OpenAI o3 与 Claude Opus 5.5 对比评测：能力边界、成本与适用场景

前置说明（证据规则，请先读）

1. 本文只使用可溯源来源：两家厂商的官方发布页、系统卡、官方定价页，以及具名第三方评测机构 Artificial Analysis（下称 AA）、METR，与具名媒体报道。
2. 厂商口径一律原样引用并标注来源与日期，不与第三方结果混算、不跨来源换算百分比、不自行计算「提升 X%」。
3. 本文未自建可复现测试环境，全文不出现「实测」，一律用「对比 / 解读」表述；数据表按「厂商口径 / 第三方口径」分列，不设实测列。
4. 每个数字均记录「模型名 + 配置 + 数字 + 来源 + 日期 + 口径标注」；口径不一致处直接标注「口径不一致，不具可比性」。
5. 本稿特设「本次核验未能确证的项目」一栏（见第七节），凡未取得可引用来源的数字一律留空并说明原因，不填推测值。
6. 对 o3 的退役状态，本文只陈述官方时间表与迁移事实，不作厂商策略评论。
7. 口径标注中的 ⚑ 表示厂商口径（厂商自测基准、厂商成本与速度声明），一律原样引用、未经独立验证；未标 ⚑ 的数字为具名第三方口径或官方时间表。该约定适用于全文所有数据表。
8. 本文数据核验时点：2026-10-01（核验过程与外链点检结果见第八节末尾说明）。

---

一、先看时间线：为什么原题的对比主体需要修正

结论（事实层面）：原题要求的「o3 vs Claude Opus 5.5」，在时间上是一个已退役的模型与一个新发布的模型的对比——Opus 5.5 发布时，o3 已经从 ChatGPT 下线近一个月，API 侧也只剩不足三个月的窗口期。

对读者的实际含义（仅陈述迁移事实）：

• 新项目选型：o3 侧可用窗口只剩到 2026-12-11，任何把它作为长期依赖的选型结论都不可执行；
• 历史回顾 / 存量迁移评估：o3 的参数与定价仍有参考价值，且必须使用**现行价格（$2/$8）**而非发布价；
• 因此本文的处理方式是：保留「o3 vs Opus 5.5」作为引子与基线，把同代对比主体修正为 GPT-6 Astra / GPT-5.6 Sol vs Claude Opus 5.5。

---

二、评测口径与来源规则：用两个 Terminal-Bench 数字把方法讲清楚

2.1 同一基准、同一模型、两个数字

为什么两个数字不同：effort 设置与 harness 不同。官方数字取 xhigh effort 配置，第三方独立 runner 用其自有的 max effort 设置与脚手架。

本文的处理：这两个数字不并列比较、不相减、不计算百分比差。它们分属两列口径，只用于说明一件事——「某模型在某基准上是 X%」这句话，如果不带 effort 与 harness 说明，信息量接近于零。

2.2 五个维度与最低可发布条件

缺来源的结论直接删掉，这是本文唯一的硬性规则。本文不做：私有测试集评测、付费墙数据的二手转述、跨来源百分比换算。

---

三、推理、数学与科学能力

3.1 厂商口径：Claude Opus 5.5

三条必须随数字一起读的官方自注（原样引用）：

1. 「Unless otherwise noted, all Claude Opus 5.5 results use adaptive thinking at max effort.」（未特别标注者均在 max effort 下测得）
2. 「Claude Opus 5.5 was evaluated with its production safeguards enabled. When they intervened, cybersecurity tasks were completed by Claude Opus 4.8, and biology and frontier LLM development tasks were completed by Claude Opus 5. This likely reduces Claude Opus 5.5's performance on these benchmarks.」——即部分任务实际由回退模型完成，官方自认这可能拉低了成绩。
3. 「at these levels of capability we've found that benchmark margins have become a less reliable guide to real-world differences」——官方自己承认，在这一能力水平上基准分差已不再是现实差异的可靠指引。这句话对本文全篇的适用性有约束力，务必与所有分数同时阅读。

