บรรทัดเดียวในไฟล์ config หนึ่งบรรทัดตัดสินว่า token ส่วนใหญ่ของทีมคุณจะหมดไปกับอะไรในไตรมาสนี้ วันที่ 2026-09-22 ผู้เข้าแข่งขันทั้งสองรายสำหรับบรรทัดนั้นเปิดตัวพร้อมกัน: Anthropic ปล่อย Claude Opus 5.5 ขณะที่ OpenAI ปล่อย GPT-6 Sol และ GPT-6 Luna ถ้าคุณรัน coding agent หลายตัวพร้อมกัน คำถามไม่ใช่ว่ารุ่นไหนฉลาดกว่า แต่เป็นว่ารุ่นไหนที่ Agent ของคุณใช้เป็นค่าเริ่มต้น และสิ่งนั้นส่งผลอย่างไรกับคิวงานที่รอคนกดรับ
ในหลักฐานมีจุดที่ต้องระวัง ควรรู้ก่อนอ่านโพสต์เปิดตัวของทั้งสองเจ้า OpenAI benchmark Sol เทียบกับ Claude Opus 5 ไม่ใช่ Opus 5.5 ตอนที่เขียนโพสต์นั้น Opus 5.5 ยังไม่มีอยู่ และเพิ่งเปิดตัวในอีกไม่กี่ชั่วโมงถัดมาที่ราคา $4 ต่อ input หนึ่งล้าน token เทียบกับ $5 ของ Opus 5 ดังนั้นทุกประโยคที่ว่า “เอาชนะ Opus 5 ได้ในราคาเศษเสี้ยว” ในโพสต์ของ OpenAI จึงวัดกับรุ่นที่ถูกล้มไปแล้วในวันเดียวกัน นั่นไม่ได้ทำให้ตัวเลขผิด แต่มันทำให้ตัวเลขเหล่านั้นเป็นตัวเลขชุดล่าสุดที่เผยแพร่ ไม่ใช่ตัวเลขปัจจุบัน
สรุปสั้น
Runtime ค่าเริ่มต้นคือรุ่นที่ Agent ของคุณใช้เมื่อไม่มีใครเลือกอย่างอื่น ซึ่งในทางปฏิบัติคือเกือบทุก run เลือกมันจากสามแกน: ต้นทุนต่อ Task ที่ทำสำเร็จ, มันถือ Task ได้นานแค่ไหนก่อนต้องให้คุณ介入 และมันทำอะไรเมื่อติดขัด จากตัวเลขที่เผยแพร่ Sol ถูกกว่าต่อ Task ที่ทำสำเร็จ แม้ว่าการเปรียบเทียบที่เผยแพร่เพียงชุดเดียวจะเทียบกับ Opus 5 และ Opus 5.5 ก็คือรุ่นที่อยู่กับงานยาวได้โดยไม่หยุด ยังไม่มีใครรันสองรุ่นนี้แข่งกันบน harness เดียวกัน ดังนั้นให้ถือว่าโพสต์เปิดตัวทั้งสองชุดเป็นคำกล่าวอ้างของผู้ขาย และตัดสินกันบน repository ของคุณเอง
แต่ละเจ้าจริง ๆ แล้วเผยแพร่อะไร
| Claude Opus 5.5 | GPT-6 Sol | |
|---|---|---|
| API id | claude-opus-5-5 |
gpt-6-sol |
| Input / output ต่อ 1M | $4 / $20 | $2 / $10 |
| Cached input | $0.20 อ่าน, $5 เขียน | ลด 90% สำหรับการอ่าน |
| Context | 1M | 872k |
| เปรียบเทียบในโพสต์เปิดตัวกับ | Claude Opus 5 ($5 / $25) | Claude Opus 5, GPT-6 Astra ($10 / $50) |
Anthropic ระบุว่า Opus 5.5 มีต้นทุนการรันต่ำกว่า Opus 5 อยู่ 40% ให้ผลลัพธ์เร็วขึ้นประมาณ 30% และอยู่กับงานได้ 18 ชั่วโมงขึ้นไป เอาต์พุตสูงสุดคือ 128k token และโหมดเร็วมีราคาแยกต่างหากที่ $8 / $40
OpenAI ระบุว่า Sol และ Luna ถูกกว่า GPT-5.6 ราคา โปรโมชัน อยู่ 50% คำว่าโปรโมชันเป็นคำของ OpenAI เองและมันสำคัญ: การเปรียบเทียบนั้นเทียบกับราคาที่ลดแล้ว ไม่ใช่เทียบกับราคาปกติของ GPT-5.6 OpenAI ยังบอกอีกว่า GPT-6 Astra “ยังเป็นรุ่นที่ดีที่สุดของเราครบทุกด้าน” ซึ่งเป็นเครื่องเตือนใจที่มีประโยชน์ว่า Sol เป็นรุ่นระดับคุ้มค่าในตระกูลของตัวเอง ไม่ใช่เรือธง
