento (knowledge work), aponta na direção oposta. O melhor resultado do Sol custa US$ 2,67 por tarefa; o melhor do Sonnet 5.5 custa US$ 29,19 — cerca de onze vezes mais —, entregando uma pontuação mais alta. A configuração do Sonnet 5.5 mais próxima do custo de max do Sol é medium, a US$ 1,64, que pontua 1461 contra 1483. Os mesmos dois modelos, mas respostas opostas sobre qual é o mais econômico para o resultado entregue.
O cache reduz essa diferença e altera o cenário. O Sonnet 5.5 cobra US$ 0,10 por milhão de tokens de leitura em cache, com gravações de cache de 5 minutos a US$ 2,50 (preços da Anthropic). O GPT-6 oferece 90% de desconto na leitura de entradas em cache, o que dá US$ 0,20 sobre a tarifa de US$ 2 — portanto, a leitura em cache custa metade do preço no Sonnet 5.5. A diferença crucial está no que invalida o cache: a OpenAI afirma que alterar o esforço de raciocínio ou a disponibilidade de ferramentas não invalida mais o cache, enquanto o guia de prompts do Sonnet 5.5 da Anthropic indica que mudar o esforço de nível superior entre requisições o invalida, recomendando uma configuração beta de esforço por mensagem. Agentes que ajustam o esforço no meio de uma tarefa sentirão esse impacto na fatura.
Nenhum desses números representa o seu custo real por alteração aceita. Uma execução barata que exige duas repetições e uma revisão demorada acaba sendo a mais cara.
Como decidir na sua própria base de código
Execute a mesma Task em ambos os Runtimes e contabilize o tempo que uma pessoa gasta para revisar e aprovar o resultado. Os critérios estão detalhados em como comparar agentes de codificação na sua própria base de código; a seguir está a configuração para esta dupla.
O Sharkly não escolhe modelos. A documentação de Agents é categórica: “The Agent follows the Runtime’s default model. It does not promise or display a specific model name. Change models in the Runtime or Computer tool configuration, not on the Agent.” Portanto, a configuração do modelo acontece no Computer:
- Claude Code no
claude-sonnet-5-5. Requer o Claude Code v2.1.284 ou superior. O modelodefaultdo Claude Code é o Opus 5.5 nos planos Pro, Max, Team, Enterprise e na API da Anthropic; logo, um Computer executará o Opus até que alguém faça a alteração, e o aliassonnetsó aponta para o Sonnet 5.5 na API da Anthropic. Fixe o ID completo e confirme comclaude --model claude-sonnet-5-5nesse host. O artigo Executando agentes Sonnet 5.5 no Sharkly traz o passo a passo completo. - Codex no
gpt-6-sol. Defina o modelo na configuração do Codex nesse Computer; o artigo Executando agentes GPT-6 Sol no Sharkly traz as etapas necessárias. - Diretório de trabalho temporário em ambos os Agents. Cada execução recebe um diretório isolado, e execuções baseadas em repositório podem preparar uma worktree limpa, garantindo que as duas tentativas nunca compartilhem o mesmo checkout.
Em seguida, documente o teste antes de iniciar qualquer uma das execuções:
Task: SH-312, one real Task, same description and starting commit for both runs
Run A: Claude Code Agent, claude-sonnet-5-5, effort: medium (Claude Code default) or high
Run B: Codex Agent, gpt-6-sol, effort: whatever Codex on that Computer is set to, written here
Accept: the same acceptance test for both
Record: accepted y/n, human review minutes, reruns, files touched outside scope,
provider cost from your own Anthropic and OpenAI bills
Decide: after several Tasks of each kind you actually assign, not one
Atribua a Task a um Agent e inicie o outro mencionando-o em um comentário; o Sharkly permite que uma menção explícita inicie um Agent que não seja o Assignee. Ambas as execuções retornam para a mesma Task, de modo que dois diffs, duas execuções de testes e quaisquer dúvidas ficam em uma única linha do tempo, em vez de dois históricos de terminal separados. A versão focada em um único bug, acompanhada de critérios de avaliação, está em Claude Code vs. Codex no mesmo bug.
Dê o maior peso aos minutos de revisão. O guia de engenharia de prompts da Anthropic afirma que o Sonnet 5.5 adiciona testes, documentação e pequenos arquivos em todos os níveis de esforço, reporta o progresso logo no início em tarefas longas com low e medium, e inicia rodadas extras de revisão ou subagentes revisores em xhigh e max. O que quer que o Codex com Sol faça nos mesmos pontos, o teste revelará. Tudo isso se reflete diretamente no tempo de revisão — e nada disso aparece na pontuação de um benchmark.
Por que usar “ambos” é uma resposta legítima
As evidências públicas não apontam um vencedor indiscutível para todos, e o seu teste pode ter o mesmo desfecho. Um resultado dividido é um diagnóstico, não um fracasso.
Escolha um único Runtime se o teste não demonstrar diferenças significativas na contagem de minutos de revisão, ou se uma equipe pequena preferir manter apenas uma assinatura e uma configuração. Se você utiliza apenas o Claude Code e prefere um fluxo de trabalho focado no terminal, talvez nem precise de uma camada de gerenciamento. Mantenha ambos quando os resultados variarem de acordo com o tipo de tarefa, ou quando quiser ter a liberdade de trocar o modelo padrão no próximo mês sem precisar reconstruir o fluxo de trabalho. E o próximo mês não é uma hipótese distante: Opus 5.5, Sol e Luna foram lançados no mesmo dia, e o Sonnet 5.5 chegou apenas seis dias depois.
Manter ambos só funciona se a Task — e não o Runtime — for o registro central. Nenhum outro modelo lê os blocos de pensamento (thinking blocks) do Sonnet 5.5; portanto, quando uma Task passa de um Agent do Claude Code para um Agent do Codex, o raciocínio interno fica para trás e apenas o que está registrado na Task é transferido. Decisões, premissas e perguntas em aberto devem constar na descrição ou em comentários. O artigo Como executar o Claude Code e o Codex juntos em uma única base de código aborda a rotina do dia a dia, e Sonnet 5.5 ou Opus 5.5 trata do direcionamento de tarefas no ecossistema Claude.
Agentes pesquisam, executam, testam e reportam. Pessoas definem a direção, concedem permissões e aprovam o resultado. O Runtime pode mudar a cada trimestre; já o contexto, o progresso, os impedimentos, os resultados e a revisão humana devem permanecer visíveis em um só lugar, da solicitação ao lançamento.
A edição da semana passada desta mesma questão, Opus 5.5 vs. GPT-6 Sol, enfrentava o problema inverso de evidências: o artigo da OpenAI comparava o Sol com um modelo Claude que foi superado poucas horas depois. Documente o modelo padrão, meça o desempenho no seu próprio código e mantenha o Runtime como uma configuração flexível e editável. Se você deseja continuar utilizando múltiplos agentes de codificação em vez de se prender a um único ecossistema, esse é exatamente o desafio que o Sharkly foi projetado para resolver. Conecte um Computer, crie um Agent para cada Runtime e atribua a ambos a mesma Task real.