3.2 第三方口径：Claude Opus 5.5（勿与 3.1 混算）

注意 HLE：官方口径 67.7%（with tools） 与第三方口径 61.4% 是两个来源的两个数字，工具启用情况与 harness 均不同，不具可比性。本文不做任何形式的对齐或折算。

3.3 独立预部署评估：METR

METR 的独立性条款原文：「We drafted the initial summary, and then Anthropic had the opportunity to review and edit the text.」这一条必须与结论同时呈现——它影响读者对该评估独立性的判断，属于必须随结论一起引用的上下文。

3.4 厂商口径：OpenAI o3（2025-04-16 发布时点）

三条必须随数字一起读的限制说明：

1. 时间戳：以上为 2025-04-16 发布时点的厂商口径，距 Opus 5.5 发布已逾 17 个月，且 o3 已进入退役流程，不应作为新项目选型的现行依据。
2. 基准污染风险：公开基准题目可能已进入训练语料，厂商自测分数通常高于第三方在受控条件下的复现结果。
3. 口径限制：上述三个数值本次系经 Forkast（2026-08-26）与 AI 革命（2026-08-04）转述核对，两处转述一致；但均为二手转述，建议编辑部以系统卡原文复核后再发布。本文不据其推导 o3 与任何模型的相对能力。

关于「o3 与 Opus 5.5 谁推理更强」：本文不给出该结论。两侧数据发布时间相隔约 17 个月、评测口径与 harness 均不同，且 o3 已退役。任何把 87.7% 与 67.7% 放在一起比较的写法，都违反本文的口径规则。

---

四、编码与真实工程任务

4.1 同代对比主体：官方基准表逐项数值

Anthropic 官方发布页的基准表直接列出了两个 OpenAI 同代模型。以下数值由 OpenAI 报告、经 Anthropic 转引（官方脚注原文：「GPT-6 Astra and GPT-5.6 Sol figures are as reported by OpenAI」），因此不是独立复现，口径标注为「⚑ 厂商口径（对方厂商报告值，本文经 Anthropic 官方表转引）」。

读这张表必须带上四个限制：

1. 跨列不可作「谁更强」的终局判断。GPT-6 Astra 在 AutomationBench（41.4% vs 40.0%）与 Terminal-Bench-Science 0.1（64.6% vs 58.7%）上高于 Opus 5.5，Opus 5.5 在其余项领先——方向并不单一，任何「全面领先」的表述都与这张表不符。
2. 标准误接近或大于分差。Opus 5.5 的 Terminal-Bench 4.0 SE 为 ±2.6pt，Terminal-Bench-Science 0.1 为 ±3.5–5pt。在 SE 量级内的分差不应被解读为实质性差距。
3. 两厂商的 harness 尚未对齐。Anthropic 脚注指出 Terminal-Bench 4.0 结果中 GPT-6 Astra 取的是 high effort（官方称「these represent each model's highest score」），而 Opus 5.5 取 xhigh。effort 档位不同，即便同表并列也不构成严格同条件比较。
4. AutomationBench 由 Zapier 执行，且官方注「performed without fallback models, so safeguard interventions were considered failures」，即安全回退按失败计入——该行对 Opus 5.5 偏保守。

4.2 第三方口径：独立 harness 下的编码结果

关于 GPT-6 Astra 的两个数字为何不同：同一节里同时出现两个 Astra 数字，容易被误读为同一个数——Anthropic 官方表内 Astra 的 57.9% 来自 OpenAI 自行报告、经 Anthropic 转引（effort 为 high）；AA 对比页的「与 Opus 5.5 持平」出自 AA 自己的 harness（所列对象为 GPT-6 Astra (Max)）。连同 Opus 5.5 的官方 66.4% 与 AA 的 59.6%，这些数字分属不同口径，本文不将其并列比较或相减。

4.3 得分差异很可能是脚手架差异造成的

编码类与 agentic 任务结果对以下因素高度敏感，「某模型在某榜更高」这类单句结论信息量远低于它看起来的样子：

• 脚手架允许模型看到多少文件上下文；
• 是否允许运行测试、迭代修正；
• 是否提供检索工具、失败重试预算多少；
• effort / 思考预算设置（本章 66.4% / 57.9% / 59.6% 三个数就是实例）；
• 任务是单文件补全还是跨仓库多步修改。