แกนที่ 1: ต้นทุนต่อ Task ที่ทำสำเร็จ ไม่ใช่ต้นทุนต่อล้าน token
ราคา token เป็นเพียงตัวแทนของตัวเลขที่คุณจ่ายจริง รุ่นที่ราคาครึ่งเดียวแต่ต้องลองสามครั้งจะแพงกว่ารุ่นที่ทำสำเร็จใน run เดียว OpenAI เผยแพร่ต้นทุนต่อ task ควบคู่กับคะแนน ซึ่งตรงไปตรงมาอย่างผิดปกติ
| Benchmark ตามที่ OpenAI เผยแพร่ | Sol | เทียบกับ |
|---|---|---|
| AutomationBench 1.0.6 | 33.2% ที่ระดับ extra-high, $0.27 ต่อ task | Claude Opus 5 ที่ระดับ max: 26.9%, ต้นทุนต่อ task เป็น 11.1 เท่าของ Sol |
| AutomationBench 1.0.6 | เท่ากัน | GPT-6 Astra ที่ระดับ low: 30.3%, ต้นทุนต่อ task เป็น 3.9 เท่าของ Sol |
| Agents’ Last Exam V1 | 56.4% ที่ระดับ max | สูงกว่าคะแนนดีที่สุดของ Opus 5 โดยต้นทุนต่อ task ต่ำกว่า 60% |
| DeepSWE 1.1 | 68.8% ที่ระดับ max | ห่างจาก Fable 5 ที่ extra-high (69.9%) เพียง 1.1pp ถูกกว่าต่อ task ประมาณ 80% |
| OSWorld 2.0 offline | 60.5% ที่ extra-high | Opus 5 ที่ medium: 60.3% ถูกกว่าต่อ task ประมาณ 80% |
แถวแรกคือแถวที่คนกำลังพูดถึงกัน Sol ที่ reasoning ระดับ extra-high ทำคะแนนได้สูงกว่า Claude Opus 5 ที่ reasoning ระดับ max ในต้นทุนต่อ task ประมาณ 9% ของ Opus 5 คูณ $0.27 ด้วย 11.1 แล้ว Opus 5 ที่ max จะอยู่ที่ประมาณ $3 ต่อ task บน harness นั้น ซึ่งเป็นการคำนวณของเราจากตัวเลขสองตัวของ OpenAI ไม่ใช่ตัวเลขที่ OpenAI พิมพ์ไว้เอง
ทีนี้ลองเอาเรื่องที่ต้องระวังมาใช้ Anthropic บอกว่า Opus 5.5 มีต้นทุนการรันต่ำกว่า Opus 5 อยู่ 40% ตัวเลข $3 นั้นจึงล้าสมัยแล้ว และมันก็ไม่ได้ลดลงตาม 40% นั้นตรง ๆ ด้วย เพราะต้นทุนต่อ task เปลี่ยนตามจำนวน token ที่รุ่นนั้นเผาไปเพื่อไปให้ถึงเป้า ไม่ใช่ตามราคาปกติอย่างเดียว ช่องว่างที่เผยแพร่เดิมนั้นกว้าง ฝั่งหนึ่งของมันขยับในวันเดียวกันตามจำนวนที่ระบุไว้ และยังไม่มีใครรันการเปรียบเทียบซ้ำ ถ้าคุณอยากได้ตัวเลขนั้นสำหรับ codebase ของคุณ ให้รันการเปรียบเทียบบน repository ของคุณเอง แทนที่จะรอให้แล็บใดรันให้
เพื่อให้เห็นภาพ: OpenAI รายงานว่านักวิจัยระดับมัธยฐานของบริษัทใช้จ่ายมากกว่า $600 ต่อวันกับ coding agent และที่เปอร์เซ็นไทล์ 90 อยู่ที่ $7,000 ต่อวัน ต้นทุนต่อ task หยุดเป็นเรื่องนามธรรมอย่างรวดเร็ว
แกนที่ 2: มันถือ Task ได้นานแค่ไหน
ทั้งสองเจ้าแก้ปัญหาเดียวกันในคนละจุด
Anthropic แก้ที่ตัวโมเดล Opus 5.5 อยู่กับงานได้ 18 ชั่วโมงขึ้นไป run ที่ยาวกว่าวันทำงานของคุณเปลี่ยนวิธีกำกับดูแล: คุณเลิกนั่งจ้องมันแล้วหันกลับมาดูเป็นระยะ ซึ่งจะได้ผลก็ต่อเมื่อ run นั้นรายงานไปที่ที่ ไม่ใช่ terminal ที่คุณปิดไปแล้ว
OpenAI แก้ที่แคช GPT-6 ลดราคาการอ่าน input ที่แคชไว้ 90% เพิ่ม hit rate เป็นค่าเริ่มต้น และที่สำคัญสำหรับงาน agent คือ ไม่ทำให้แคชพังอีกต่อไปเมื่อคุณเปลี่ยน reasoning effort หรือชุดเครื่องมือที่ใช้ได้ จุดแบ่งอย่างชัดเจน (explicit breakpoints) ให้คุณเลือกได้ว่า cached prefix จะสิ้นสุดตรงไหน GitHub รายงานว่ามี prompt token ที่ต้องประมวลผลใหม่ลดลงมากกว่า 50% ทั่วหลายพันล้านคำขอ agent run ที่ยาวคือการอ่าน context เดิมซ้ำหลายรอบ ดังนั้นนี่จึงเป็นการแก้เรื่องต้นทุนของระยะเวลา ไม่ใช่การแก้เรื่องระยะเวลา
ใช้ Opus 5.5 เป็นค่าเริ่มต้นเมื่อ Task ทั่วไปของคุณคือ migration, การ refactor ครั้งใหญ่ หรืออะไรก็ตามที่การหยุดกลางทางแพงกว่า token ใช้ Sol เป็นค่าเริ่มต้นเมื่อ Task ทั่วไปของคุณมีขอบเขตชัดเจน ทำซ้ำหลายครั้งต่อวัน และลองใหม่ได้ถูก ทีมส่วนใหญ่มีทั้งสองแบบ ซึ่งเป็นเหตุผลว่าทำไมค่าเริ่มต้นจึงสำคัญน้อยกว่าการตัดสินใจอย่างตั้งใจกับข้อยกเว้น
แกนที่ 3: มันทำอะไรเมื่อติดขัด
แกนนี้ไม่มี benchmark และมันคือแกนที่สร้าง support ping ทั้งหลาย
Artificial Analysis ซึ่งเป็นบุคคลที่สามไม่ใช่ผู้ขายรายใด วัดตัวแปร reasoning ระดับ “max” ได้ 115.2 output token ต่อวินาทีสำหรับ Sol ด้วยเวลา 102.15 วินาทีถึง token แรก และ 153.9 token ต่อวินาทีสำหรับ Luna ด้วยเวลา 124.23 วินาที นั่นคือการตั้งค่าระดับ max effort และคุณควรตรวจสอบกับ listing ปัจจุบันก่อนเดิมพัน ตัวรูปร่างของมันคือสิ่งที่สำคัญ: ที่ reasoning effort สูง รุ่นถูก ๆ ไม่ใช่รุ่นที่เริ่มเร็ว
agent ที่กำลังคิดอยู่ 102 วินาที กับ agent ที่ค้าง ดูเหมือนกันเป๊ะใน terminal เช่นเดียวกับตัวที่เพิ่งเสร็จไป 40 นาทีที่แล้ว กับตัวที่หยุดเพื่อถามคำถามที่ไม่มีใครเห็น การเปิดตัวโมเดลไหนก็แก้เรื่องนี้ไม่ได้ สถานะที่กลับมาอยู่กับ Task ต่างหากที่แก้ได้: กำลังดำเนินการ, รอคน, ล้มเหลว, พร้อมปล่อย พร้อม log และคำถามแนบมาด้วย Agent ทำการค้นคว้า ลงมือ ทดสอบ และรายงาน คนเป็นผู้กำหนดทิศทาง มอบอำนาจ และรับผลลัพธ์
ให้ความสำคัญกับ วิธีที่แต่ละ Runtime ส่งสัญญาณความคืบหน้าและความล้มเหลว เท่ากับตาราง benchmark คุณจะอ่านสถานะเป็นร้อยครั้งต่อสัปดาห์ แต่อ่าน benchmark แค่ครั้งเดียว
อย่าเอาตาราง benchmark สองชุดมาวางเทียบกัน
ทั้งสองเจ้าเผยแพร่ตัวเลข AutomationBench สัปดาห์นี้ OpenAI รายงานว่า Sol ที่ reasoning ระดับ extra-high ได้ 33.2% บน AutomationBench 1.0.6 Anthropic รายงานว่า Opus 5.5 ได้ 40.0% บน AutomationBench ทั้งคู่รายงาน OSWorld 2.0 ที่ 60.5% และ 81.8% ตามลำดับ และตัวเลขของ OpenAI อยู่บนชุด offline