同一基准的第三个独立口径（补一个实例）：截至 2026-09-22，由 Stanford、Harbor 与 Laude Institute 维护的 Terminal-Bench 4.0 公开榜（submission 制，非 AA harness）上排第一的是 GPT-6 Astra (max) 58.2%（经 OpenAI 的 Codex harness），其后是 Fable 5.1 (max) 57.9%（Claude Code）与 Opus 5 (xhigh) 53.9%，该榜当时尚无 Opus 5.5 条目（来源：MIXED，2026-09-22）。它与官方 66.4%、AA 59.6% 构成第三种口径，同样不可与前者并列比较——这恰好再次说明：榜单名相同，harness 与提交方式不同，数字就没有可比性。

4.4 读者可直接用的判断框架

对「能替代工程师」类说法保持克制：本文只描述任务级表现。任务级基准分高，不等于在真实工程环境中可无人值守——Anthropic 官方自己也提示 benchmark margins 已非可靠指引（见 3.1 第 3 条）。

---

五、成本、延迟与工程可用性

5.1 定价与可用性（官方口径）

关于 o3 定价的重要更正：o3 发布时点（2025-04-16）价格确为 $10 输入 / $40 输出，但该数字已于 2025-06-10 随 o3-pro 发布下调 80%，现行价为 $2 / $8。另外，$10 / $40 是 o3-deep-research 的价，不是 o3 的价——引用时极易串模型，本文在此显式区分。

为什么这处更正重要：拿已过期的 $10/$40 去比 Opus 5.5 的 $4/$20，会得出「o3 更贵」的结论；而按现行价 $2/$8，o3 的单价反而更低。方向完全相反。因此本文的成本讨论一律以现行价为基准，并标注降价时点。

5.2 厂商口径的成本与速度声明（原样引用，未独立验证）

本文不对这些声明做跨来源换算或验证性重算，仅原样呈现并标注其比较基准。厂商声明的比较基准是自家上一代模型，不能被改写为「比其他厂商模型便宜/快多少」。

5.3 官方按次成本口径（厂商口径，且不可跨来源换算）

Anthropic 官方在发布页给出了按次成本的相对表述（原样引用）：

• FrontierCode：Opus 5.5 在默认 effort 下击败 GPT-6 Astra，成本约为其每任务的 20%；
• Terminal-Bench 4.0：Opus 5.5 与 Astra 分数相当，成本约为其 40%；
• CursorBench：Opus 5.5 比 GPT-5.6 Sol 高 11 个百分点，成本约为其三分之一。

三条使用限制：

1. 这些是 ⚑ Anthropic 的厂商口径（其自建的 accuracy-vs-cost 图），未经第三方独立验证；
2. 其「每任务成本」用的是什么 harness、多少轮次、哪种 effort 档位，官方页面未完整披露，因此不可与 §5.5 的公式或 Artificial Analysis 的 token 消耗量换算对接；
3. 该按次成本口径对应的基准子集官方未披露，与 §4.1 表内逐项数值不可直接对应——请读者不要用 §4.1 的分数自行相减去对齐上文「高 11 个百分点」「分数相当」这类表述；
4. 本文不据此计算任何「便宜 X 倍」的绝对结论，也不将其与 Artificial Analysis 的 119k / 27k token 数据相乘相除——跨来源换算已在本文前言中明令禁止，对厂商有利的数字同样适用。

5.4 延迟（含测量条件）

规则：只引用有明确测量条件的来源，并标注测量条件；无条件来源的「更快」表述不采信。

说明：o3 的三个数值来自 Artificial Analysis 带明确测量条件的记录；Opus 5.5 侧本文取得的是 llm-stats 的 p95 / p5 口径，与 AA 的测量口径不同，因此本文不将上下两组数字直接对比、不相减。厂商口径的「快 30%+」是相对 Opus 5 的自述，属 5.2 的厂商声明，不能与任何第三方绝对测量值并列比较。