นั่นไม่ใช่การเทียบกันตรง ๆ การตั้งค่า reasoning ต่างกัน อย่างน้อยก็มี benchmark variant ต่างกันหนึ่งชุด harness ต่างกัน ไม่มีตัวเลขต้นทุนต่อ task ที่ใช้ร่วมกัน และแต่ละชุดก็รันโดยฝ่ายที่ได้ประโยชน์ โพสต์ที่เปรียบเทียบ Opus 5.5 กับ GPT-6 Astra ด้วยตัวเลขเฉพาะเจาะจงนั้นเป็นทวีต ไม่ใช่ข้อมูลจากผู้ขาย Artificial Analysis เผยแพร่ดัชนีร่วมชุดหนึ่ง โดยให้ Opus 5.5 อยู่ที่ 58 และเป็นที่หนึ่งจาก 212 รุ่น, Sol ที่ 48, Luna ที่ 37 และนั่นคือผลรวมจากบุคคลที่สาม ไม่ใช่การวัดบน codebase ของคุณ
การตัดสินใจที่จะอยู่รอดผ่านการเปิดตัวครั้งถัดไป
เขียนค่าเริ่มต้นลงไป ไม่ใช่ในฐานะความชอบของใครคนหนึ่ง แต่เป็นกฎที่ผูกกับ Agent: Agent นี้รัน Runtime นี้, Task เหล่านี้ส่งไปให้มัน และนี่คือ Agent ที่ถูกกว่าซึ่งรับงานประจำ ทำแบบนี้ แล้วเก็บไว้ที่ที่ทีมอ่านเห็น:
Default Runtime: Claude Code on claude-opus-5-5
Tasks: migrations, wide refactors, anything that fails badly halfway
Second Runtime: Codex on gpt-6-sol
Tasks: bounded, repeated many times a day, cheap to retry
Escalation: a Sol Task that fails twice returns to the Task for a person,
it does not silently re-run on the expensive Runtime
นั่นคือสิ่งที่เปลี่ยน รุ่นไหนควรรับงานแบบไหน ให้กลายเป็น throughput และมันจะอยู่รอดผ่านการเปิดตัวครั้งถัดไป เพราะเมื่อคำตอบเปลี่ยน คุณแก้กฎข้อเดียว แทนที่จะถามหกคนว่าใช้ตัวอะไรอยู่ สองแล็บปล่อยรุ่นระดับคุ้มค่าที่แข็งแกร่งที่สุดของตัวเองในวันเดียว และเจ้าหนึ่ง benchmark กับรุ่นที่ตกยุคไปในอีกไม่กี่ชั่วโมงต่อมา Default Runtime ที่คุณแก้ได้ในที่เดียวมีค่ามากกว่าการเลือกให้ถูกในสัปดาห์นี้
สิ่งหนึ่งที่การเปิดตัวทั้งสองครั้งไม่ได้เปลี่ยนคือคิว ต้นทุนต่อ Task ที่ทำสำเร็จลดลงหนักทั้งสองฝั่ง งบประมาณคงที่จึงซื้องาน agent ที่ทำเสร็จได้มากกว่าเดิมหลายเท่าเมื่อเทียบกับสัปดาห์ที่แล้ว แต่มันซื้อชั่วโมงของคนรีวิวเพิ่มได้ศูนย์ชั่วโมง กำลังการรีวิวคือเพดาน และการลดราคาก็ดันปริมาณงานเข้าไปชนเพดานนั้น แทนที่จะบรรเทามัน ทำให้เป้าหมาย, run, อุปสรรค, diff และการรีวิวของคนมองเห็นได้ในที่เดียวตั้งแต่คำขอจนถึงการปล่อย แล้ว Runtime ค่าเริ่มต้นจะกลายเป็นแค่การตั้งค่า ไม่ใช่การเดิมพัน
Sharkly ไม่ได้รันโมเดลและไม่ได้เลือกมันให้คุณ มันคือชั้น Task, Computer, context และการรีวิวที่ใช้ร่วมกันรอบ ๆ เครื่องมือที่ทำหน้าที่เหล่านั้น ถ้าคุณอยากใช้ coding agent หลายตัวต่อไปแทนที่จะผูกกับ ecosystem เดียว นั่นคือปัญหาที่มันถูกออกแบบมาเพื่อแก้ เชื่อมต่อ Computer หนึ่งเครื่อง สร้าง Agent หนึ่งตัวบนแต่ละ Runtime แล้วให้ Task แบบธรรมดา ๆ แบบเดียวกันกับพวกมัน