5.5 可复算的成本估算公式

不给结论，给公式，读者自行代入官方定价页的当日单价：

单任务成本 ≈ (输入 token ÷ 1,000,000 × 输入单价)
           + (输出 token ÷ 1,000,000 × 输出单价)
           + 缓存读写开销
           + 重试与失败重放开销

两个可代入的公开锚点：

• 输出量锚点：Artificial Analysis 记录 Opus 5.5 平均每任务约 119k output tokens、GPT-6 Astra 约 27k（均为 AA 的「每 Intelligence Index 任务」口径；同口径下 Opus 5（max）约 73k，第三方口径）。本文只给公式与输入项，不代算「谁更便宜」的跨来源结论。
• 失败重放开销：多步 agent 任务的成本方差远大于均值。一个 20 步的任务，若单步失败率为 p，全链路成功率约为 (1−p)²⁰。请用你自己的任务样本测 p——这一步无法用任何厂商公布的单价替代。

5.6 生命周期与迁移成本（本选题的实际落点）

给工程团队的三个可执行动作（仅陈述迁移事实）：

1. 全文检索代码与配置中的 o3-2025-04-16、o3-pro-2025-06-10 固定模型 ID（含路由与 fallback 链），在 2026-12-11 前完成替换与回归测试；
2. 把替换目标的对比口径统一到同代模型（GPT-6 Astra / GPT-5.6 Sol vs Opus 5.5）；
3. 在成本模型里把「模型生命周期」作为显式变量——§5.5 的公式只算单价与 token 量，算不出模型退役带来的迁移成本。

---

六、安全、合规与企业采用

截至本文写作时点的官方口径（本节信息变化快，发布前请重新打时间戳）：

合规声明：涉及地区可用性与合规要求时，本文只陈述官方文档内容，不做法律意见。上表「未取得可引用条款」的字段，本文不填推测值——这类字段的空白本身是需编辑部补齐的信息，而非可省略的细节。

---

七、结论与待解问题

7.1 分场景建议（措辞强度与证据强度匹配）

7.2 本次核验未能确证的项目

1. GPT-5.6 Sol / GPT-6 Astra 的官方 API 定价——OpenAI 官方定价页与模型页抓取返回 403（本次复核亦为 403），未能取得一手数值；具名第三方的记录为 GPT-6 Astra $10 输入 / $50 输出、缓存命中 $1.00（Artificial Analysis，2026-09-09 文章与模型对比页现行记录）、GPT-5.6 Sol $4 / $20（同源记载的「Astra 涨价前价格」）；而日本媒体转述 Sol 为 $5/$30。三种来源不一致，本文对三者均不作陈述，全部列入待核。
2. Opus 5.5 侧同等测量条件的吞吐数据——本次取得的是 llm-stats 的 p95 / p5 口径，与 AA 对 o3 的口径不同，故不构成延迟对比。
3. 两家企业的数据留存与合规条款——未取得可引用的官方文档条款。
4. 缓存写（o3 侧）的具体计费——未取得可引用的官方数值。
5. FrontierCode v1.1 / CursorBench 4.0 的第三方独立复现——目前仅有厂商口径。
6. o3 系统卡三项基准的原文核对——现有两处具名媒体转述一致，但均为二手，建议以系统卡原文复核。
7. 模型命名写法——本文按 Anthropic 官方表与 OpenAI Deprecations 页的写法统一为「GPT-5.6 Sol / gpt-5.6-sol」。其中 OpenAI 侧页面本次系经转述核对，发布前建议以官方页面再核一次命名；本文不对其他来源的写法作任何判断或引用。
8. o3-deep-research 的下线日存在来源冲突——OpenAI API Deprecations 页的转述日期为 2026-07-23（theRouter、AI Wiki 等具名来源一致），但本文同样引用的 Forkast（2026-08-26）同篇报道写作「o3 Deep Research 于 12 月 26 日退役」。两者不可同时成立，本文暂以 Deprecations 页口径为准并在 §1、§5.6 如实标出，建议以官方 Deprecations 页原文（本次抓取返回 403）复核后定稿。
9. 官方提及的「另有第三方测试」——Anthropic 官方发布页提及有第三方测试，但未给出机构名、链接与日期，本文因此不指名该机构、不引用其结论（§6 已改为不指名表述）。若编辑部能取得该机构原始报告，可再行补入。

7.3 需要编辑部决策的事项

1. 对比主体变更：本文已将同代对比主体修正为 GPT-6 Astra / GPT-5.6 Sol vs Opus 5.5，但原始选题标题仍是「o3 vs Opus 5.5」。若保留原题，建议在标题或导语中体现生命周期错位，避免读者被标题误导；若编辑部倾向更换标题，需编辑部确认后执行（本文不擅自改换选题方向）。
2. 站点字段建议（发布配置项，不占正文）：站点 title 建议压缩至 30 字内，例「o3 vs Claude Opus 5.5：一个已退役，一个新发布」；slug 保持 openai-o3-claude-opus-5-5 不变。

7.4 后续跟踪清单

• 2026-12-11：o3 / o3-pro API 快照删除的实际执行情况；
• o3-deep-research 实际下线日的官方复核（7-23 与 12-26 两说）；
• GPT-6 Astra / GPT-5.6 Sol 的官方定价页（当前抓取受阻）与系统卡，补齐同代成本对照；
• Artificial Analysis / METR 对 GPT-6 Astra、GPT-5.6 Sol 的独立评测发布；
• Opus 5.5 在独立 harness 下更多任务的复现结果（尤其是 Terminal-Bench 之外）；
• Claude Sonnet 5.5 / Haiku 5.5 发布（官方称「coming weeks」）；
• METR 关于「Anthropic 可审阅编辑摘要」条款的后续说明；
• 两家厂商定价页调整与缓存计费条款变更。

---

八、来源表（链接 + 发布日期 + 抓取状态）

链接变更与点检说明：本表共 15 行来源、16 条链接（其中 AA 模型对比页一行含 3 条链接）。本次核验（2026-10-01）实际抓通并逐项核对 12 条（Anthropic 发布页、METR、AA 的 o3 模型页与 providers 页、AA 的 Opus 5.5 模型页与 Astra 模型页、AA Astra 评测文章、AA 三张对比页、llm-stats、Forkast、AI 革命、MIXED）。仍须人工点检/复核的 3 类：①AA《Opus 5.5》文章页（本次 fetch 报错，数值已由 AA 模型页与对比页交叉核对）；②OpenAI Deprecations 页（403，需人工打开确认删除日与 gpt-5.6-sol 命名）；③两份 System Card 原文（Anthropic Opus 5.5、OpenAI o3）与 TMTPOST 正文（截断）。第 5 行（AA o3 模型页）已按上轮意见由错误的 claude-opus-4-6-vs-o3 slug 改为 o3 模型页。

---

信源状态摘要：Claude Opus 5.5 的定价、上下文与基准数据来自 Anthropic 官方发布页（2026-09-22，⚑ 厂商口径），其中 GPT-6 Astra / GPT-5.6 Sol 的数值系 OpenAI 报告值经 Anthropic 转引；第三方结果来自 Artificial Analysis 与 METR（2026-09-22，第三方口径），全文分列、未混算、未跨来源换算百分比。o3 的定价为现行价 $2/$8（2025-06-10 起下调 80%，缓存命中 $0.50），上下文 20 万 token，生命周期状态为 ChatGPT 2026-08-26 下线、API 快照 2026-12-11 删除、o3-deep-research 已于 2026-07-23 下线（该日期存一处来源冲突，见 §7.2 第 8 条）；o3 的三项延迟与缓存价已由 AA 的 o3 providers 页与模型对比页 双重核对一致（§5.4 仅引用 OpenAI 直连口径，未采用同页 Azure 条目数值）。o3 系统卡三项基准为 2025-04-16 ⚑ 厂商口径，建议以系统卡原文复核后发布。本文未自建测试环境，全文不含「实测」表述；未取得可引用来源的字段一律留空并列入 7.2，未填任何推测值。已知需编辑部决策事项（对比主体 vs 原题标题、站点 title 压缩）见 7.3；发布前须人工点检的外链清单见第八节末尾。